Le Saint Graal de Crypto AI : exploration à la pointe de l'entraînement décentralisé
Dans la chaîne de valeur complète de l'IA, l'entraînement des modèles est l'étape qui consomme le plus de ressources et présente le plus haut seuil technologique, déterminant directement la capacité maximale des modèles et l'efficacité des applications réelles. Comparé à l'appel léger de la phase d'inférence, le processus d'entraînement nécessite un investissement continu en puissance de calcul à grande échelle, des processus de traitement de données complexes et un soutien d'algorithmes d'optimisation intensifs, ce qui en fait la véritable "industrie lourde" de la construction des systèmes d'IA. D'un point de vue des paradigmes architecturaux, les méthodes d'entraînement peuvent être classées en quatre catégories : l'entraînement centralisé, l'entraînement distribué, l'apprentissage fédéré et l'entraînement décentralisé, qui est le sujet principal de cet article.
L'entraînement centralisé est la méthode traditionnelle la plus courante, réalisée par une seule institution au sein d'un cluster haute performance local qui complète l'ensemble du processus d'entraînement, depuis le matériel jusqu'au logiciel de base, au système de planification du cluster, et à tous les composants du cadre d'entraînement, le tout coordonné par un système de contrôle unifié. Cette architecture de collaboration profonde permet d'optimiser l'efficacité du partage de mémoire, de la synchronisation des gradients et des mécanismes de tolérance aux pannes, ce qui la rend particulièrement adaptée à l'entraînement de modèles à grande échelle comme GPT et Gemini, offrant des avantages en termes d'efficacité et de contrôle des ressources, mais présente également des problèmes tels que le monopole des données, les barrières à l'entrée, la consommation d'énergie et les risques de point unique.
L'entraînement distribué est la méthode principale de formation des grands modèles actuellement, son noyau consiste à décomposer les tâches de formation du modèle et à les distribuer à plusieurs machines pour une exécution collaborative, afin de surmonter les goulets d'étranglement de calcul et de stockage sur une seule machine. Bien qu'il possède physiquement des caractéristiques "décentralisées", l'ensemble est toujours contrôlé, planifié et synchronisé par une institution centralisée, fonctionnant souvent dans un environnement de réseau local à haute vitesse, grâce à la technologie de bus interconnexion haut débit NVLink, où le nœud principal coordonne uniformément les sous-tâches. Les méthodes principales comprennent :
Parallelisme des données : chaque nœud entraîne des données différentes, partage les paramètres, nécessitant une correspondance des poids du modèle.
Parallélisme de modèle : déployer différentes parties du modèle sur différents nœuds pour réaliser une forte extensibilité.
Pipelines parallèles : exécution séquentielle par phases, augmentation du débit
Parallélisme tensoriel : segmentation fine du calcul matriciel, amélioration de la granularité parallèle
L'entraînement distribué est une combinaison de "contrôle centralisé + exécution distribuée", similaire à un même patron dirigeant à distance plusieurs employés de "bureaux" pour collaborer à l'accomplissement d'une tâche. Actuellement, presque tous les grands modèles principaux sont entraînés de cette manière.
La formation décentralisée représente un chemin futur plus ouvert et résistant à la censure. Ses caractéristiques essentielles sont les suivantes : plusieurs nœuds qui ne se font pas confiance (, pouvant être des ordinateurs domestiques, des GPU dans le cloud ou des appareils en périphérie ), collaborent pour accomplir des tâches d'entraînement sans coordinateur central, généralement en utilisant des protocoles pour alimenter la distribution des tâches et la collaboration, et en s'appuyant sur des mécanismes d'incitation cryptographique pour garantir l'honnêteté des contributions. Les principaux défis auxquels ce modèle est confronté incluent :
Hétérogénéité des appareils et difficulté de fragmentation : la coordination des appareils hétérogènes est difficile, l'efficacité de la fragmentation des tâches est faible
Goulot d'étranglement de l'efficacité de communication : communication réseau instable, goulot d'étranglement de synchronisation des gradients évident
Exécution fiable manquante : manque d'environnement d'exécution fiable, difficile de vérifier si les nœuds participent réellement au calcul.
Manque de coordination unifiée : pas de planificateur central, distribution des tâches et mécanisme de rollback des exceptions complexes
L'entraînement décentralisé peut être compris comme : un groupe de bénévoles du monde entier, chacun contribuant de la puissance de calcul pour entraîner le modèle en collaboration, mais "le véritable entraînement décentralisé à grande échelle réalisable" reste un défi d'ingénierie systémique, impliquant l'architecture système, les protocoles de communication, la sécurité cryptographique, les mécanismes économiques, la validation des modèles et d'autres niveaux. Cependant, la question de savoir si cela peut être "collaboratif et efficace + inciter à l'honnêteté + produire des résultats corrects" est encore à un stade précoce d'exploration de prototypes.
L'apprentissage fédéré, en tant que forme de transition entre la distribution et la Décentralisation, met l'accent sur la conservation locale des données et l'agrégation centralisée des paramètres du modèle, adapté aux scénarios axés sur la conformité à la vie privée ( tels que la santé et la finance ). L'apprentissage fédéré possède une structure d'ingénierie d'entraînement distribué et une capacité de coopération locale, tout en bénéficiant des avantages de la dispersion des données d'un entraînement décentralisé, mais il reste dépendant d'une entité de coordination de confiance et ne possède pas de caractéristiques entièrement ouvertes et résistantes à la censure. On peut le considérer comme une solution "décentralisée contrôlée" dans des scénarios de conformité à la vie privée, où les tâches d'entraînement, la structure de confiance et le mécanisme de communication sont relativement modérés, ce qui le rend plus adapté comme architecture de déploiement transitoire pour l'industrie.
Décentralisation des limites, opportunités et chemins réalistes de l'entraînement
D'un point de vue des paradigmes d'entraînement, la formation décentralisée n'est pas adaptée à tous les types de tâches. Dans certains scénarios, en raison de la complexité de la structure des tâches, des exigences en ressources extrêmement élevées ou de la difficulté de la collaboration, elle n'est naturellement pas adaptée à être réalisée efficacement entre des nœuds hétérogènes et non fiables. Par exemple, l'entraînement de modèles de grande taille dépend souvent de la haute mémoire vidéo, de la faible latence et de la bande passante élevée, ce qui rend difficile la découpe et la synchronisation efficaces sur un réseau ouvert ; les tâches avec des restrictions fortes en matière de confidentialité et de souveraineté des données sont limitées par des contraintes légales et éthiques, et ne peuvent pas être partagées de manière ouverte ; tandis que les tâches dépourvues d'incitations à la collaboration manquent de motivation pour la participation externe. Ces limites constituent ensemble les restrictions réelles de la formation décentralisée actuelle.
Mais cela ne signifie pas que l'entraînement décentralisé est un faux problème. En fait, dans des types de tâches légères en structure, faciles à paralléliser et incitatives, l'entraînement décentralisé montre des perspectives d'application claires. Cela inclut, mais sans s'y limiter : le fine-tuning LoRA, les tâches d'entraînement post-formation alignées sur le comportement comme RLHF, DPO(, les tâches d'entraînement et d'annotation de données en crowdsourcing, l'entraînement de petits modèles de base contrôlés par les ressources, ainsi que les scénarios d'entraînement collaboratif impliquant des dispositifs en périphérie. Ces tâches présentent généralement des caractéristiques de haute parallélisation, de faible couplage et de tolérance à l'hétérogénéité des capacités de calcul, ce qui les rend très adaptées à une formation collaborative via des réseaux P2P, le protocole Swarm, des optimiseurs distribués, etc.
![Le Saint Graal de l'IA Crypto : Exploration à la pointe de la formation décentralisée])https://img-cdn.gateio.im/webp-social/moments-69eb6c2dab3d6284b890285c71e7a47f.webp(
Décentralisation entraînement classique projet analyse
Actuellement, dans le domaine de la formation décentralisée et de l'apprentissage fédéré, les projets blockchain représentatifs incluent principalement Prime Intellect, Pluralis.ai, Gensyn, Nous Research et Flock.io. En termes d'innovation technologique et de difficulté de mise en œuvre, Prime Intellect, Nous Research et Pluralis.ai ont proposé de nombreuses explorations originales dans la conception des systèmes et des algorithmes, représentant les directions de recherche théorique à la pointe; tandis que les chemins de mise en œuvre de Gensyn et Flock.io sont relativement clairs, et des progrès d'ingénierie initiaux peuvent déjà être observés. Cet article analysera successivement les technologies clés et les architectures d'ingénierie derrière ces cinq projets, et explorera davantage leurs différences et leurs relations complémentaires dans le système de formation IA décentralisé.
) Prime Intellect : Pion des réseaux de collaboration d'apprentissage renforcé vérifiables par la trajectoire d'entraînement
Prime Intellect s'engage à construire un réseau d'entraînement d'IA sans confiance, permettant à quiconque de participer à l'entraînement et de recevoir des récompenses fiables pour sa contribution computationnelle. Prime Intellect souhaite, à travers les trois grands modules PRIME-RL + TOPLOC + SHARDCAST, établir un système d'entraînement d'IA décentralisé, doté de vérifiabilité, d'ouverture et d'un mécanisme d'incitation complet.
01、Structure de la pile de protocoles Prime Intellect et valeur des modules clés
![Le Saint Graal de l'IA Crypto : Exploration à la pointe de l'entraînement décentralisé]###https://img-cdn.gateio.im/webp-social/moments-b11af8d10db6e8baa0c19e87aa18dd82.webp(
)# 02, Explication détaillée des mécanismes clés de l'entraînement Prime Intellect
#PRIME-RL : Architecture de tâche de renforcement asynchrone découplée
PRIME-RL est un cadre de modélisation et d'exécution de tâches personnalisé par Prime Intellect pour des scénarios d'entraînement décentralisés, conçu spécialement pour des réseaux hétérogènes et des participations asynchrones. Il utilise l'apprentissage par renforcement comme objet d'adaptation prioritaire, décomposant structurellement les processus d'entraînement, d'inférence et de téléversement de poids, permettant à chaque nœud d'entraînement de compléter indépendamment la boucle de tâche localement, et de collaborer via des interfaces standardisées avec des mécanismes de validation et d'agrégation. Comparé aux processus d'apprentissage supervisé traditionnels, PRIME-RL est mieux adapté à la mise en œuvre d'un entraînement flexible dans des environnements sans planification centralisée, réduisant à la fois la complexité du système et posant les bases pour soutenir le parallélisme des tâches et l'évolution des stratégies.
#TOPLOC:Mécanisme de validation du comportement d'entraînement léger
TOPLOC###Observation de confiance & Vérification de la localité( est un mécanisme central de vérifiabilité de formation proposé par Prime Intellect, utilisé pour déterminer si un nœud a réellement effectué un apprentissage de stratégie valide basé sur des données d'observation. Contrairement à des solutions lourdes comme ZKML, TOPLOC ne dépend pas du recalcul complet du modèle, mais réalise la vérification de structure allégée en analysant la trajectoire de cohérence locale entre "séquence d'observation ↔ mise à jour de stratégie". Il transforme pour la première fois les trajectoires comportementales du processus de formation en objets vérifiables, ce qui constitue une innovation clé pour réaliser une distribution de récompenses d'entraînement sans confiance, offrant une voie viable pour construire un réseau d'entraînement décentralisé, auditable et incitatif.
#SHARDCAST: Protocole de regroupement et de propagation des poids asynchrones
SHARDCAST est un protocole de propagation et d'agrégation de poids conçu par Prime Intellect, optimisé pour des environnements de réseau réels asynchrones, à bande passante limitée et avec des états de nœuds variables. Il combine un mécanisme de propagation de type gossip avec une stratégie de synchronisation locale, permettant à plusieurs nœuds de soumettre en continu des mises à jour partielles dans des états désynchronisés, réalisant ainsi une convergence progressive des poids et une évolution multi-versionnelle. Par rapport aux méthodes AllReduce centralisées ou synchronisées, SHARDCAST améliore considérablement l'évolutivité et la tolérance aux pannes de l'entraînement décentralisé, constituant ainsi la base essentielle pour établir un consensus de poids stable et une itération d'entraînement continue.
#OpenDiLoCo: Cadre de communication asynchrone sparse
OpenDiLoCo est un cadre d'optimisation de communication développé et open source par l'équipe Prime Intellect, basé sur le concept DiLoCo proposé par DeepMind, spécialement conçu pour relever les défis courants de la formation décentralisée, tels que les limitations de bande passante, l'hétérogénéité des appareils et l'instabilité des nœuds. Son architecture est basée sur la parallélisation des données, en construisant des topologies éparses telles que Ring, Expander et Small-World, évitant ainsi les coûts de communication élevés liés à la synchronisation globale, et s'appuyant uniquement sur les nœuds voisins locaux pour réaliser l'entraînement collaboratif du modèle. En combinant des mises à jour asynchrones et un mécanisme de tolérance aux pannes, OpenDiLoCo permet aux GPU de consommation et aux appareils en périphérie de participer de manière stable aux tâches d'entraînement, améliorant ainsi considérablement la participation à l'entraînement collaboratif mondial, et constitue l'une des infrastructures de communication clés pour la construction de réseaux d'entraînement décentralisés.
#PCCL:Bibliothèque de communication collaborative
PCCL)Prime Collective Communication Library( est une bibliothèque de communication légère conçue sur mesure par Prime Intellect pour un environnement d'entraînement AI décentralisé, visant à résoudre les goulets d'étranglement d'adaptation des bibliothèques de communication traditionnelles) telles que NCCL, Gloo( dans des dispositifs hétérogènes et des réseaux à faible bande passante. PCCL prend en charge la topologie éparse, la compression de gradient, la synchronisation à faible précision et la reprise après interruption, pouvant fonctionner sur des GPU de consommation et des nœuds instables, étant un composant sous-jacent soutenant la capacité de communication asynchrone du protocole OpenDiLoCo. Il améliore considérablement la tolérance à la bande passante et la compatibilité des dispositifs du réseau d'entraînement, ouvrant la "dernière ligne droite" de l'infrastructure de communication pour construire un véritable réseau d'entraînement collaboratif ouvert et sans confiance.
)# 03、Prime Intellect incitations réseau et répartition des rôles
Prime Intellect a construit un réseau d'entraînement sans autorisation, vérifiable et doté d'un mécanisme d'incitation économique, permettant à quiconque de participer à des tâches et de recevoir des récompenses en fonction de contributions réelles. Le protocole fonctionne sur la base de trois types de rôles fondamentaux :
Initiateur de la tâche : définir l'environnement d'entraînement, le modèle initial, la fonction de récompense et les critères de validation
Nœud d'entraînement : exécuter un entraînement local, soumettre des mises à jour de poids et des trajectoires d'observation
Nœud de validation : utilise le mécanisme TOPLOC pour vérifier la véracité des comportements d'entraînement et participer au calcul des récompenses et à l'agrégation des stratégies.
Le processus central du protocole comprend la publication des tâches, l'entraînement des nœuds, la vérification des trajectoires, l'agrégation des poids ###SHARDCAST( et la distribution des récompenses, formant un boucle d'incitation autour du "comportement d'entraînement réel".
![Saint Graal de l'IA Crypto : Exploration de pointe de l'entraînement décentralisé])https://img-cdn.gateio.im/webp-social/moments-0a322ea8b70c3d00d8d99606559c1864.webp(
)# 04, INTELLECT-2 : Lancement du premier modèle d'entraînement décentralisé vérifiable
Prime Intellect a lancé INTELLECT-2 en mai 2025, le premier grand modèle d'apprentissage par renforcement au monde formé par la collaboration de nœuds décentralisés asynchrones et sans confiance, avec une taille de paramètres atteignant 32B. Le modèle INTELLECT-2 est composé de
Cette page peut inclure du contenu de tiers fourni à des fins d'information uniquement. Gate ne garantit ni l'exactitude ni la validité de ces contenus, n’endosse pas les opinions exprimées, et ne fournit aucun conseil financier ou professionnel à travers ces informations. Voir la section Avertissement pour plus de détails.
19 J'aime
Récompense
19
4
Partager
Commentaire
0/400
SelfCustodyBro
· Il y a 19h
L'entraînement centralisé, laisse tomber, c'est trop rustique et vieux.
Voir l'originalRépondre0
NotFinancialAdvice
· 08-05 19:48
Quand pourrons-nous faire fonctionner un Rig de minage distribué ?
Voir l'originalRépondre0
NftPhilanthropist
· 08-05 07:06
hmm en fait, construire une formation décentralisée n'est que la preuve de la charité 2.0 pour être honnête
Voir l'originalRépondre0
SellTheBounce
· 08-05 07:04
Encore des bulles, rester en garde entraînera des pertes.
Décentralisation de l'IA : Prime Intellect ouvre la voie à un réseau de collaboration asynchrone
Le Saint Graal de Crypto AI : exploration à la pointe de l'entraînement décentralisé
Dans la chaîne de valeur complète de l'IA, l'entraînement des modèles est l'étape qui consomme le plus de ressources et présente le plus haut seuil technologique, déterminant directement la capacité maximale des modèles et l'efficacité des applications réelles. Comparé à l'appel léger de la phase d'inférence, le processus d'entraînement nécessite un investissement continu en puissance de calcul à grande échelle, des processus de traitement de données complexes et un soutien d'algorithmes d'optimisation intensifs, ce qui en fait la véritable "industrie lourde" de la construction des systèmes d'IA. D'un point de vue des paradigmes architecturaux, les méthodes d'entraînement peuvent être classées en quatre catégories : l'entraînement centralisé, l'entraînement distribué, l'apprentissage fédéré et l'entraînement décentralisé, qui est le sujet principal de cet article.
L'entraînement centralisé est la méthode traditionnelle la plus courante, réalisée par une seule institution au sein d'un cluster haute performance local qui complète l'ensemble du processus d'entraînement, depuis le matériel jusqu'au logiciel de base, au système de planification du cluster, et à tous les composants du cadre d'entraînement, le tout coordonné par un système de contrôle unifié. Cette architecture de collaboration profonde permet d'optimiser l'efficacité du partage de mémoire, de la synchronisation des gradients et des mécanismes de tolérance aux pannes, ce qui la rend particulièrement adaptée à l'entraînement de modèles à grande échelle comme GPT et Gemini, offrant des avantages en termes d'efficacité et de contrôle des ressources, mais présente également des problèmes tels que le monopole des données, les barrières à l'entrée, la consommation d'énergie et les risques de point unique.
L'entraînement distribué est la méthode principale de formation des grands modèles actuellement, son noyau consiste à décomposer les tâches de formation du modèle et à les distribuer à plusieurs machines pour une exécution collaborative, afin de surmonter les goulets d'étranglement de calcul et de stockage sur une seule machine. Bien qu'il possède physiquement des caractéristiques "décentralisées", l'ensemble est toujours contrôlé, planifié et synchronisé par une institution centralisée, fonctionnant souvent dans un environnement de réseau local à haute vitesse, grâce à la technologie de bus interconnexion haut débit NVLink, où le nœud principal coordonne uniformément les sous-tâches. Les méthodes principales comprennent :
L'entraînement distribué est une combinaison de "contrôle centralisé + exécution distribuée", similaire à un même patron dirigeant à distance plusieurs employés de "bureaux" pour collaborer à l'accomplissement d'une tâche. Actuellement, presque tous les grands modèles principaux sont entraînés de cette manière.
La formation décentralisée représente un chemin futur plus ouvert et résistant à la censure. Ses caractéristiques essentielles sont les suivantes : plusieurs nœuds qui ne se font pas confiance (, pouvant être des ordinateurs domestiques, des GPU dans le cloud ou des appareils en périphérie ), collaborent pour accomplir des tâches d'entraînement sans coordinateur central, généralement en utilisant des protocoles pour alimenter la distribution des tâches et la collaboration, et en s'appuyant sur des mécanismes d'incitation cryptographique pour garantir l'honnêteté des contributions. Les principaux défis auxquels ce modèle est confronté incluent :
L'entraînement décentralisé peut être compris comme : un groupe de bénévoles du monde entier, chacun contribuant de la puissance de calcul pour entraîner le modèle en collaboration, mais "le véritable entraînement décentralisé à grande échelle réalisable" reste un défi d'ingénierie systémique, impliquant l'architecture système, les protocoles de communication, la sécurité cryptographique, les mécanismes économiques, la validation des modèles et d'autres niveaux. Cependant, la question de savoir si cela peut être "collaboratif et efficace + inciter à l'honnêteté + produire des résultats corrects" est encore à un stade précoce d'exploration de prototypes.
L'apprentissage fédéré, en tant que forme de transition entre la distribution et la Décentralisation, met l'accent sur la conservation locale des données et l'agrégation centralisée des paramètres du modèle, adapté aux scénarios axés sur la conformité à la vie privée ( tels que la santé et la finance ). L'apprentissage fédéré possède une structure d'ingénierie d'entraînement distribué et une capacité de coopération locale, tout en bénéficiant des avantages de la dispersion des données d'un entraînement décentralisé, mais il reste dépendant d'une entité de coordination de confiance et ne possède pas de caractéristiques entièrement ouvertes et résistantes à la censure. On peut le considérer comme une solution "décentralisée contrôlée" dans des scénarios de conformité à la vie privée, où les tâches d'entraînement, la structure de confiance et le mécanisme de communication sont relativement modérés, ce qui le rend plus adapté comme architecture de déploiement transitoire pour l'industrie.
Décentralisation des limites, opportunités et chemins réalistes de l'entraînement
D'un point de vue des paradigmes d'entraînement, la formation décentralisée n'est pas adaptée à tous les types de tâches. Dans certains scénarios, en raison de la complexité de la structure des tâches, des exigences en ressources extrêmement élevées ou de la difficulté de la collaboration, elle n'est naturellement pas adaptée à être réalisée efficacement entre des nœuds hétérogènes et non fiables. Par exemple, l'entraînement de modèles de grande taille dépend souvent de la haute mémoire vidéo, de la faible latence et de la bande passante élevée, ce qui rend difficile la découpe et la synchronisation efficaces sur un réseau ouvert ; les tâches avec des restrictions fortes en matière de confidentialité et de souveraineté des données sont limitées par des contraintes légales et éthiques, et ne peuvent pas être partagées de manière ouverte ; tandis que les tâches dépourvues d'incitations à la collaboration manquent de motivation pour la participation externe. Ces limites constituent ensemble les restrictions réelles de la formation décentralisée actuelle.
Mais cela ne signifie pas que l'entraînement décentralisé est un faux problème. En fait, dans des types de tâches légères en structure, faciles à paralléliser et incitatives, l'entraînement décentralisé montre des perspectives d'application claires. Cela inclut, mais sans s'y limiter : le fine-tuning LoRA, les tâches d'entraînement post-formation alignées sur le comportement comme RLHF, DPO(, les tâches d'entraînement et d'annotation de données en crowdsourcing, l'entraînement de petits modèles de base contrôlés par les ressources, ainsi que les scénarios d'entraînement collaboratif impliquant des dispositifs en périphérie. Ces tâches présentent généralement des caractéristiques de haute parallélisation, de faible couplage et de tolérance à l'hétérogénéité des capacités de calcul, ce qui les rend très adaptées à une formation collaborative via des réseaux P2P, le protocole Swarm, des optimiseurs distribués, etc.
![Le Saint Graal de l'IA Crypto : Exploration à la pointe de la formation décentralisée])https://img-cdn.gateio.im/webp-social/moments-69eb6c2dab3d6284b890285c71e7a47f.webp(
Décentralisation entraînement classique projet analyse
Actuellement, dans le domaine de la formation décentralisée et de l'apprentissage fédéré, les projets blockchain représentatifs incluent principalement Prime Intellect, Pluralis.ai, Gensyn, Nous Research et Flock.io. En termes d'innovation technologique et de difficulté de mise en œuvre, Prime Intellect, Nous Research et Pluralis.ai ont proposé de nombreuses explorations originales dans la conception des systèmes et des algorithmes, représentant les directions de recherche théorique à la pointe; tandis que les chemins de mise en œuvre de Gensyn et Flock.io sont relativement clairs, et des progrès d'ingénierie initiaux peuvent déjà être observés. Cet article analysera successivement les technologies clés et les architectures d'ingénierie derrière ces cinq projets, et explorera davantage leurs différences et leurs relations complémentaires dans le système de formation IA décentralisé.
) Prime Intellect : Pion des réseaux de collaboration d'apprentissage renforcé vérifiables par la trajectoire d'entraînement
Prime Intellect s'engage à construire un réseau d'entraînement d'IA sans confiance, permettant à quiconque de participer à l'entraînement et de recevoir des récompenses fiables pour sa contribution computationnelle. Prime Intellect souhaite, à travers les trois grands modules PRIME-RL + TOPLOC + SHARDCAST, établir un système d'entraînement d'IA décentralisé, doté de vérifiabilité, d'ouverture et d'un mécanisme d'incitation complet.
01、Structure de la pile de protocoles Prime Intellect et valeur des modules clés
![Le Saint Graal de l'IA Crypto : Exploration à la pointe de l'entraînement décentralisé]###https://img-cdn.gateio.im/webp-social/moments-b11af8d10db6e8baa0c19e87aa18dd82.webp(
)# 02, Explication détaillée des mécanismes clés de l'entraînement Prime Intellect
#PRIME-RL : Architecture de tâche de renforcement asynchrone découplée
PRIME-RL est un cadre de modélisation et d'exécution de tâches personnalisé par Prime Intellect pour des scénarios d'entraînement décentralisés, conçu spécialement pour des réseaux hétérogènes et des participations asynchrones. Il utilise l'apprentissage par renforcement comme objet d'adaptation prioritaire, décomposant structurellement les processus d'entraînement, d'inférence et de téléversement de poids, permettant à chaque nœud d'entraînement de compléter indépendamment la boucle de tâche localement, et de collaborer via des interfaces standardisées avec des mécanismes de validation et d'agrégation. Comparé aux processus d'apprentissage supervisé traditionnels, PRIME-RL est mieux adapté à la mise en œuvre d'un entraînement flexible dans des environnements sans planification centralisée, réduisant à la fois la complexité du système et posant les bases pour soutenir le parallélisme des tâches et l'évolution des stratégies.
#TOPLOC:Mécanisme de validation du comportement d'entraînement léger
TOPLOC###Observation de confiance & Vérification de la localité( est un mécanisme central de vérifiabilité de formation proposé par Prime Intellect, utilisé pour déterminer si un nœud a réellement effectué un apprentissage de stratégie valide basé sur des données d'observation. Contrairement à des solutions lourdes comme ZKML, TOPLOC ne dépend pas du recalcul complet du modèle, mais réalise la vérification de structure allégée en analysant la trajectoire de cohérence locale entre "séquence d'observation ↔ mise à jour de stratégie". Il transforme pour la première fois les trajectoires comportementales du processus de formation en objets vérifiables, ce qui constitue une innovation clé pour réaliser une distribution de récompenses d'entraînement sans confiance, offrant une voie viable pour construire un réseau d'entraînement décentralisé, auditable et incitatif.
#SHARDCAST: Protocole de regroupement et de propagation des poids asynchrones
SHARDCAST est un protocole de propagation et d'agrégation de poids conçu par Prime Intellect, optimisé pour des environnements de réseau réels asynchrones, à bande passante limitée et avec des états de nœuds variables. Il combine un mécanisme de propagation de type gossip avec une stratégie de synchronisation locale, permettant à plusieurs nœuds de soumettre en continu des mises à jour partielles dans des états désynchronisés, réalisant ainsi une convergence progressive des poids et une évolution multi-versionnelle. Par rapport aux méthodes AllReduce centralisées ou synchronisées, SHARDCAST améliore considérablement l'évolutivité et la tolérance aux pannes de l'entraînement décentralisé, constituant ainsi la base essentielle pour établir un consensus de poids stable et une itération d'entraînement continue.
#OpenDiLoCo: Cadre de communication asynchrone sparse
OpenDiLoCo est un cadre d'optimisation de communication développé et open source par l'équipe Prime Intellect, basé sur le concept DiLoCo proposé par DeepMind, spécialement conçu pour relever les défis courants de la formation décentralisée, tels que les limitations de bande passante, l'hétérogénéité des appareils et l'instabilité des nœuds. Son architecture est basée sur la parallélisation des données, en construisant des topologies éparses telles que Ring, Expander et Small-World, évitant ainsi les coûts de communication élevés liés à la synchronisation globale, et s'appuyant uniquement sur les nœuds voisins locaux pour réaliser l'entraînement collaboratif du modèle. En combinant des mises à jour asynchrones et un mécanisme de tolérance aux pannes, OpenDiLoCo permet aux GPU de consommation et aux appareils en périphérie de participer de manière stable aux tâches d'entraînement, améliorant ainsi considérablement la participation à l'entraînement collaboratif mondial, et constitue l'une des infrastructures de communication clés pour la construction de réseaux d'entraînement décentralisés.
#PCCL:Bibliothèque de communication collaborative
PCCL)Prime Collective Communication Library( est une bibliothèque de communication légère conçue sur mesure par Prime Intellect pour un environnement d'entraînement AI décentralisé, visant à résoudre les goulets d'étranglement d'adaptation des bibliothèques de communication traditionnelles) telles que NCCL, Gloo( dans des dispositifs hétérogènes et des réseaux à faible bande passante. PCCL prend en charge la topologie éparse, la compression de gradient, la synchronisation à faible précision et la reprise après interruption, pouvant fonctionner sur des GPU de consommation et des nœuds instables, étant un composant sous-jacent soutenant la capacité de communication asynchrone du protocole OpenDiLoCo. Il améliore considérablement la tolérance à la bande passante et la compatibilité des dispositifs du réseau d'entraînement, ouvrant la "dernière ligne droite" de l'infrastructure de communication pour construire un véritable réseau d'entraînement collaboratif ouvert et sans confiance.
)# 03、Prime Intellect incitations réseau et répartition des rôles
Prime Intellect a construit un réseau d'entraînement sans autorisation, vérifiable et doté d'un mécanisme d'incitation économique, permettant à quiconque de participer à des tâches et de recevoir des récompenses en fonction de contributions réelles. Le protocole fonctionne sur la base de trois types de rôles fondamentaux :
Le processus central du protocole comprend la publication des tâches, l'entraînement des nœuds, la vérification des trajectoires, l'agrégation des poids ###SHARDCAST( et la distribution des récompenses, formant un boucle d'incitation autour du "comportement d'entraînement réel".
![Saint Graal de l'IA Crypto : Exploration de pointe de l'entraînement décentralisé])https://img-cdn.gateio.im/webp-social/moments-0a322ea8b70c3d00d8d99606559c1864.webp(
)# 04, INTELLECT-2 : Lancement du premier modèle d'entraînement décentralisé vérifiable
Prime Intellect a lancé INTELLECT-2 en mai 2025, le premier grand modèle d'apprentissage par renforcement au monde formé par la collaboration de nœuds décentralisés asynchrones et sans confiance, avec une taille de paramètres atteignant 32B. Le modèle INTELLECT-2 est composé de