El santo grial de Crypto AI: exploración en la vanguardia del entrenamiento Descentralización
En toda la cadena de valor de la IA, el entrenamiento de modelos es el eslabón que más recursos consume y el que tiene la mayor barrera técnica, determinando directamente el límite de capacidad del modelo y el efecto práctico de la aplicación. En comparación con la llamada ligera en la fase de inferencia, el proceso de entrenamiento requiere una inversión continua de potencia computacional a gran escala, un complejo proceso de manejo de datos y soporte de algoritmos de optimización de alta intensidad, siendo la verdadera "industria pesada" en la construcción de sistemas de IA. Desde la perspectiva del paradigma arquitectónico, los métodos de entrenamiento se pueden clasificar en cuatro categorías: entrenamiento centralizado, entrenamiento distribuido, aprendizaje federado y el entrenamiento de Descentralización que se discute en este artículo.
El entrenamiento centralizado es la forma tradicional más común, realizado por una única entidad dentro de un clúster local de alto rendimiento, completando todo el proceso de entrenamiento, desde el hardware, el software de base, el sistema de programación del clúster, hasta todos los componentes del marco de entrenamiento, todos coordinados por un sistema de control unificado. Esta arquitectura de profunda colaboración optimiza la eficiencia de la compartición de memoria, la sincronización de gradientes y los mecanismos de tolerancia a fallos, siendo muy adecuada para el entrenamiento de modelos a gran escala como GPT y Gemini, con ventajas de alta eficiencia y control de recursos, pero al mismo tiempo presenta problemas de monopolio de datos, barreras de recursos, consumo de energía y riesgos de un solo punto.
El entrenamiento distribuido es el enfoque principal para el entrenamiento de grandes modelos en la actualidad, y su núcleo es descomponer las tareas de entrenamiento del modelo y distribuirlas a múltiples máquinas para que trabajen de manera colaborativa, con el fin de superar las limitaciones de cálculo y almacenamiento de una sola máquina. A pesar de que físicamente tiene características de "descentralización", en general sigue siendo controlado y programado por una institución centralizada, funcionando comúnmente en un entorno de red local de alta velocidad, a través de la tecnología de bus de interconexión de alta velocidad NVLink, con un nodo principal que coordina uniformemente las subtareas. Los métodos principales incluyen:
Paralelismo de datos: cada nodo entrena diferentes datos con parámetros compartidos, se necesita coincidir los pesos del modelo
Paralelismo de modelos: implementar diferentes partes del modelo en diferentes nodos, logrando una gran escalabilidad
Paralelismo de tuberías: ejecución en serie por fases, mejora de la tasa de procesamiento
Paralelismo de tensores: segmentación refinada del cálculo de matrices, mejorando la granularidad de la paralelización
El entrenamiento distribuido es una combinación de "control centralizado + ejecución distribuida", análogo a un mismo jefe que dirige remotamente la colaboración de varios empleados de "oficinas" para completar tareas. Actualmente, casi todos los modelos grandes de vanguardia se entrenan de esta manera.
La Descentralización en el entrenamiento representa un camino futuro más abierto y resistente a la censura. Su característica central radica en: múltiples nodos que no se fían entre sí colaboran en la realización de tareas de entrenamiento sin un coordinador central, generalmente a través de protocolos que impulsan la distribución y colaboración de tareas, y utilizando mecanismos de incentivos criptográficos para asegurar la honestidad de las contribuciones. Los principales desafíos que enfrenta este modelo incluyen:
Dificultades en la heterogeneidad de dispositivos y segmentación: alta dificultad para coordinar dispositivos heterogéneos, baja eficiencia en la segmentación de tareas.
Cuello de botella en la eficiencia de la comunicación: la comunicación de la red es inestable, el cuello de botella en la sincronización del gradiente es evidente
Falta de ejecución confiable: falta de un entorno de ejecución confiable, lo que dificulta verificar si los nodos realmente participan en el cálculo.
Falta de coordinación unificada: sin un despachador central, la distribución de tareas y el mecanismo de retroceso de excepciones son complejos.
La formación en Descentralización puede entenderse como: un grupo de voluntarios de todo el mundo que contribuyen con su potencia de cálculo para entrenar el modelo de manera colaborativa, pero "la verdadera Descentralización a gran escala que es factible" sigue siendo un desafío de ingeniería sistémica, que involucra múltiples niveles como la arquitectura del sistema, protocolos de comunicación, seguridad criptográfica, mecanismos económicos, validación del modelo, entre otros. Sin embargo, si se puede lograr "colaboración efectiva + incentivos para la honestidad + resultados correctos" aún se encuentra en una etapa temprana de exploración de prototipos.
El aprendizaje federado, como una forma de transición entre distribuido y Descentralización, enfatiza la retención local de datos y la agregación centralizada de parámetros del modelo, siendo adecuado para escenarios que priorizan el cumplimiento de la privacidad. El aprendizaje federado posee la estructura de ingeniería del entrenamiento distribuido y la capacidad de colaboración local, al mismo tiempo que cuenta con la ventaja de la dispersión de datos del entrenamiento Descentralización, pero aún depende de un coordinador de confianza y no tiene características completamente abiertas y resistentes a la censura. Se puede considerar como una solución de "Descentralización controlada" en escenarios de cumplimiento de la privacidad, siendo relativamente moderado en tareas de entrenamiento, estructuras de confianza y mecanismos de comunicación, y siendo más adecuado como una arquitectura de despliegue transitoria en la industria.
Descentralización entrenamiento de los límites, oportunidades y rutas reales
Desde la perspectiva del paradigma de entrenamiento, la Descentralización del entrenamiento no es adecuada para todos los tipos de tareas. En ciertos escenarios, debido a la complejidad de la estructura de la tarea, la alta demanda de recursos o la dificultad de colaboración, no es inherentemente adecuada para completarse de manera eficiente entre nodos heterogéneos y de confianza. Por ejemplo, el entrenamiento de modelos grandes a menudo depende de alta memoria, baja latencia y ancho de banda rápido, lo que dificulta su segmentación y sincronización efectivas en una red abierta; las tareas con fuertes restricciones de privacidad de datos y soberanía están limitadas por el cumplimiento legal y las restricciones éticas, lo que impide la apertura y el intercambio; y las tareas que carecen de incentivos de colaboración no tienen motivación externa para la participación. Estas fronteras constituyen las limitaciones reales del entrenamiento descentralizado en la actualidad.
Pero esto no significa que el entrenamiento descentralizado sea un pseudoconcepto. De hecho, en tipos de tareas que son ligeras en estructura, fáciles de paralelizar y que pueden ser incentivadas, el entrenamiento descentralizado muestra perspectivas de aplicación claras. Incluyendo, pero no limitado a: ajuste fino de LoRA, tareas posteriores de alineación de comportamiento, entrenamiento y etiquetado de datos a través de crowdsourcing, entrenamiento de modelos básicos pequeños con recursos controlables, así como escenarios de entrenamiento colaborativo que implican dispositivos de borde. Estas tareas generalmente poseen características de alta paralelización, baja acoplamiento y tolerancia a la heterogeneidad de potencia de cálculo, lo que las hace muy adecuadas para llevar a cabo el entrenamiento colaborativo a través de redes P2P, protocolos Swarm, optimizadores distribuidos, entre otros.
Actualmente, en el campo de vanguardia del entrenamiento descentralizado y el aprendizaje federado, los proyectos de blockchain más representativos incluyen Prime Intellect, Pluralis.ai, Gensyn, Nous Research y Flock.io. Desde la perspectiva de la innovación técnica y la dificultad de implementación ingenieril, Prime Intellect, Nous Research y Pluralis.ai han propuesto numerosas exploraciones originales en la arquitectura del sistema y el diseño de algoritmos, representando las direcciones de vanguardia de la investigación teórica actual; mientras que los caminos de implementación de Gensyn y Flock.io son relativamente claros, ya se pueden observar avances iniciales en la ingeniería. Este artículo analizará sucesivamente las tecnologías centrales y las arquitecturas ingenieriles detrás de estos cinco proyectos, y explorará además sus diferencias y relaciones complementarias en el sistema de entrenamiento de IA descentralizada.
Prime Intellect: Pionero de redes de colaboración de aprendizaje reforzado verificables en trayectoria de entrenamiento
Prime Intellect se dedica a construir una red de entrenamiento de IA sin necesidad de confianza, permitiendo que cualquier persona participe en el entrenamiento y reciba recompensas confiables por sus contribuciones computacionales. Prime Intellect espera construir un sistema de entrenamiento de IA descentralizado que sea verificable, abierto y con un mecanismo de incentivos completo a través de los tres módulos PRIME-RL + TOPLOC + SHARDCAST.
01、Estructura del stack de protocolos Prime Intellect y valor de los módulos clave
02, Explicación detallada del mecanismo clave de entrenamiento de Prime Intellect
PRIME-RL: Arquitectura de tareas de aprendizaje reforzado asíncrono desacoplado
PRIME-RL es un marco de modelado y ejecución de tareas personalizado por Prime Intellect para escenarios de Descentralización, diseñado específicamente para redes heterogéneas y participación asíncrona. Utiliza el aprendizaje por refuerzo como objeto de adaptación prioritaria, desacoplando estructuralmente el proceso de entrenamiento, inferencia y carga de pesos, lo que permite que cada nodo de entrenamiento complete el ciclo de tareas de manera independiente en local y colabore a través de interfaces estandarizadas con mecanismos de validación y agregación. En comparación con los procesos de aprendizaje supervisado tradicionales, PRIME-RL es más adecuado para implementar entrenamiento flexible en entornos sin programación central, lo que reduce la complejidad del sistema y sienta las bases para respaldar la paralelización de múltiples tareas y la evolución de estrategias.
TOPLOC: mecanismo de verificación de comportamiento de entrenamiento ligero
TOPLOC es un mecanismo central de verificabilidad de entrenamiento propuesto por Prime Intellect, utilizado para determinar si un nodo realmente ha completado un aprendizaje de estrategia efectivo basado en datos de observación. A diferencia de soluciones pesadas como ZKML, TOPLOC no depende del recálculo de todo el modelo, sino que completa la verificación de estructura liviana analizando la trayectoria de consistencia local entre "secuencias de observación ↔ actualización de estrategia". Por primera vez, convierte las trayectorias de comportamiento durante el proceso de entrenamiento en objetos verificables, lo que es una innovación clave para lograr una distribución de recompensas de entrenamiento sin necesidad de confianza, proporcionando un camino viable para construir una red de entrenamiento colaborativo descentralizada que sea auditable e incentivadora.
SHARDCAST: Protocolo de agregación y propagación de pesos asíncronos
SHARDCAST es un protocolo de propagación y agregación de pesos diseñado por Prime Intellect, optimizado para entornos de red reales que son asíncronos, tienen limitaciones de ancho de banda y estados de nodo variables. Combina un mecanismo de propagación gossip con estrategias de sincronización local, permitiendo que múltiples nodos continúen enviando actualizaciones parciales en estados desincronizados, logrando una convergencia progresiva de pesos y una evolución de múltiples versiones. En comparación con los métodos AllReduce centralizados o síncronos, SHARDCAST mejora significativamente la escalabilidad y la tolerancia a fallos del entrenamiento descentralizado, siendo la base fundamental para construir un consenso de pesos estable y una iteración de entrenamiento continua.
OpenDiLoCo: Marco de comunicación asíncrona dispersa
OpenDiLoCo es un marco de optimización de comunicación independiente implementado y de código abierto por el equipo de Prime Intellect, basado en el concepto DiLoCo propuesto por DeepMind. Está diseñado específicamente para abordar los desafíos comunes en el entrenamiento descentralizado, como la limitación de ancho de banda, la heterogeneidad de dispositivos y la inestabilidad de nodos. Su arquitectura se basa en la paralelización de datos, construyendo estructuras topológicas dispersas como Ring, Expander y Small-World, lo que evita el alto costo de comunicación de la sincronización global y permite completar el entrenamiento colaborativo del modelo confiando únicamente en los nodos vecinos locales. Combinando actualizaciones asíncronas y mecanismos de tolerancia a fallos, OpenDiLoCo permite que GPUs de consumo y dispositivos de borde participen de manera estable en tareas de entrenamiento, mejorando significativamente la participación en el entrenamiento colaborativo global, y es una de las infraestructuras de comunicación clave para construir redes de entrenamiento descentralizadas.
PCCL: Biblioteca de comunicación colaborativa
PCCL es una biblioteca de comunicación ligera diseñada a medida por Prime Intellect para entornos de entrenamiento de IA Descentralización, con el objetivo de resolver el cuello de botella de adaptación en dispositivos heterogéneos y redes de baja capacidad. PCCL soporta topologías dispersas, compresión de gradientes, sincronización de baja precisión y recuperación de puntos de control, y puede funcionar en GPU de consumo y nodos inestables, siendo un componente fundamental que respalda la capacidad de comunicación asíncrona del protocolo OpenDiLoCo. Mejora significativamente la tolerancia al ancho de banda de la red de entrenamiento y la compatibilidad de los dispositivos, abriendo la "última milla" de la infraestructura de comunicación para construir una red de entrenamiento colaborativo verdaderamente abierta y sin necesidad de confianza.
03、Prime Intellect red de incentivos y división de roles
Prime Intellect ha construido una red de entrenamiento sin permisos, verificable y con un mecanismo de incentivos económicos, que permite a cualquier persona participar en tareas y recibir recompensas basadas en contribuciones reales. El protocolo opera basado en tres tipos de roles centrales:
Iniciador de la tarea: definir el entorno de entrenamiento, el modelo inicial, la función de recompensa y los criterios de validación
Nodo de entrenamiento: ejecutar entrenamiento local, enviar actualizaciones de pesos y trayectorias de observación
Nodos de validación: utilizar el mecanismo TOPLOC para verificar la autenticidad del comportamiento de entrenamiento y participar en el cálculo de recompensas y la agregación de estrategias.
El proceso central del protocolo incluye la publicación de tareas, el entrenamiento de nodos, la verificación de trayectorias, la agregación de pesos y la distribución de recompensas, formando un ciclo de incentivos en torno a "comportamientos de entrenamiento reales".
04、INTELLECT-2: Publicación del primer modelo de entrenamiento descentralizado verificable
Prime Intellect lanzó INTELLECT-2 en mayo de 2025, que es el primer gran modelo de aprendizaje reforzado del mundo entrenado mediante la colaboración de nodos descentralizados asíncronos y sin confianza, con un tamaño de parámetros de 32B. El modelo INTELLECT-2 fue completado por más de 100 nodos heterogéneos GPU distribuidos en tres continentes, utilizando una arquitectura completamente asíncrona, con un tiempo de entrenamiento de más de 400 horas, demostrando la viabilidad y estabilidad de la red de colaboración asíncrona. Este modelo no solo representa un avance en el rendimiento, sino que también es la primera implementación sistemática del paradigma de "entrenamiento es consenso" propuesto por Prime Intellect. INTELLECT-2 integra módulos de protocolo centrales como PRIME-RL, TOPLOC y SHARDCAST, marcando la primera vez que la red de entrenamiento descentralizada logra entrenar.
Esta página puede contener contenido de terceros, que se proporciona únicamente con fines informativos (sin garantías ni declaraciones) y no debe considerarse como un respaldo por parte de Gate a las opiniones expresadas ni como asesoramiento financiero o profesional. Consulte el Descargo de responsabilidad para obtener más detalles.
17 me gusta
Recompensa
17
9
Compartir
Comentar
0/400
GasFeeCrying
· 07-09 05:26
¿Qué industria pesada, si no es amontonar tarjetas gráficas?
Ver originalesResponder0
WagmiWarrior
· 07-08 05:48
Esto es el pow versión AI, ¿verdad?
Ver originalesResponder0
MEVSandwichVictim
· 07-07 10:38
¿炒概念 de nuevo, para qué sirve?
Ver originalesResponder0
TradFiRefugee
· 07-06 14:34
¿Estás loco?
Ver originalesResponder0
DefiSecurityGuard
· 07-06 14:33
bandera roja: entrenamiento centralizado = punto único de falla. smh ante estos riesgos de seguridad...
Ver originalesResponder0
RooftopReserver
· 07-06 14:28
Datos de minería, refugiados, ¡echa un vistazo!～
Ver originalesResponder0
EthSandwichHero
· 07-06 14:28
¿Eh, este círculo ya ha empezado a involucrarse con la IA?
Exploración de vanguardia en el entrenamiento de IA Descentralización: de la centralización a los innovadores avances de Prime Intellect
El santo grial de Crypto AI: exploración en la vanguardia del entrenamiento Descentralización
En toda la cadena de valor de la IA, el entrenamiento de modelos es el eslabón que más recursos consume y el que tiene la mayor barrera técnica, determinando directamente el límite de capacidad del modelo y el efecto práctico de la aplicación. En comparación con la llamada ligera en la fase de inferencia, el proceso de entrenamiento requiere una inversión continua de potencia computacional a gran escala, un complejo proceso de manejo de datos y soporte de algoritmos de optimización de alta intensidad, siendo la verdadera "industria pesada" en la construcción de sistemas de IA. Desde la perspectiva del paradigma arquitectónico, los métodos de entrenamiento se pueden clasificar en cuatro categorías: entrenamiento centralizado, entrenamiento distribuido, aprendizaje federado y el entrenamiento de Descentralización que se discute en este artículo.
El entrenamiento centralizado es la forma tradicional más común, realizado por una única entidad dentro de un clúster local de alto rendimiento, completando todo el proceso de entrenamiento, desde el hardware, el software de base, el sistema de programación del clúster, hasta todos los componentes del marco de entrenamiento, todos coordinados por un sistema de control unificado. Esta arquitectura de profunda colaboración optimiza la eficiencia de la compartición de memoria, la sincronización de gradientes y los mecanismos de tolerancia a fallos, siendo muy adecuada para el entrenamiento de modelos a gran escala como GPT y Gemini, con ventajas de alta eficiencia y control de recursos, pero al mismo tiempo presenta problemas de monopolio de datos, barreras de recursos, consumo de energía y riesgos de un solo punto.
El entrenamiento distribuido es el enfoque principal para el entrenamiento de grandes modelos en la actualidad, y su núcleo es descomponer las tareas de entrenamiento del modelo y distribuirlas a múltiples máquinas para que trabajen de manera colaborativa, con el fin de superar las limitaciones de cálculo y almacenamiento de una sola máquina. A pesar de que físicamente tiene características de "descentralización", en general sigue siendo controlado y programado por una institución centralizada, funcionando comúnmente en un entorno de red local de alta velocidad, a través de la tecnología de bus de interconexión de alta velocidad NVLink, con un nodo principal que coordina uniformemente las subtareas. Los métodos principales incluyen:
El entrenamiento distribuido es una combinación de "control centralizado + ejecución distribuida", análogo a un mismo jefe que dirige remotamente la colaboración de varios empleados de "oficinas" para completar tareas. Actualmente, casi todos los modelos grandes de vanguardia se entrenan de esta manera.
La Descentralización en el entrenamiento representa un camino futuro más abierto y resistente a la censura. Su característica central radica en: múltiples nodos que no se fían entre sí colaboran en la realización de tareas de entrenamiento sin un coordinador central, generalmente a través de protocolos que impulsan la distribución y colaboración de tareas, y utilizando mecanismos de incentivos criptográficos para asegurar la honestidad de las contribuciones. Los principales desafíos que enfrenta este modelo incluyen:
La formación en Descentralización puede entenderse como: un grupo de voluntarios de todo el mundo que contribuyen con su potencia de cálculo para entrenar el modelo de manera colaborativa, pero "la verdadera Descentralización a gran escala que es factible" sigue siendo un desafío de ingeniería sistémica, que involucra múltiples niveles como la arquitectura del sistema, protocolos de comunicación, seguridad criptográfica, mecanismos económicos, validación del modelo, entre otros. Sin embargo, si se puede lograr "colaboración efectiva + incentivos para la honestidad + resultados correctos" aún se encuentra en una etapa temprana de exploración de prototipos.
El aprendizaje federado, como una forma de transición entre distribuido y Descentralización, enfatiza la retención local de datos y la agregación centralizada de parámetros del modelo, siendo adecuado para escenarios que priorizan el cumplimiento de la privacidad. El aprendizaje federado posee la estructura de ingeniería del entrenamiento distribuido y la capacidad de colaboración local, al mismo tiempo que cuenta con la ventaja de la dispersión de datos del entrenamiento Descentralización, pero aún depende de un coordinador de confianza y no tiene características completamente abiertas y resistentes a la censura. Se puede considerar como una solución de "Descentralización controlada" en escenarios de cumplimiento de la privacidad, siendo relativamente moderado en tareas de entrenamiento, estructuras de confianza y mecanismos de comunicación, y siendo más adecuado como una arquitectura de despliegue transitoria en la industria.
Descentralización entrenamiento de los límites, oportunidades y rutas reales
Desde la perspectiva del paradigma de entrenamiento, la Descentralización del entrenamiento no es adecuada para todos los tipos de tareas. En ciertos escenarios, debido a la complejidad de la estructura de la tarea, la alta demanda de recursos o la dificultad de colaboración, no es inherentemente adecuada para completarse de manera eficiente entre nodos heterogéneos y de confianza. Por ejemplo, el entrenamiento de modelos grandes a menudo depende de alta memoria, baja latencia y ancho de banda rápido, lo que dificulta su segmentación y sincronización efectivas en una red abierta; las tareas con fuertes restricciones de privacidad de datos y soberanía están limitadas por el cumplimiento legal y las restricciones éticas, lo que impide la apertura y el intercambio; y las tareas que carecen de incentivos de colaboración no tienen motivación externa para la participación. Estas fronteras constituyen las limitaciones reales del entrenamiento descentralizado en la actualidad.
Pero esto no significa que el entrenamiento descentralizado sea un pseudoconcepto. De hecho, en tipos de tareas que son ligeras en estructura, fáciles de paralelizar y que pueden ser incentivadas, el entrenamiento descentralizado muestra perspectivas de aplicación claras. Incluyendo, pero no limitado a: ajuste fino de LoRA, tareas posteriores de alineación de comportamiento, entrenamiento y etiquetado de datos a través de crowdsourcing, entrenamiento de modelos básicos pequeños con recursos controlables, así como escenarios de entrenamiento colaborativo que implican dispositivos de borde. Estas tareas generalmente poseen características de alta paralelización, baja acoplamiento y tolerancia a la heterogeneidad de potencia de cálculo, lo que las hace muy adecuadas para llevar a cabo el entrenamiento colaborativo a través de redes P2P, protocolos Swarm, optimizadores distribuidos, entre otros.
Descentralización entrenamiento clásico proyectos análisis
Actualmente, en el campo de vanguardia del entrenamiento descentralizado y el aprendizaje federado, los proyectos de blockchain más representativos incluyen Prime Intellect, Pluralis.ai, Gensyn, Nous Research y Flock.io. Desde la perspectiva de la innovación técnica y la dificultad de implementación ingenieril, Prime Intellect, Nous Research y Pluralis.ai han propuesto numerosas exploraciones originales en la arquitectura del sistema y el diseño de algoritmos, representando las direcciones de vanguardia de la investigación teórica actual; mientras que los caminos de implementación de Gensyn y Flock.io son relativamente claros, ya se pueden observar avances iniciales en la ingeniería. Este artículo analizará sucesivamente las tecnologías centrales y las arquitecturas ingenieriles detrás de estos cinco proyectos, y explorará además sus diferencias y relaciones complementarias en el sistema de entrenamiento de IA descentralizada.
Prime Intellect: Pionero de redes de colaboración de aprendizaje reforzado verificables en trayectoria de entrenamiento
Prime Intellect se dedica a construir una red de entrenamiento de IA sin necesidad de confianza, permitiendo que cualquier persona participe en el entrenamiento y reciba recompensas confiables por sus contribuciones computacionales. Prime Intellect espera construir un sistema de entrenamiento de IA descentralizado que sea verificable, abierto y con un mecanismo de incentivos completo a través de los tres módulos PRIME-RL + TOPLOC + SHARDCAST.
01、Estructura del stack de protocolos Prime Intellect y valor de los módulos clave
02, Explicación detallada del mecanismo clave de entrenamiento de Prime Intellect
PRIME-RL: Arquitectura de tareas de aprendizaje reforzado asíncrono desacoplado
PRIME-RL es un marco de modelado y ejecución de tareas personalizado por Prime Intellect para escenarios de Descentralización, diseñado específicamente para redes heterogéneas y participación asíncrona. Utiliza el aprendizaje por refuerzo como objeto de adaptación prioritaria, desacoplando estructuralmente el proceso de entrenamiento, inferencia y carga de pesos, lo que permite que cada nodo de entrenamiento complete el ciclo de tareas de manera independiente en local y colabore a través de interfaces estandarizadas con mecanismos de validación y agregación. En comparación con los procesos de aprendizaje supervisado tradicionales, PRIME-RL es más adecuado para implementar entrenamiento flexible en entornos sin programación central, lo que reduce la complejidad del sistema y sienta las bases para respaldar la paralelización de múltiples tareas y la evolución de estrategias.
TOPLOC: mecanismo de verificación de comportamiento de entrenamiento ligero
TOPLOC es un mecanismo central de verificabilidad de entrenamiento propuesto por Prime Intellect, utilizado para determinar si un nodo realmente ha completado un aprendizaje de estrategia efectivo basado en datos de observación. A diferencia de soluciones pesadas como ZKML, TOPLOC no depende del recálculo de todo el modelo, sino que completa la verificación de estructura liviana analizando la trayectoria de consistencia local entre "secuencias de observación ↔ actualización de estrategia". Por primera vez, convierte las trayectorias de comportamiento durante el proceso de entrenamiento en objetos verificables, lo que es una innovación clave para lograr una distribución de recompensas de entrenamiento sin necesidad de confianza, proporcionando un camino viable para construir una red de entrenamiento colaborativo descentralizada que sea auditable e incentivadora.
SHARDCAST: Protocolo de agregación y propagación de pesos asíncronos
SHARDCAST es un protocolo de propagación y agregación de pesos diseñado por Prime Intellect, optimizado para entornos de red reales que son asíncronos, tienen limitaciones de ancho de banda y estados de nodo variables. Combina un mecanismo de propagación gossip con estrategias de sincronización local, permitiendo que múltiples nodos continúen enviando actualizaciones parciales en estados desincronizados, logrando una convergencia progresiva de pesos y una evolución de múltiples versiones. En comparación con los métodos AllReduce centralizados o síncronos, SHARDCAST mejora significativamente la escalabilidad y la tolerancia a fallos del entrenamiento descentralizado, siendo la base fundamental para construir un consenso de pesos estable y una iteración de entrenamiento continua.
OpenDiLoCo: Marco de comunicación asíncrona dispersa
OpenDiLoCo es un marco de optimización de comunicación independiente implementado y de código abierto por el equipo de Prime Intellect, basado en el concepto DiLoCo propuesto por DeepMind. Está diseñado específicamente para abordar los desafíos comunes en el entrenamiento descentralizado, como la limitación de ancho de banda, la heterogeneidad de dispositivos y la inestabilidad de nodos. Su arquitectura se basa en la paralelización de datos, construyendo estructuras topológicas dispersas como Ring, Expander y Small-World, lo que evita el alto costo de comunicación de la sincronización global y permite completar el entrenamiento colaborativo del modelo confiando únicamente en los nodos vecinos locales. Combinando actualizaciones asíncronas y mecanismos de tolerancia a fallos, OpenDiLoCo permite que GPUs de consumo y dispositivos de borde participen de manera estable en tareas de entrenamiento, mejorando significativamente la participación en el entrenamiento colaborativo global, y es una de las infraestructuras de comunicación clave para construir redes de entrenamiento descentralizadas.
PCCL: Biblioteca de comunicación colaborativa
PCCL es una biblioteca de comunicación ligera diseñada a medida por Prime Intellect para entornos de entrenamiento de IA Descentralización, con el objetivo de resolver el cuello de botella de adaptación en dispositivos heterogéneos y redes de baja capacidad. PCCL soporta topologías dispersas, compresión de gradientes, sincronización de baja precisión y recuperación de puntos de control, y puede funcionar en GPU de consumo y nodos inestables, siendo un componente fundamental que respalda la capacidad de comunicación asíncrona del protocolo OpenDiLoCo. Mejora significativamente la tolerancia al ancho de banda de la red de entrenamiento y la compatibilidad de los dispositivos, abriendo la "última milla" de la infraestructura de comunicación para construir una red de entrenamiento colaborativo verdaderamente abierta y sin necesidad de confianza.
03、Prime Intellect red de incentivos y división de roles
Prime Intellect ha construido una red de entrenamiento sin permisos, verificable y con un mecanismo de incentivos económicos, que permite a cualquier persona participar en tareas y recibir recompensas basadas en contribuciones reales. El protocolo opera basado en tres tipos de roles centrales:
El proceso central del protocolo incluye la publicación de tareas, el entrenamiento de nodos, la verificación de trayectorias, la agregación de pesos y la distribución de recompensas, formando un ciclo de incentivos en torno a "comportamientos de entrenamiento reales".
04、INTELLECT-2: Publicación del primer modelo de entrenamiento descentralizado verificable
Prime Intellect lanzó INTELLECT-2 en mayo de 2025, que es el primer gran modelo de aprendizaje reforzado del mundo entrenado mediante la colaboración de nodos descentralizados asíncronos y sin confianza, con un tamaño de parámetros de 32B. El modelo INTELLECT-2 fue completado por más de 100 nodos heterogéneos GPU distribuidos en tres continentes, utilizando una arquitectura completamente asíncrona, con un tiempo de entrenamiento de más de 400 horas, demostrando la viabilidad y estabilidad de la red de colaboración asíncrona. Este modelo no solo representa un avance en el rendimiento, sino que también es la primera implementación sistemática del paradigma de "entrenamiento es consenso" propuesto por Prime Intellect. INTELLECT-2 integra módulos de protocolo centrales como PRIME-RL, TOPLOC y SHARDCAST, marcando la primera vez que la red de entrenamiento descentralizada logra entrenar.