Sự tiến hóa của mô hình đào tạo AI: Cuộc cách mạng công nghệ từ kiểm soát tập trung đến hợp tác phi tập trung
Trong toàn bộ chuỗi giá trị của AI, đào tạo mô hình là giai đoạn tiêu tốn tài nguyên nhất và có rào cản kỹ thuật cao nhất, quyết định trực tiếp giới hạn khả năng của mô hình và hiệu quả ứng dụng thực tế. So với giai đoạn suy diễn với các cuộc gọi nhẹ, 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 "ngành 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 một cụm hiệu suất cao tại địa phương, từ phần cứng, phần mềm nền tảng, hệ thống lập lịch cụm, đến tất cả các thành phần của khung đào tạo đều được phối hợp hoạt động bởi một hệ thống điều khiển thống nhất. Kiến trúc hợp tác sâu sắc này giúp chia sẻ bộ nhớ, đồng bộ hóa gradient và cơ chế chịu lỗi đạt hiệu suất tối ưu, rất phù hợp cho việc đào tạo các mô hình quy mô lớn như GPT, Gemini, có lợi thế về hiệu suất 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 việc huấn luyện mô hình lớn hiện nay, cốt lõi của nó là phân chia nhiệm vụ huấn luyện mô hình, sau đó phân phối đến nhiều máy tính để thực hiện đồng thời, nhằm vượt qua giới hạn tính toán và lưu trữ của máy đơn. Mặc dù về mặt vật lý có đặc điểm "Phi tập trung", nhưng tổng thể vẫn nằm dưới sự kiểm soát, điều phối và đồng bộ của các tổ chức trung tâm, thường hoạt động trong môi trường mạng cục bộ tốc độ cao, thông qua công nghệ bus liên kết NVLink tốc độ cao, do nút chính đồng bộ hóa 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 phải 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.
Đường ống song song: Thực hiện theo giai đoạn tuần tự, tăng cường thông lượng
Phân mảnh tensor: Tinh chỉnh phân đoạn tính toán ma trận, nâng cao độ mịn của song song
Huấn luyện phân tán là sự kết hợp của "kiểm soát tập trung + thực hiện phân tán", tương tự như một ông chủ chỉ huy từ xa nhiều nhân viên "văn phòng" phối hợp hoàn thành nhiệm vụ. Hiện nay, hầu hết các mô hình lớn chính đều được hoàn thành huấn luyện theo cách này.
Phi tập trung đào tạo đại diện cho một con đường tương lai mở và có khả năng chống kiểm duyệt hơn. Đặc điểm cốt lõi của nó là: nhiều nút không tin cậy ( 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 có điều phối viên trung tâm, thường thông qua giao thức để thúc đẩy 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:
Thiết bị không đồng nhất và khó khăn trong việc phân chia: Khó khăn trong việc phối hợp thiết bị không đồng nhất, 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 thực thi đáng tin cậy: Thiếu môi trường thực thi đáng tin cậy, khó xác minh liệu nút có thực sự tham gia vào tính toán hay không.
Thiếu sự phối hợp thống nhất: không có bộ điều phối trung ương, việc phân phát nhiệm vụ, cơ chế khôi phục 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, an ninh mật mã, cơ chế kinh tế, xác minh mô hình và nhiều khía cạnh khác, nhưng liệu có thể "hợp tác hiệu quả + khuyến khích sự trung thực + kết quả chính xác" vẫn đang ở giai đoạn khám phá nguyên mẫu sớm.
Học liên bang là hình thức chuyển tiếp giữa phân tán và Phi tập trung, nhấn mạnh việc giữ lại dữ liệu tại địa phương và tập trung tổng hợp 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 bên phối hợp đáng tin cậy, không có đầy đủ tính mở và khả năng 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 tin cậy và cơ chế truyền thông đều tương đối ôn hòa, phù hợp hơn để làm cấu trúc triển khai chuyển tiếp trong ngành công nghiệp.
) Phi tập trung đào tạo của ranh giới, cơ hội và con đường thực tế
Từ góc độ mô hình đào tạo, đào tạo phi tập trung không phù hợp với tất cả các loại nhiệm vụ. Trong một số tình huống, do cấu trúc nhiệm vụ phức tạp, yêu cầu tài nguyên cực cao hoặc độ khó hợp tác lớn, nó tự nhiên không thích hợp để hoàn thành hiệu quả giữa các nút khác nhau, không đáng tin cậy. Ví dụ, đào tạo mô hình lớn thường phụ thuộc vào bộ nhớ lớn, độ trễ thấp và băng thông cao, khó có thể chia tách và đồng bộ hiệu quả trong mạng mở; các nhiệm vụ có quyền riêng tư dữ liệu và hạn chế chủ quyền mạnh như y tế, tài chính, dữ liệu nhạy cảm ### bị hạn chế bởi quy định pháp luật và ràng buộc đạo đức, không thể chia sẻ công khai; và các nhiệm vụ thiếu động lực hợp tác như mô hình nguồn đóng doanh nghiệp hoặc đào tạo nguyên mẫu nội bộ ( thì thiếu động lực tham gia từ bên ngoài. Những ranh giới này cùng nhau tạo thành những giới hạn thực tế của đào tạo phi tập trung hiện tại.
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 dàng song song và có thể kích thích, đào tạo phi tập trung thể hiện rõ triển vọng ứng dụng. Bao gồm nhưng không giới hạn: tinh chỉnh LoRA, các nhiệm vụ hậu đào tạo loại căn chỉnh hành vi như RLHF, DPO), đào tạo và gán nhãn dữ liệu theo hình thức crowdsourcing, đào tạo các mô hình cơ bản nhỏ có thể kiểm soát tài nguyên, cũng như các kịch bản đào tạo hợp tác nơi các thiết bị biên tham gia. Những nhiệm vụ này thường có tính song song cao, độ kết nối thấp và khả năng chịu đựng sức mạnh tính toán dị biệt, rất phù hợp để thực hiện đào tạo hợp tác thông qua mạng P2P, giao thức Swarm, bộ tối ưu phân tán, v.v.
( Phi tập trung luyện tập dự án kinh điển phân tích
Hiện nay, trong lĩnh vực đào tạo phi tập trung và học tập liên bang, các dự án blockchain tiêu biểu chủ yếu bao gồm Prime Intellect, Pluralis.ai, Gensyn, Nous Research và Flock.io. Xét về tính đổi mới công nghệ và độ khó trong việc hiện thực hóa 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 tiên tiến hiện nay; trong khi đó, con đường hiện thực hóa của Gensyn và Flock.io tương đối rõ ràng, đã có thể thấy những tiến bộ ban đầu trong việc công nghiệp hóa. Bài viết này sẽ lần lượt phân tích công nghệ cốt lõi và cấu trúc kỹ thuật của năm dự án này, và tiếp tục thảo luận về sự khác biệt và mối quan hệ bổ sung của chúng trong hệ thống đào tạo AI phi tập trung.
)# Prime Intellect: Người tiên phong mạng lưới hợp tác học tăng cường có thể xác minh được lộ trình đào tạo
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, sẽ xây dựng một hệ thống đào tạo AI Phi tập trung có tính khả thi, mở và đầy đủ cơ chế khuyến khích.
Một, Cấu trúc ngăn xếp giao thức Prime Intellect và giá trị của các mô-đun quan trọng
Hai, Giải thích chi tiết cơ chế khóa đào tạo Prime Intellect
PRIME-RL: Kiến trúc nhiệm vụ học tăng cường không đồng bộ phân tách
PRIME-RL là khung mô hình hóa và thực hiện nhiệm vụ được tùy chỉnh cho các tình huống đào tạo phi tập trung của Prime Intellect, được thiết kế đặc biệt cho mạng lưới dị thể và tham gia không đồng bộ. Nó sử dụng học tăng cường làm đối tượng ưu tiên thích ứng, cấu trúc tách biệt quy trình đào tạo, suy diễn và tải lên trọng số, cho phép mỗi nút đào tạo có thể hoàn thành vòng lặp nhiệm vụ một cách độc lập tại chỗ, và phối hợp với các cơ chế xác minh và tổng hợp thông qua giao diện tiêu chuẩn hóa. So với quy trình học có giám sát truyền thống, PRIME-RL thích hợp hơn trong môi trường không có điều phối trung tâm để thực hiện đào tạo linh hoạt, vừa giảm 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 minh hành vi huấn luyện nhẹ
TOPLOC###Quan sát Đáng tin cậy & Kiểm tra Địa phương### là cơ chế cốt lõi về tính khả thi được kiểm chứng do Prime Intellect đề xuất, được sử dụng 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 nề như ZKML, TOPLOC không phụ thuộc vào việc tính toán lại toàn bộ mô hình, mà thông qua việc phân tích quỹ đạo nhất quán cục bộ giữa "chuỗi quan sát ↔ cập nhật chiến lược", hoàn thành xác minh cấu trúc nhẹ nhàng. Đây là lần đầu tiên chuyển đổi quỹ đạo hành vi trong quá trình đào tạo thành đối tượng có thể kiểm chứng, là đổi mới quan trọng để đạt được phân phối phần thưởng đào tạo mà không cần tin tưởng, cung cấp con đường khả thi để xây dựng mạng lưới đào tạo hợp tác phi tập trung có thể được kiểm toán và tạo động lực.
SHARDCAST: Giao thức tổng hợp và truyền thông trọng số không đồng bộ
SHARDCAST là giao thức truyền bá và tổng hợp trọng số được thiết kế bởi Prime Intellect, được tối ưu hóa đặc biệt cho các môi trường mạng thực tế không đồng bộ, hạn chế băng thông và có trạng thái nút biến đổi. Nó kết hợp cơ chế truyền bá gossip với chiến lược đồng bộ cục bộ, cho phép nhiều nút tiếp tục gửi các cập nhật từng phần trong trạng thái không đồng bộ, đạt được sự hội tụ dần dần của trọng số và tiến hóa đa phiên bản. So với các phương pháp AllReduce tập trung hoặc đồng bộ, SHARDCAST cải thiện đáng kể khả năng mở rộng và khả năng chịu lỗi của đào tạo phi tập trung, là nền tảng cốt lõi để xây dựng sự đồng thuận trọng số ổn định và đào tạo lặp đi lặp lại liên tục.
OpenDiLoCo: Khung giao tiếp bất đồng bộ thưa thớt
OpenDiLoCo là một khung tối ưu hóa giao tiếp được nhóm Prime Intellect độc lập thực hiện và mã nguồn mở dựa trên ý tưởng DiLoCo do DeepMind đề xuất, được thiết kế đặc biệt cho những thách thức thường gặp trong đào tạo phi tập trung như băng thông hạn chế, thiết bị không đồng nhất và nút không ổn định. Kiến trúc của nó dựa trên song song dữ liệu, thông qua việc xây dựng các cấu trúc topo thưa như Ring, Expander, Small-World, tránh được chi phí giao tiếp cao của đồng bộ toàn cầu, chỉ cần dựa vào các nút láng giềng cục bộ để hoàn thành đào tạo hợp tác mô hình. Kết hợp cập nhật không đồng bộ và cơ chế chịu lỗi 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, nâng cao đáng kể khả năng tham gia vào đào tạo hợp tác toàn cầu, là một trong những cơ sở hạ tầng giao tiếp quan trọng để xây dựng mạng lưới đào tạo phi tập trung.
PCCL: Thư viện truyền thông hợp tác
PCCL(Prime Collective Communication Library) là thư viện truyền thông nhẹ được Prime Intellect thiết kế riêng cho môi trường huấn luyện AI Phi tập trung, nhằm giải quyết các nút thắt trong việc thích ứng của các thư viện truyền thông truyền thống( như NCCL, Gloo) trên các thiết bị không đồng nhất và mạng băng thông thấp. PCCL hỗ trợ cấu trúc thưa, nén độ dốc, đồng bộ độ chính xác thấp và phục hồi điểm dừng, có thể chạy trên GPU tiêu dùng và các node không ổn định, là thành phần cơ sở hỗ trợ khả năng truyền thông bất đồng bộ của giao thức OpenDiLoCo. Nó nâng cao đáng kể khả năng chịu đựng băng thông và tính tương thích của thiết bị trong mạng huấn luyện, mở ra "km cuối" trong cơ sở hạ tầng truyền thông để xây dựng mạng huấn luyện hợp tác thực sự mở và không cần tin cậy.
Ba, Mạng lưới khuyến khích Prime Intellect và phân công vai trò
Prime Intellect đã xây dựng một mạng lưới đào tạo không cần cấp phép, có thể xác minh và có cơ chế khuyến khích kinh tế, cho phép bất kỳ ai tham gia vào nhiệm vụ và nhận phần thưởng dựa trên đóng góp thực tế. Giao thức hoạt động dựa trên ba loại vai trò cốt lõi:
Người khởi xướng nhiệm vụ: định nghĩa môi trường đào tạo, mô hình ban đầu, hàm 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
Nút xác thực: Sử dụng cơ chế TOPLOC để xác minh tính xác thực của hành vi đào tạo và tham gia vào việc tính toán phần thưởng và tổng hợp chiến lược.
Quy trình cốt lõi của giao thức bao gồm phát hành nhiệm vụ, đào tạo nút, xác minh quỹ đạo, tổng hợp trọng số (SHARDCAST) và phát thưởng, tạo thành một vòng khuyến khích xoay quanh "hành vi đào tạo thực".
Bốn, INTELLECT-2: Phát hành mô hình đào tạo Phi tập trung có thể xác minh đầu tiên
Prime Intellect đã phát hành INTELLECT-2 vào tháng 5 năm 2025, đây là mô hình lớn học sâu đầu tiên trên thế giới được huấn luyện bởi các nút phi tập trung không cần tin cậy và bất đồng bộ, với quy mô tham số lên tới 32B. Mô hình INTELLECT-2 được hoàn thành thông qua việc hợp tác huấn luyện của hơn 100 nút GPU khác nhau trải dài trên ba châu lục, sử dụng kiến trúc hoàn toàn bất đồng bộ, thời gian huấn luyện.
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.
20 thích
Phần thưởng
20
4
Đăng lại
Chia sẻ
Bình luận
0/400
BlockchainTherapist
· 07-30 18:48
Cuốn vào trong cụm thuộc về.
Xem bản gốcTrả lời0
AirdropBlackHole
· 07-30 16:40
Khai thác khai thác bị hỏng
Xem bản gốcTrả lời0
Hash_Bandit
· 07-30 13:29
hmm đào tạo trí tuệ nhân tạo phi tập trung cảm giác như các mỏ khai thác vào năm 2013... thật sự cũng gặp những thách thức về cơ sở hạ tầng giống nhau
Xem bản gốcTrả lời0
PonziDetector
· 07-30 13:15
Thà làm như vậy còn hơn là trực tiếp làm cho EVM tương thích tốt.
Sự tiến hóa của mô hình đào tạo AI: từ kiểm soát tập trung đến sự chuyển biến công nghệ hợp tác phi tập trung.
Sự tiến hóa của mô hình đào tạo AI: Cuộc cách mạng công nghệ từ kiểm soát tập trung đến hợp tác phi tập trung
Trong toàn bộ chuỗi giá trị của AI, đào tạo mô hình là giai đoạn tiêu tốn tài nguyên nhất và có rào cản kỹ thuật cao nhất, quyết định trực tiếp giới hạn khả năng của mô hình và hiệu quả ứng dụng thực tế. So với giai đoạn suy diễn với các cuộc gọi nhẹ, 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 "ngành 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 một cụm hiệu suất cao tại địa phương, từ phần cứng, phần mềm nền tảng, hệ thống lập lịch cụm, đến tất cả các thành phần của khung đào tạo đều được phối hợp hoạt động bởi một hệ thống điều khiển thống nhất. Kiến trúc hợp tác sâu sắc này giúp chia sẻ bộ nhớ, đồng bộ hóa gradient và cơ chế chịu lỗi đạt hiệu suất tối ưu, rất phù hợp cho việc đào tạo các mô hình quy mô lớn như GPT, Gemini, có lợi thế về hiệu suất 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 việc huấn luyện mô hình lớn hiện nay, cốt lõi của nó là phân chia nhiệm vụ huấn luyện mô hình, sau đó phân phối đến nhiều máy tính để thực hiện đồng thời, nhằm vượt qua giới hạn tính toán và lưu trữ của máy đơn. Mặc dù về mặt vật lý có đặc điểm "Phi tập trung", nhưng tổng thể vẫn nằm dưới sự kiểm soát, điều phối và đồng bộ của các tổ chức trung tâm, thường hoạt động trong môi trường mạng cục bộ tốc độ cao, thông qua công nghệ bus liên kết NVLink tốc độ cao, do nút chính đồng bộ hóa các nhiệm vụ con. Các phương pháp chính bao gồm:
Huấn luyện phân tán là sự kết hợp của "kiểm soát tập trung + thực hiện phân tán", tương tự như một ông chủ chỉ huy từ xa nhiều nhân viên "văn phòng" phối hợp hoàn thành nhiệm vụ. Hiện nay, hầu hết các mô hình lớn chính đều được hoàn thành huấn luyện theo cách này.
Phi tập trung đào tạo đại diện cho một con đường tương lai mở và có khả năng chống kiểm duyệt hơn. Đặc điểm cốt lõi của nó là: nhiều nút không tin cậy ( 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 có điều phối viên trung tâm, thường thông qua giao thức để thúc đẩy 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, an ninh mật mã, cơ chế kinh tế, xác minh mô hình và nhiều khía cạnh khác, nhưng liệu có thể "hợp tác hiệu quả + khuyến khích sự trung thực + kết quả chính xác" vẫn đang ở giai đoạn khám phá nguyên mẫu sớm.
Học liên bang là hình thức chuyển tiếp giữa phân tán và Phi tập trung, nhấn mạnh việc giữ lại dữ liệu tại địa phương và tập trung tổng hợp 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 bên phối hợp đáng tin cậy, không có đầy đủ tính mở và khả năng 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 tin cậy và cơ chế truyền thông đều tương đối ôn hòa, phù hợp hơn để làm cấu trúc triển khai chuyển tiếp trong ngành công nghiệp.
) Phi tập trung đào tạo của ranh giới, cơ hội và con đường thực tế
Từ góc độ mô hình đào tạo, đào tạo phi tập trung không phù hợp với tất cả các loại nhiệm vụ. Trong một số tình huống, do cấu trúc nhiệm vụ phức tạp, yêu cầu tài nguyên cực cao hoặc độ khó hợp tác lớn, nó tự nhiên không thích hợp để hoàn thành hiệu quả giữa các nút khác nhau, không đáng tin cậy. Ví dụ, đào tạo mô hình lớn thường phụ thuộc vào bộ nhớ lớn, độ trễ thấp và băng thông cao, khó có thể chia tách và đồng bộ hiệu quả trong mạng mở; các nhiệm vụ có quyền riêng tư dữ liệu và hạn chế chủ quyền mạnh như y tế, tài chính, dữ liệu nhạy cảm ### bị hạn chế bởi quy định pháp luật và ràng buộc đạo đức, không thể chia sẻ công khai; và các nhiệm vụ thiếu động lực hợp tác như mô hình nguồn đóng doanh nghiệp hoặc đào tạo nguyên mẫu nội bộ ( thì thiếu động lực tham gia từ bên ngoài. Những ranh giới này cùng nhau tạo thành những giới hạn thực tế của đào tạo phi tập trung hiện tại.
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 dàng song song và có thể kích thích, đào tạo phi tập trung thể hiện rõ triển vọng ứng dụng. Bao gồm nhưng không giới hạn: tinh chỉnh LoRA, các nhiệm vụ hậu đào tạo loại căn chỉnh hành vi như RLHF, DPO), đào tạo và gán nhãn dữ liệu theo hình thức crowdsourcing, đào tạo các mô hình cơ bản nhỏ có thể kiểm soát tài nguyên, cũng như các kịch bản đào tạo hợp tác nơi các thiết bị biên tham gia. Những nhiệm vụ này thường có tính song song cao, độ kết nối thấp và khả năng chịu đựng sức mạnh tính toán dị biệt, rất phù hợp để thực hiện đào tạo hợp tác thông qua mạng P2P, giao thức Swarm, bộ tối ưu phân tán, v.v.
( Phi tập trung luyện tập dự án kinh điển phân tích
Hiện nay, trong lĩnh vực đào tạo phi tập trung và học tập liên bang, các dự án blockchain tiêu biểu chủ yếu bao gồm Prime Intellect, Pluralis.ai, Gensyn, Nous Research và Flock.io. Xét về tính đổi mới công nghệ và độ khó trong việc hiện thực hóa 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 tiên tiến hiện nay; trong khi đó, con đường hiện thực hóa của Gensyn và Flock.io tương đối rõ ràng, đã có thể thấy những tiến bộ ban đầu trong việc công nghiệp hóa. Bài viết này sẽ lần lượt phân tích công nghệ cốt lõi và cấu trúc kỹ thuật của năm dự án này, và tiếp tục thảo luận về sự khác biệt và mối quan hệ bổ sung của chúng trong hệ thống đào tạo AI phi tập trung.
)# Prime Intellect: Người tiên phong mạng lưới hợp tác học tăng cường có thể xác minh được lộ trình đào tạo
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, sẽ xây dựng một hệ thống đào tạo AI Phi tập trung có tính khả thi, mở và đầy đủ cơ chế khuyến khích.
Một, Cấu trúc ngăn xếp giao thức Prime Intellect và giá trị của các mô-đun quan trọng
Hai, Giải thích chi tiết cơ chế khóa đào tạo Prime Intellect
PRIME-RL: Kiến trúc nhiệm vụ học tăng cường không đồng bộ phân tách
PRIME-RL là khung mô hình hóa và thực hiện nhiệm vụ được tùy chỉnh cho các tình huống đào tạo phi tập trung của Prime Intellect, được thiết kế đặc biệt cho mạng lưới dị thể và tham gia không đồng bộ. Nó sử dụng học tăng cường làm đối tượng ưu tiên thích ứng, cấu trúc tách biệt quy trình đào tạo, suy diễn và tải lên trọng số, cho phép mỗi nút đào tạo có thể hoàn thành vòng lặp nhiệm vụ một cách độc lập tại chỗ, và phối hợp với các cơ chế xác minh và tổng hợp thông qua giao diện tiêu chuẩn hóa. So với quy trình học có giám sát truyền thống, PRIME-RL thích hợp hơn trong môi trường không có điều phối trung tâm để thực hiện đào tạo linh hoạt, vừa giảm 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 minh hành vi huấn luyện nhẹ
TOPLOC###Quan sát Đáng tin cậy & Kiểm tra Địa phương### là cơ chế cốt lõi về tính khả thi được kiểm chứng do Prime Intellect đề xuất, được sử dụng 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 nề như ZKML, TOPLOC không phụ thuộc vào việc tính toán lại toàn bộ mô hình, mà thông qua việc phân tích quỹ đạo nhất quán cục bộ giữa "chuỗi quan sát ↔ cập nhật chiến lược", hoàn thành xác minh cấu trúc nhẹ nhàng. Đây là lần đầu tiên chuyển đổi quỹ đạo hành vi trong quá trình đào tạo thành đối tượng có thể kiểm chứng, là đổi mới quan trọng để đạt được phân phối phần thưởng đào tạo mà không cần tin tưởng, cung cấp con đường khả thi để xây dựng mạng lưới đào tạo hợp tác phi tập trung có thể được kiểm toán và tạo động lực.
SHARDCAST: Giao thức tổng hợp và truyền thông trọng số không đồng bộ
SHARDCAST là giao thức truyền bá và tổng hợp trọng số được thiết kế bởi Prime Intellect, được tối ưu hóa đặc biệt cho các môi trường mạng thực tế không đồng bộ, hạn chế băng thông và có trạng thái nút biến đổi. Nó kết hợp cơ chế truyền bá gossip với chiến lược đồng bộ cục bộ, cho phép nhiều nút tiếp tục gửi các cập nhật từng phần trong trạng thái không đồng bộ, đạt được sự hội tụ dần dần của trọng số và tiến hóa đa phiên bản. So với các phương pháp AllReduce tập trung hoặc đồng bộ, SHARDCAST cải thiện đáng kể khả năng mở rộng và khả năng chịu lỗi của đào tạo phi tập trung, là nền tảng cốt lõi để xây dựng sự đồng thuận trọng số ổn định và đào tạo lặp đi lặp lại liên tục.
OpenDiLoCo: Khung giao tiếp bất đồng bộ thưa thớt
OpenDiLoCo là một khung tối ưu hóa giao tiếp được nhóm Prime Intellect độc lập thực hiện và mã nguồn mở dựa trên ý tưởng DiLoCo do DeepMind đề xuất, được thiết kế đặc biệt cho những thách thức thường gặp trong đào tạo phi tập trung như băng thông hạn chế, thiết bị không đồng nhất và nút không ổn định. Kiến trúc của nó dựa trên song song dữ liệu, thông qua việc xây dựng các cấu trúc topo thưa như Ring, Expander, Small-World, tránh được chi phí giao tiếp cao của đồng bộ toàn cầu, chỉ cần dựa vào các nút láng giềng cục bộ để hoàn thành đào tạo hợp tác mô hình. Kết hợp cập nhật không đồng bộ và cơ chế chịu lỗi 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, nâng cao đáng kể khả năng tham gia vào đào tạo hợp tác toàn cầu, là một trong những cơ sở hạ tầng giao tiếp quan trọng để xây dựng mạng lưới đào tạo phi tập trung.
PCCL: Thư viện truyền thông hợp tác
PCCL(Prime Collective Communication Library) là thư viện truyền thông nhẹ được Prime Intellect thiết kế riêng cho môi trường huấn luyện AI Phi tập trung, nhằm giải quyết các nút thắt trong việc thích ứng của các thư viện truyền thông truyền thống( như NCCL, Gloo) trên các thiết bị không đồng nhất và mạng băng thông thấp. PCCL hỗ trợ cấu trúc thưa, nén độ dốc, đồng bộ độ chính xác thấp và phục hồi điểm dừng, có thể chạy trên GPU tiêu dùng và các node không ổn định, là thành phần cơ sở hỗ trợ khả năng truyền thông bất đồng bộ của giao thức OpenDiLoCo. Nó nâng cao đáng kể khả năng chịu đựng băng thông và tính tương thích của thiết bị trong mạng huấn luyện, mở ra "km cuối" trong cơ sở hạ tầng truyền thông để xây dựng mạng huấn luyện hợp tác thực sự mở và không cần tin cậy.
Ba, Mạng lưới khuyến khích Prime Intellect và phân công vai trò
Prime Intellect đã xây dựng một mạng lưới đào tạo không cần cấp phép, có thể xác minh và có cơ chế khuyến khích kinh tế, cho phép bất kỳ ai tham gia vào nhiệm vụ và nhận phần thưởng dựa trên đóng góp thực tế. Giao thức hoạt động dựa trên ba loại vai trò cốt lõi:
Quy trình cốt lõi của giao thức bao gồm phát hành nhiệm vụ, đào tạo nút, xác minh quỹ đạo, tổng hợp trọng số (SHARDCAST) và phát thưởng, tạo thành một vòng khuyến khích xoay quanh "hành vi đào tạo thực".
Bốn, INTELLECT-2: Phát hành mô hình đào tạo Phi tập trung có thể xác minh đầu tiên
Prime Intellect đã phát hành INTELLECT-2 vào tháng 5 năm 2025, đây là mô hình lớn học sâu đầu tiên trên thế giới được huấn luyện bởi các nút phi tập trung không cần tin cậy và bất đồng bộ, với quy mô tham số lên tới 32B. Mô hình INTELLECT-2 được hoàn thành thông qua việc hợp tác huấn luyện của hơn 100 nút GPU khác nhau trải dài trên ba châu lục, sử dụng kiến trúc hoàn toàn bất đồng bộ, thời gian huấn luyện.