Chiếc cúp thánh của Crypto AI: Khám phá tiên phong trong đào tạo Phi tập trung
Trong toàn bộ chuỗi giá trị của AI, đào tạo mô hình là khâu tiêu tốn tài nguyên nhất và có rào cản kỹ thuật cao nhất, quyết định trực tiếp giới hạn năng lực của mô hình và hiệu quả ứng dụng thực tế. So với việc gọi nhẹ trong giai đoạn suy luận, quá trình đào tạo cần đầu tư sức mạnh tính toán quy mô lớn liên tục, quy trình xử lý dữ liệu phức tạp và hỗ trợ thuật toán tối ưu hóa cường độ cao, là "công nghiệp nặng" thực sự trong việc xây dựng hệ thống AI. Từ góc độ mô hình kiến trúc, phương pháp đào tạo có thể được chia thành bốn loại: đào tạo tập trung, đào tạo phân tán, học liên bang và đào tạo phi tập trung mà bài viết này sẽ tập trung thảo luận.
Đào tạo tập trung là phương pháp truyền thống phổ biến nhất, được thực hiện bởi một tổ chức duy nhất trong cụm hiệu suất cao tại địa phương, với toàn bộ quy trình đào tạo từ phần cứng, phần mềm nền tảng, hệ thống lập lịch cụm, đến tất cả các thành phần của khung đào tạo đều được điều phối và vận hành bởi một hệ thống kiểm soát thống nhất. Kiến trúc hợp tác sâu sắc này cho phép chia sẻ bộ nhớ, đồng bộ hóa gradient và cơ chế chịu lỗi hoạt động với hiệu suất tối ưu, rất thích hợp cho việc đào tạo các mô hình quy mô lớn như GPT, Gemini, có ưu điểm hiệu quả cao và tài nguyên có thể kiểm soát, nhưng đồng thời cũng tồn tại các vấn đề như độc quyền dữ liệu, rào cản tài nguyên, tiêu thụ năng lượng và rủi ro điểm đơn.
Huấn luyện phân tán là phương pháp chính trong huấn luyện mô hình lớn hiện nay, cốt lõi của nó là chia tách nhiệm vụ huấn luyện mô hình, phân phối đến nhiều máy tính để phối hợp thực hiện, nhằm vượt qua những hạn chế về tính toán và lưu trữ của máy đơn. Mặc dù về mặt vật lý có đặc điểm "Phi tập trung", nhưng tổng thể vẫn bị kiểm soát và điều phối bởi các tổ chức tập trung, thường hoạt động trong môi trường mạng cục bộ tốc độ cao, thông qua công nghệ bus liên kết tốc độ cao NVLink, do nút chính phối hợp các nhiệm vụ con. Các phương pháp chính bao gồm:
Dữ liệu song song: Mỗi nút đào tạo các tham số dữ liệu khác nhau chia sẻ, cần khớp trọng số mô hình
Mô hình song song: Triển khai các phần khác nhau của mô hình trên các nút khác nhau, đạt được khả năng mở rộng mạnh mẽ.
Ống dẫn song song: Thực hiện tuần tự theo từng giai đoạn, nâng cao tỷ lệ thông lượng
Phân tán tensor: phân chia tinh vi tính toán ma trận, nâng cao độ tinh tế của sự song song
Đào tạo phân tán là sự kết hợp của "kiểm soát tập trung + thực thi phân tán", tương tự như một ông chủ điều hành từ xa nhiều nhân viên "văn phòng" phối hợp hoàn thành nhiệm vụ. Hiện nay, hầu hết các mô hình lớn chính (GPT-4, Gemini, LLaMA, v.v. ) đều được đào tạo theo cách này.
Phi tập trung đào tạo đại diện cho một con đường tương lai với tính mở rộng và khả năng chống kiểm duyệt cao hơn. Đặc điểm cốt lõi của nó là: nhiều nút không tin tưởng lẫn nhau ( có thể là máy tính gia đình, GPU đám mây hoặc thiết bị biên ) hợp tác hoàn thành nhiệm vụ đào tạo mà không cần điều phối viên trung tâm, thường thông qua giao thức điều phối phân phối nhiệm vụ và hợp tác, và nhờ vào cơ chế khuyến khích mã hóa để đảm bảo tính trung thực của sự đóng góp. Các thách thức chính mà mô hình này phải đối mặt bao gồm:
Khó khăn trong việc đồng bộ và phân chia thiết bị: Khó khăn trong việc phối hợp thiết bị khác nhau, hiệu quả phân chia nhiệm vụ thấp
Nút thắt hiệu suất truyền thông: Giao tiếp mạng không ổn định, nút thắt đồng bộ độ dốc rõ ràng
Thiếu khả năng thực thi đáng tin cậy: Thiếu môi trường thực thi đáng tin cậy, khó xác minh xem nút có thực sự tham gia vào tính toán hay không.
Thiếu sự phối hợp thống nhất: không có bộ điều phối trung ương, phân phối nhiệm vụ, cơ chế quay lại bất thường phức tạp
Phi tập trung đào tạo có thể hiểu là: một nhóm tình nguyện viên toàn cầu, mỗi người đóng góp sức mạnh tính toán để hợp tác đào tạo mô hình, nhưng "đào tạo phi tập trung quy mô lớn thực sự khả thi" vẫn là một thách thức kỹ thuật hệ thống, liên quan đến kiến trúc hệ thống, giao thức truyền thông, bảo mật mật mã, cơ chế kinh tế, xác thực mô hình và nhiều cấp độ khác, nhưng khả năng "hợp tác hiệu quả + khuyến khích trung thực + kết quả đúng đắn" vẫn đang trong giai đoạn khám phá nguyên mẫu sớm.
Học liên bang, như một hình thức chuyển tiếp giữa phân tán và Phi tập trung, nhấn mạnh việc giữ lại dữ liệu tại địa phương và tập trung hợp nhất các tham số mô hình, phù hợp với các tình huống chú trọng đến tuân thủ quyền riêng tư như y tế, tài chính. Học liên bang có cấu trúc kỹ thuật của đào tạo phân tán và khả năng hợp tác cục bộ, đồng thời có lợi thế phân tán dữ liệu của đào tạo Phi tập trung, nhưng vẫn phụ thuộc vào các bên phối hợp đáng tin cậy, không có đặc tính hoàn toàn mở và kháng kiểm duyệt. Có thể coi đây là một giải pháp "Phi tập trung có kiểm soát" trong các tình huống tuân thủ quyền riêng tư, với nhiệm vụ đào tạo, cấu trúc niềm tin và cơ chế giao tiếp đều tương đối nhẹ nhàng, thích hợp hơn cho việc triển khai chuyển tiếp trong ngành công nghiệp.
Phi tập trung đào tạo các ranh giới, cơ hội và lộ trình thực tế
Từ góc độ phương thức đào tạo, Phi tập trung đào tạo không phù hợp với tất cả các loại nhiệm vụ. Trong một số tình huống, do cấu trúc nhiệm vụ phức tạp, nhu cầu tài nguyên cực kỳ cao hoặc khó khăn trong hợp tác, nó tự nhiên không phù hợp để hoàn thành hiệu quả giữa các nút không đồng nhất và không tin cậy. Ví dụ, đào tạo mô hình lớn thường phụ thuộc vào dung lượng bộ nhớ cao, độ trễ thấp và băng thông cao, khó có thể phân chia và đồng bộ hiệu quả trong mạng mở; nhiệm vụ có giới hạn về quyền riêng tư dữ liệu và chủ quyền mạnh như y tế, tài chính, dữ liệu mật ( bị hạn chế bởi quy định pháp lý và ràng buộc đạo đức, không thể chia sẻ công khai; trong khi nhiệm vụ thiếu động lực hợp tác như mô hình đóng nguồn của doanh nghiệp hoặc đào tạo nguyên mẫu nội bộ ) thì thiếu động lực tham gia từ bên ngoài. Những ranh giới này tạo thành những hạn chế thực tế hiện nay của việc đào tạo Phi tập trung.
Nhưng điều này không có nghĩa là đào tạo phi tập trung là một giả thuyết sai. Thực tế, trong các loại nhiệm vụ có cấu trúc nhẹ, dễ song song và có thể khuyến khích, đào tạo phi tập trung thể hiện triển vọng ứng dụng rõ ràng. Bao gồm nhưng không giới hạn: tinh chỉnh LoRA, các nhiệm vụ đào tạo sau hành vi như RLHF, DPO(, nhiệm vụ đào tạo và gán nhãn dữ liệu đa dạng, đào tạo mô hình cơ bản nhỏ có thể kiểm soát tài nguyên, cũng như các kịch bản đào tạo hợp tác có sự tham gia của thiết bị biên. Những nhiệm vụ này thường có tính song song cao, độ liên kết thấp và khả năng chịu đựng sức mạnh tính toán không đồng nhất, rất phù hợp để thực hiện đào tạo hợp tác thông qua mạng P2P, giao thức Swarm, bộ tối ưu phân tán và các phương thức khác.
![Crypto AI của thánh tích: Phi tập trung đào tạo khám phá tiên phong])https://img-cdn.gateio.im/webp-social/moments-adb92bc4dfbaf26863cb0b4bb1081cd7.webp(
Phi tập trung đào tạo các dự án kinh điển phân tích
Hiện tại, trong lĩnh vực đào tạo Phi tập trung và học liên bang, các dự án blockchain tiêu biểu bao gồm Prime Intellect, Pluralis.ai, Gensyn, Nous Research và Flock.io. Xét về tính đổi mới công nghệ và độ khó trong triển khai kỹ thuật, Prime Intellect, Nous Research và Pluralis.ai đã đưa ra nhiều khám phá sáng tạo trong thiết kế hệ thống và thuật toán, đại diện cho hướng nghiên cứu lý thuyết hiện tại; trong khi đó, con đường thực hiện của Gensyn và Flock.io tương đối rõ ràng, đã có thể nhìn thấy những tiến bộ ban đầu trong việc hiện thực hóa. Bài viết này sẽ lần lượt phân tích các công nghệ cốt lõi và kiến trúc kỹ thuật của năm dự án này, và khám phá thêm sự khác biệt và mối quan hệ bổ sung của chúng trong hệ thống đào tạo AI Phi tập trung.
) Prime Intellect: Huấn luyện lộ trình có thể xác minh của mạng hợp tác học tăng cường tiên phong
Prime Intellect cam kết xây dựng một mạng lưới đào tạo AI không cần tin cậy, cho phép bất kỳ ai cũng có thể tham gia đào tạo và nhận được phần thưởng đáng tin cậy cho những đóng góp tính toán của họ. Prime Intellect hy vọng thông qua ba mô-đun PRIME-RL + TOPLOC + SHARDCAST, xây dựng một hệ thống đào tạo AI Phi tập trung có tính xác minh, tính mở và cơ chế khuyến khích hoàn chỉnh.
(# 01、Cấu trúc ngăn xếp giao thức Prime Intellect và giá trị của các mô-đun chính
![Chén thánh của Crypto AI: Khám phá tiên phong trong đào tạo Phi tập trung])https://img-cdn.gateio.im/webp-social/moments-69eb6c2dab3d6284b890285c71e7a47f.webp(
)# 02、Giải thích chi tiết về cơ chế huấn luyện Prime Intellect
#PRIME-RL: Kiến trúc nhiệm vụ học tăng cường phi tập trung kiểu tách rời
PRIME-RL là khung mô hình và thực thi nhiệm vụ được Prime Intellect tùy chỉnh cho các kịch bản huấn luyện Phi tập trung, được thiết kế đặc biệt cho mạng lưới dị thể và sự tham gia không đồng bộ. Nó sử dụng học tăng cường làm đối tượng ưu tiên thích ứng, cấu trúc tách biệt quy trình huấn luyện, suy luận và tải lên trọng số, cho phép mỗi nút huấn luyện hoàn thành vòng lặp nhiệm vụ độc lập tại chỗ, và hợp tác với cơ chế xác thực và tổng hợp thông qua giao diện tiêu chuẩn hóa. So với quy trình học có giám sát truyền thống, PRIME-RL phù hợp hơn để thực hiện huấn luyện linh hoạt trong môi trường không có điều phối trung tâm, vừa giảm bớt độ phức tạp của hệ thống, vừa đặt nền tảng cho việc hỗ trợ đa nhiệm song song và tiến hóa chiến lược.
#TOPLOC:Cơ chế xác thực hành vi đào tạo nhẹ
TOPLOC###Quan sát đáng tin cậy & Kiểm tra địa phương### là cơ chế cốt lõi về khả năng xác minh được đưa ra bởi Prime Intellect, dùng để xác định xem một nút có thực sự hoàn thành việc học chiến lược hiệu quả dựa trên dữ liệu quan sát hay không. Khác với các giải pháp nặng như ZKML, TOPLOC không phụ thuộc vào việc tính toán lại toàn bộ mô hình, mà thông qua việc phân tích các quỹ đạo nhất quán cục bộ giữa "chuỗi quan sát ↔ cập nhật chiến lược", hoàn thành việc xác minh cấu trúc nhẹ. Nó lần đầu tiên chuyển đổi các quỹ đạo hành vi trong quá trình đào tạo thành các đối tượng có thể xác minh, là đổi mới quan trọng để thực hiện phân phối phần thưởng đào tạo mà không cần tin cậy, cung cấp con đường khả thi để xây dựng mạng lưới đào tạo hợp tác phi tập trung có thể kiểm toán và có thể khuyến khích.
#SHARDCAST: Giao thức tổng hợp và truyền tải trọng số không đồng bộ
SHARDCAST là giao thức truyền tải và tổng hợp trọng số được thiết kế bởi Prime Intellect, được tối ưu hóa đặc biệt cho môi trường mạng thực tế với tính phi tập trung, băng thông hạn chế và trạng thái nút thay đổi liên tục. Nó kết hợp cơ chế truyền tin gossip và chiến lược đồng bộ cục bộ, cho phép nhiều nút liên tục gửi cập nhật phần trong trạng thái không đồng bộ, đạt được sự hội tụ trọng số dần dần và sự tiến hóa đa phiên bản. So với các phương pháp AllReduce tập trung hoặc đồng bộ, SHARDCAST nâng cao đáng kể khả năng mở rộng và khả năng chịu lỗi của việc đào tạo phi tập trung, là nền tảng cốt lõi để xây dựng sự đồng thuận trọng số ổn định và quá trình đào tạo liên tục.
#OpenDiLoCo: Khung giao tiếp bất đồng bộ thưa thớt
OpenDiLoCo là một khung tối ưu hóa truyền thông được đội ngũ Prime Intellect độc lập thực hiện và mã nguồn mở dựa trên ý tưởng DiLoCo do DeepMind đưa ra, được thiết kế đặc biệt để đối phó với các thách thức như băng thông hạn chế, thiết bị không đồng nhất và độ ổn định của nút trong đào tạo phi tập trung. Kiến trúc của nó dựa trên sự song song dữ liệu, bằng cách xây dựng các cấu trúc topo thưa như Ring, Expander, Small-World, nó đã tránh được chi phí truyền thông cao của đồng bộ toàn cầu, chỉ phụ thuộc vào các nút láng giềng cục bộ để hoàn thành việc đào tạo hợp tác mô hình. Kết hợp với cập nhật không đồng bộ và cơ chế khôi phục điểm dừng, OpenDiLoCo cho phép GPU tiêu dùng và thiết bị biên cũng có thể tham gia ổn định vào các nhiệm vụ đào tạo, đáng kể nâng cao khả năng tham gia vào đào tạo hợp tác toàn cầu, là một trong những cơ sở hạ tầng truyền thông quan trọng để xây dựng mạng lưới đào tạo phi tập trung.
#PCCL: Thư viện Giao tiếp Hợp tác
PCCL(Prime Collective Communication Library) là thư viện truyền thông nhẹ được Prime Intellect thiết kế riêng cho môi trường đào tạo AI phi tập trung, nhằm giải quyết các nút thắt thích ứng của các thư viện truyền thông truyền thống### như NCCL, Gloo( trong các thiết bị không đồng nhất và mạng băng thông thấp. PCCL hỗ trợ topo thưa, nén gradient, đồng bộ độ chính xác thấp và phục hồi điểm dừng, có thể chạy trên GPU tiêu dùng và các nút không ổn định, là thành phần nền tảng hỗ trợ khả năng truyền thông bất đồng bộ của giao thức OpenDiLoCo. Nó nâng cao đáng kể độ dung thứ băng thông và khả năng tương thích thiết bị của mạng đào tạo, mở ra "km cuối" của cơ sở hạ tầng truyền thông cho việc xây dựng mạng đào tạo hợp tác thực sự mở và không cần tin cậy.
)# 03、Mạng khuyến khích Prime Intellect và phân công vai trò
Prime Intellect xây dựng một mạng lưới đào tạo không cần sự cho phép, có thể xác minh và có cơ chế kinh tế khuyến khích, cho phép bất kỳ ai tham gia vào nhiệm vụ và nhận phần thưởng dựa trên đóng góp thực sự. Giao thức hoạt động dựa trên ba loại vai trò cốt lõi:
Người khởi xướng nhiệm vụ: định nghĩa môi trường huấn luyện, mô hình ban đầu, hàm phần thưởng và tiêu chuẩn xác minh
Nút huấn luyện: thực hiện huấn luyện cục bộ, gửi cập nhật trọng số và theo dõi quan sát
Node xác thực: Sử dụng cơ chế TOPLOC để xác minh tính xác thực của hành vi đào tạo và tham gia tính toán phần thưởng cũng như tổng hợp chiến lược.
Quy trình cốt lõi của giao thức bao gồm việc phát hành nhiệm vụ, đào tạo nút, xác minh vết, tổng hợp trọng số (SHARDCAST) và phát thưởng, tạo thành một vòng khuyến khích xoay quanh "hành vi đào tạo thực".
04、INTELLECT-2: Phát hành mô hình đào tạo phi tập trung đầu tiên có thể xác minh
Prime Intellect đã phát hành INTELLECT-2 vào tháng 5 năm 2025, đây là mô hình học tăng cường lớn đầu tiên trên thế giới được đào tạo bởi các nút phi tập trung, không cần tin cậy và bất đồng bộ, với quy mô tham số đạt 32B. Mô hình INTELLECT-2 đã được hoàn thành thông qua việc hợp tác đào tạo của hơn 100 nút GPU dị thể trải rộng trên ba châu lục,
Trang này có thể chứa nội dung của bên thứ ba, được cung cấp chỉ nhằm mục đích thông tin (không phải là tuyên bố/bảo đảm) và không được coi là sự chứng thực cho quan điểm của Gate hoặc là lời khuyên về tài chính hoặc chuyên môn. Xem Tuyên bố từ chối trách nhiệm để biết chi tiết.
17 thích
Phần thưởng
17
4
Đăng lại
Chia sẻ
Bình luận
0/400
GasFeeVictim
· 08-13 18:22
Một dự án khác có khả năng là Rug Pull.
Xem bản gốcTrả lời0
TokenRationEater
· 08-13 05:29
Khả năng tính toán sắp làm cháy chiếc 3090 mới mua của tôi.
Xem bản gốcTrả lời0
SigmaBrain
· 08-13 05:05
mượt mà và hiểu biết có giá trị
Xem bản gốcTrả lời0
just_another_fish
· 08-13 05:02
Chúng ta sẽ luôn bị các ông lớn công nghệ bóc lột.
Phi tập trung AI đào tạo của những khám phá tiên phong: từ Prime Intellect đến INTELLECT-2
Chiếc cúp thánh của Crypto AI: Khám phá tiên phong trong đào tạo Phi tập trung
Trong toàn bộ chuỗi giá trị của AI, đào tạo mô hình là khâu tiêu tốn tài nguyên nhất và có rào cản kỹ thuật cao nhất, quyết định trực tiếp giới hạn năng lực của mô hình và hiệu quả ứng dụng thực tế. So với việc gọi nhẹ trong giai đoạn suy luận, quá trình đào tạo cần đầu tư sức mạnh tính toán quy mô lớn liên tục, quy trình xử lý dữ liệu phức tạp và hỗ trợ thuật toán tối ưu hóa cường độ cao, là "công nghiệp nặng" thực sự trong việc xây dựng hệ thống AI. Từ góc độ mô hình kiến trúc, phương pháp đào tạo có thể được chia thành bốn loại: đào tạo tập trung, đào tạo phân tán, học liên bang và đào tạo phi tập trung mà bài viết này sẽ tập trung thảo luận.
Đào tạo tập trung là phương pháp truyền thống phổ biến nhất, được thực hiện bởi một tổ chức duy nhất trong cụm hiệu suất cao tại địa phương, với toàn bộ quy trình đào tạo từ phần cứng, phần mềm nền tảng, hệ thống lập lịch cụm, đến tất cả các thành phần của khung đào tạo đều được điều phối và vận hành bởi một hệ thống kiểm soát thống nhất. Kiến trúc hợp tác sâu sắc này cho phép chia sẻ bộ nhớ, đồng bộ hóa gradient và cơ chế chịu lỗi hoạt động với hiệu suất tối ưu, rất thích hợp cho việc đào tạo các mô hình quy mô lớn như GPT, Gemini, có ưu điểm hiệu quả cao và tài nguyên có thể kiểm soát, nhưng đồng thời cũng tồn tại các vấn đề như độc quyền dữ liệu, rào cản tài nguyên, tiêu thụ năng lượng và rủi ro điểm đơn.
Huấn luyện phân tán là phương pháp chính trong huấn luyện mô hình lớn hiện nay, cốt lõi của nó là chia tách nhiệm vụ huấn luyện mô hình, phân phối đến nhiều máy tính để phối hợp thực hiện, nhằm vượt qua những hạn chế về tính toán và lưu trữ của máy đơn. Mặc dù về mặt vật lý có đặc điểm "Phi tập trung", nhưng tổng thể vẫn bị kiểm soát và điều phối bởi các tổ chức tập trung, thường hoạt động trong môi trường mạng cục bộ tốc độ cao, thông qua công nghệ bus liên kết tốc độ cao NVLink, do nút chính phối hợp các nhiệm vụ con. Các phương pháp chính bao gồm:
Đào tạo phân tán là sự kết hợp của "kiểm soát tập trung + thực thi phân tán", tương tự như một ông chủ điều hành từ xa nhiều nhân viên "văn phòng" phối hợp hoàn thành nhiệm vụ. Hiện nay, hầu hết các mô hình lớn chính (GPT-4, Gemini, LLaMA, v.v. ) đều được đào tạo theo cách này.
Phi tập trung đào tạo đại diện cho một con đường tương lai với tính mở rộng và khả năng chống kiểm duyệt cao hơn. Đặc điểm cốt lõi của nó là: nhiều nút không tin tưởng lẫn nhau ( có thể là máy tính gia đình, GPU đám mây hoặc thiết bị biên ) hợp tác hoàn thành nhiệm vụ đào tạo mà không cần điều phối viên trung tâm, thường thông qua giao thức điều phối phân phối nhiệm vụ và hợp tác, và nhờ vào cơ chế khuyến khích mã hóa để đảm bảo tính trung thực của sự đóng góp. Các thách thức chính mà mô hình này phải đối mặt bao gồm:
Phi tập trung đào tạo có thể hiểu là: một nhóm tình nguyện viên toàn cầu, mỗi người đóng góp sức mạnh tính toán để hợp tác đào tạo mô hình, nhưng "đào tạo phi tập trung quy mô lớn thực sự khả thi" vẫn là một thách thức kỹ thuật hệ thống, liên quan đến kiến trúc hệ thống, giao thức truyền thông, bảo mật mật mã, cơ chế kinh tế, xác thực mô hình và nhiều cấp độ khác, nhưng khả năng "hợp tác hiệu quả + khuyến khích trung thực + kết quả đúng đắn" vẫn đang trong giai đoạn khám phá nguyên mẫu sớm.
Học liên bang, như một hình thức chuyển tiếp giữa phân tán và Phi tập trung, nhấn mạnh việc giữ lại dữ liệu tại địa phương và tập trung hợp nhất các tham số mô hình, phù hợp với các tình huống chú trọng đến tuân thủ quyền riêng tư như y tế, tài chính. Học liên bang có cấu trúc kỹ thuật của đào tạo phân tán và khả năng hợp tác cục bộ, đồng thời có lợi thế phân tán dữ liệu của đào tạo Phi tập trung, nhưng vẫn phụ thuộc vào các bên phối hợp đáng tin cậy, không có đặc tính hoàn toàn mở và kháng kiểm duyệt. Có thể coi đây là một giải pháp "Phi tập trung có kiểm soát" trong các tình huống tuân thủ quyền riêng tư, với nhiệm vụ đào tạo, cấu trúc niềm tin và cơ chế giao tiếp đều tương đối nhẹ nhàng, thích hợp hơn cho việc triển khai chuyển tiếp trong ngành công nghiệp.
Phi tập trung đào tạo các ranh giới, cơ hội và lộ trình thực tế
Từ góc độ phương thức đào tạo, Phi tập trung đào tạo không phù hợp với tất cả các loại nhiệm vụ. Trong một số tình huống, do cấu trúc nhiệm vụ phức tạp, nhu cầu tài nguyên cực kỳ cao hoặc khó khăn trong hợp tác, nó tự nhiên không phù hợp để hoàn thành hiệu quả giữa các nút không đồng nhất và không tin cậy. Ví dụ, đào tạo mô hình lớn thường phụ thuộc vào dung lượng bộ nhớ cao, độ trễ thấp và băng thông cao, khó có thể phân chia và đồng bộ hiệu quả trong mạng mở; nhiệm vụ có giới hạn về quyền riêng tư dữ liệu và chủ quyền mạnh như y tế, tài chính, dữ liệu mật ( bị hạn chế bởi quy định pháp lý và ràng buộc đạo đức, không thể chia sẻ công khai; trong khi nhiệm vụ thiếu động lực hợp tác như mô hình đóng nguồn của doanh nghiệp hoặc đào tạo nguyên mẫu nội bộ ) thì thiếu động lực tham gia từ bên ngoài. Những ranh giới này tạo thành những hạn chế thực tế hiện nay của việc đào tạo Phi tập trung.
Nhưng điều này không có nghĩa là đào tạo phi tập trung là một giả thuyết sai. Thực tế, trong các loại nhiệm vụ có cấu trúc nhẹ, dễ song song và có thể khuyến khích, đào tạo phi tập trung thể hiện triển vọng ứng dụng rõ ràng. Bao gồm nhưng không giới hạn: tinh chỉnh LoRA, các nhiệm vụ đào tạo sau hành vi như RLHF, DPO(, nhiệm vụ đào tạo và gán nhãn dữ liệu đa dạng, đào tạo mô hình cơ bản nhỏ có thể kiểm soát tài nguyên, cũng như các kịch bản đào tạo hợp tác có sự tham gia của thiết bị biên. Những nhiệm vụ này thường có tính song song cao, độ liên kết thấp và khả năng chịu đựng sức mạnh tính toán không đồng nhất, rất phù hợp để thực hiện đào tạo hợp tác thông qua mạng P2P, giao thức Swarm, bộ tối ưu phân tán và các phương thức khác.
![Crypto AI của thánh tích: Phi tập trung đào tạo khám phá tiên phong])https://img-cdn.gateio.im/webp-social/moments-adb92bc4dfbaf26863cb0b4bb1081cd7.webp(
Phi tập trung đào tạo các dự án kinh điển phân tích
Hiện tại, trong lĩnh vực đào tạo Phi tập trung và học liên bang, các dự án blockchain tiêu biểu bao gồm Prime Intellect, Pluralis.ai, Gensyn, Nous Research và Flock.io. Xét về tính đổi mới công nghệ và độ khó trong triển khai kỹ thuật, Prime Intellect, Nous Research và Pluralis.ai đã đưa ra nhiều khám phá sáng tạo trong thiết kế hệ thống và thuật toán, đại diện cho hướng nghiên cứu lý thuyết hiện tại; trong khi đó, con đường thực hiện của Gensyn và Flock.io tương đối rõ ràng, đã có thể nhìn thấy những tiến bộ ban đầu trong việc hiện thực hóa. Bài viết này sẽ lần lượt phân tích các công nghệ cốt lõi và kiến trúc kỹ thuật của năm dự án này, và khám phá thêm sự khác biệt và mối quan hệ bổ sung của chúng trong hệ thống đào tạo AI Phi tập trung.
) Prime Intellect: Huấn luyện lộ trình có thể xác minh của mạng hợp tác học tăng cường tiên phong
Prime Intellect cam kết xây dựng một mạng lưới đào tạo AI không cần tin cậy, cho phép bất kỳ ai cũng có thể tham gia đào tạo và nhận được phần thưởng đáng tin cậy cho những đóng góp tính toán của họ. Prime Intellect hy vọng thông qua ba mô-đun PRIME-RL + TOPLOC + SHARDCAST, xây dựng một hệ thống đào tạo AI Phi tập trung có tính xác minh, tính mở và cơ chế khuyến khích hoàn chỉnh.
(# 01、Cấu trúc ngăn xếp giao thức Prime Intellect và giá trị của các mô-đun chính
![Chén thánh của Crypto AI: Khám phá tiên phong trong đào tạo Phi tập trung])https://img-cdn.gateio.im/webp-social/moments-69eb6c2dab3d6284b890285c71e7a47f.webp(
)# 02、Giải thích chi tiết về cơ chế huấn luyện Prime Intellect
#PRIME-RL: Kiến trúc nhiệm vụ học tăng cường phi tập trung kiểu tách rời
PRIME-RL là khung mô hình và thực thi nhiệm vụ được Prime Intellect tùy chỉnh cho các kịch bản huấn luyện Phi tập trung, được thiết kế đặc biệt cho mạng lưới dị thể và sự tham gia không đồng bộ. Nó sử dụng học tăng cường làm đối tượng ưu tiên thích ứng, cấu trúc tách biệt quy trình huấn luyện, suy luận và tải lên trọng số, cho phép mỗi nút huấn luyện hoàn thành vòng lặp nhiệm vụ độc lập tại chỗ, và hợp tác với cơ chế xác thực và tổng hợp thông qua giao diện tiêu chuẩn hóa. So với quy trình học có giám sát truyền thống, PRIME-RL phù hợp hơn để thực hiện huấn luyện linh hoạt trong môi trường không có điều phối trung tâm, vừa giảm bớt độ phức tạp của hệ thống, vừa đặt nền tảng cho việc hỗ trợ đa nhiệm song song và tiến hóa chiến lược.
#TOPLOC:Cơ chế xác thực hành vi đào tạo nhẹ
TOPLOC###Quan sát đáng tin cậy & Kiểm tra địa phương### là cơ chế cốt lõi về khả năng xác minh được đưa ra bởi Prime Intellect, dùng để xác định xem một nút có thực sự hoàn thành việc học chiến lược hiệu quả dựa trên dữ liệu quan sát hay không. Khác với các giải pháp nặng như ZKML, TOPLOC không phụ thuộc vào việc tính toán lại toàn bộ mô hình, mà thông qua việc phân tích các quỹ đạo nhất quán cục bộ giữa "chuỗi quan sát ↔ cập nhật chiến lược", hoàn thành việc xác minh cấu trúc nhẹ. Nó lần đầu tiên chuyển đổi các quỹ đạo hành vi trong quá trình đào tạo thành các đối tượng có thể xác minh, là đổi mới quan trọng để thực hiện phân phối phần thưởng đào tạo mà không cần tin cậy, cung cấp con đường khả thi để xây dựng mạng lưới đào tạo hợp tác phi tập trung có thể kiểm toán và có thể khuyến khích.
#SHARDCAST: Giao thức tổng hợp và truyền tải trọng số không đồng bộ
SHARDCAST là giao thức truyền tải và tổng hợp trọng số được thiết kế bởi Prime Intellect, được tối ưu hóa đặc biệt cho môi trường mạng thực tế với tính phi tập trung, băng thông hạn chế và trạng thái nút thay đổi liên tục. Nó kết hợp cơ chế truyền tin gossip và chiến lược đồng bộ cục bộ, cho phép nhiều nút liên tục gửi cập nhật phần trong trạng thái không đồng bộ, đạt được sự hội tụ trọng số dần dần và sự tiến hóa đa phiên bản. So với các phương pháp AllReduce tập trung hoặc đồng bộ, SHARDCAST nâng cao đáng kể khả năng mở rộng và khả năng chịu lỗi của việc đào tạo phi tập trung, là nền tảng cốt lõi để xây dựng sự đồng thuận trọng số ổn định và quá trình đào tạo liên tục.
#OpenDiLoCo: Khung giao tiếp bất đồng bộ thưa thớt
OpenDiLoCo là một khung tối ưu hóa truyền thông được đội ngũ Prime Intellect độc lập thực hiện và mã nguồn mở dựa trên ý tưởng DiLoCo do DeepMind đưa ra, được thiết kế đặc biệt để đối phó với các thách thức như băng thông hạn chế, thiết bị không đồng nhất và độ ổn định của nút trong đào tạo phi tập trung. Kiến trúc của nó dựa trên sự song song dữ liệu, bằng cách xây dựng các cấu trúc topo thưa như Ring, Expander, Small-World, nó đã tránh được chi phí truyền thông cao của đồng bộ toàn cầu, chỉ phụ thuộc vào các nút láng giềng cục bộ để hoàn thành việc đào tạo hợp tác mô hình. Kết hợp với cập nhật không đồng bộ và cơ chế khôi phục điểm dừng, OpenDiLoCo cho phép GPU tiêu dùng và thiết bị biên cũng có thể tham gia ổn định vào các nhiệm vụ đào tạo, đáng kể nâng cao khả năng tham gia vào đào tạo hợp tác toàn cầu, là một trong những cơ sở hạ tầng truyền thông quan trọng để xây dựng mạng lưới đào tạo phi tập trung.
#PCCL: Thư viện Giao tiếp Hợp tác
PCCL(Prime Collective Communication Library) là thư viện truyền thông nhẹ được Prime Intellect thiết kế riêng cho môi trường đào tạo AI phi tập trung, nhằm giải quyết các nút thắt thích ứng của các thư viện truyền thông truyền thống### như NCCL, Gloo( trong các thiết bị không đồng nhất và mạng băng thông thấp. PCCL hỗ trợ topo thưa, nén gradient, đồng bộ độ chính xác thấp và phục hồi điểm dừng, có thể chạy trên GPU tiêu dùng và các nút không ổn định, là thành phần nền tảng hỗ trợ khả năng truyền thông bất đồng bộ của giao thức OpenDiLoCo. Nó nâng cao đáng kể độ dung thứ băng thông và khả năng tương thích thiết bị của mạng đào tạo, mở ra "km cuối" của cơ sở hạ tầng truyền thông cho việc xây dựng mạng đào tạo hợp tác thực sự mở và không cần tin cậy.
)# 03、Mạng khuyến khích Prime Intellect và phân công vai trò
Prime Intellect xây dựng một mạng lưới đào tạo không cần sự cho phép, có thể xác minh và có cơ chế kinh tế khuyến khích, cho phép bất kỳ ai tham gia vào nhiệm vụ và nhận phần thưởng dựa trên đóng góp thực sự. Giao thức hoạt động dựa trên ba loại vai trò cốt lõi:
Quy trình cốt lõi của giao thức bao gồm việc phát hành nhiệm vụ, đào tạo nút, xác minh vết, tổng hợp trọng số (SHARDCAST) và phát thưởng, tạo thành một vòng khuyến khích xoay quanh "hành vi đào tạo thực".
04、INTELLECT-2: Phát hành mô hình đào tạo phi tập trung đầu tiên có thể xác minh
Prime Intellect đã phát hành INTELLECT-2 vào tháng 5 năm 2025, đây là mô hình học tăng cường lớn đầu tiên trên thế giới được đào tạo bởi các nút phi tập trung, không cần tin cậy và bất đồng bộ, với quy mô tham số đạt 32B. Mô hình INTELLECT-2 đã được hoàn thành thông qua việc hợp tác đào tạo của hơn 100 nút GPU dị thể trải rộng trên ba châu lục,