Le Saint Graal de Crypto AI : Exploration à la pointe de l'entraînement décentralisé

Dans l'ensemble de la chaîne de valeur de l'IA, l'entraînement des modèles est l'étape qui consomme le plus de ressources et présente le plus haut niveau de complexité technique, déterminant directement les limites de capacité des modèles et l'efficacité des applications réelles. Par rapport 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, représentant véritablement "l'industrie lourde" de la construction de systèmes d'IA. D'un point de vue paradigmatique, les méthodes d'entraînement peuvent être classées en quatre catégories : entraînement centralisé, entraînement distribué, apprentissage fédéré et 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, où l'ensemble du processus d'entraînement, des composants matériels, des logiciels de base, du système de planification de cluster, jusqu'au cadre d'entraînement, est coordonné par un système de contrôle unifié. Cette architecture de coopération approfondie permet d'optimiser l'efficacité du partage de la 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 tels que GPT et Gemini, avec des avantages en termes d'efficacité et de contrôle des ressources. Cependant, elle présente également des problèmes tels que le monopole des données, les barrières à l'entrée, la consommation d'énergie et les risques de points uniques.

L'entraînement distribué est la méthode principale pour l'entraînement de grands modèles actuellement. Son cœur consiste à décomposer les tâches d'entraînement du modèle, puis à les distribuer à plusieurs machines pour exécution collaborative, afin de surmonter les goulets d'étranglement en matière de calcul et de stockage sur une seule machine. Bien qu'il présente des caractéristiques "distribuées" sur le plan physique, l'ensemble est toutefois contrôlé, planifié et synchronisé par une institution centralisée, fonctionnant souvent dans un environnement de réseau local haut débit, grâce à la technologie de bus interconnexion haute vitesse NVLink, où le nœud principal coordonne unifié les sous-tâches. Les méthodes principales comprennent :

• Données parallèles : chaque nœud entraîne des paramètres de données différents en partageant les poids du modèle, ce qui nécessite une correspondance.
• Parallélisme de modèle : déployer différentes parties du modèle sur différents nœuds pour réaliser une forte extensibilité
• Pipeline parallèle : exécution sérielle par étapes, augmentation du débit
• Parallélisme de tenseurs : segmentation fine du calcul matriciel, amélioration de la granularité parallèle

L'entraînement distribué est une combinaison de "contrôle centralisé + exécution distribuée", analogue à un même patron dirigeant à distance plusieurs employés de "bureaux" collaborant pour accomplir une tâche. Actuellement, presque tous les grands modèles mainstream sont entraînés de cette manière.

La formation décentralisée représente un chemin futur plus ouvert et résistant à la censure. Ses caractéristiques principales sont : plusieurs nœuds qui ne se font pas confiance collaborent pour accomplir des tâches de formation sans coordinateur central, généralement à travers des protocoles qui pilotent la distribution des tâches et la coopération, et en utilisant des mécanismes d'incitation cryptographique pour garantir l'honnêteté des contributions. Les principaux défis auxquels ce modèle est confronté incluent :

• Hétérogénéité des dispositifs et difficultés de découpage : Difficulté de coordination des dispositifs hétérogènes, faible efficacité de découpage des tâches.
• Goulot d'étranglement de l'efficacité de communication : communication réseau instable, goulot d'étranglement de synchronisation des gradients évident
• Exécution de confiance manquante : manque d'environnement d'exécution de confiance, difficile de vérifier si le nœud participe réellement au calcul.
• Manque de coordination unifiée : pas de planificateur central, distribution des tâches, mécanisme de retour arrière des exceptions complexe

La formation décentralisée peut être comprise comme : un groupe de bénévoles du monde entier contribuant chacun à la puissance de calcul pour entraîner le modèle de manière collaborative, mais "la véritable formation décentralisée à grande échelle réalisable" demeure un défi systémique d'ingénierie, impliquant l'architecture système, les protocoles de communication, la sécurité cryptographique, les mécanismes économiques, la validation des modèles, etc. Cependant, la question de savoir si l'on peut "collaborer efficacement + inciter à l'honnêteté + obtenir des résultats corrects" en est encore au stade d'exploration de prototypes précoces.

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, ce qui le rend adapté aux scénarios axés sur la conformité à la vie privée. L'apprentissage fédéré possède la structure d'ingénierie de l'entraînement distribué et la capacité de coopération locale, tout en bénéficiant des avantages de la décentralisation des données, mais il dépend toujours d'une partie coordonnée de confiance, et ne possède pas les caractéristiques d'ouverture totale et de résistance à la censure. On peut le considérer comme une solution de "décentralisation contrôlée" dans des scénarios de conformité à la vie privée, relativement modérée en termes de tâches d'entraînement, de structure de confiance et de mécanismes de communication, et plus adaptée comme architecture de déploiement transitoire dans l'industrie.

Décentralisation entraînant des limites, des opportunités et des voies réelles

D'un point de vue des paradigmes d'entraînement, la Décentralisation de l'entraînement n'est pas adaptée à tous les types de tâches. Dans certains scénarios, en raison de la complexité de la structure des tâches, des besoins en ressources extrêmement élevés ou de la difficulté de collaboration, il n'est naturellement pas adapté pour être réalisé efficacement entre des nœuds hétérogènes et non fiables. Par exemple, l'entraînement de grands modèles dépend souvent d'une grande mémoire vidéo, d'une faible latence et d'une bande passante élevée, ce qui rend difficile le découpage et la synchronisation efficaces dans un réseau ouvert ; les tâches fortement limitées par la confidentialité des données et les restrictions de souveraineté sont soumises à des contraintes légales et éthiques, ce qui empêche le partage ouvert ; et les tâches manquant de bases d'incitation à la collaboration manquent de motivation externe pour la participation. Ces frontières constituent ensemble les limitations réelles de l'entraînement décentralisé actuel.

Mais cela ne signifie pas que l'entraînement décentralisé est un faux problème. En fait, dans les types de tâches légères en structure, faciles à paralléliser et incitatives, l'entraînement décentralisé démontre des perspectives d'application claires. Cela inclut, mais sans s'y limiter : le réglage fin LoRA, les tâches d'entraînement post-alignment comportemental ( telles que RLHF, DPO ), les tâches d'entraînement et d'annotation par crowdsourcing de données, l'entraînement de petits modèles de base contrôlables en ressources, ainsi que des scénarios d'entraînement collaboratif impliquant des dispositifs en périphérie. Ces tâches possèdent généralement des caractéristiques de haute parallélisation, de faible couplage et de tolérance à la puissance de calcul hétérogène, ce qui les rend très adaptées à une formation collaborative via des réseaux P2P, des protocoles Swarm, des optimiseurs distribués, etc.

Décentralisation entraînement classique projet analyse

Actuellement, dans le domaine de pointe de la formation décentralisée et de l'apprentissage fédéré, les projets de 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 technique, Prime Intellect, Nous Research et Pluralis.ai ont proposé de nombreuses explorations originales en matière d'architecture système et de conception d'algorithmes, représentant les directions de recherche théorique à la pointe actuelle ; tandis que les chemins de mise en œuvre de Gensyn et Flock.io sont relativement clairs, et des progrès d'ingénierie préliminaires peuvent déjà être observés. Cet article analysera successivement les technologies clés et les architectures techniques derrière ces cinq projets, et explorera en outre leurs différences et relations complémentaires dans le système d'entraînement AI décentralisé.

Prime Intellect : Pion des réseaux collaboratifs d'apprentissage par renforcement vérifiables par trajectoire d'entraînement

Prime Intellect s'engage à construire un réseau d'entraînement AI sans confiance, permettant à quiconque de participer à l'entraînement et de recevoir des récompenses fiables pour sa contribution au calcul. Prime Intellect souhaite, grâce aux trois grands modules PRIME-RL + TOPLOC + SHARDCAST, construire un système d'entraînement AI décentralisé, vérifiable, ouvert et doté d'un mécanisme d'incitation complet.

01、Structure de la pile de protocoles Prime Intellect et valeur des modules clés

02, Détails clés du mécanisme d'entraînement de Prime Intellect

#PRIME-RL: Architecture de tâches d'apprentissage par renforcement asynchrone découplé

PRIME-RL est un cadre de modélisation et d'exécution de tâches personnalisé par Prime Intellect pour des scénarios d'entraînement décentralisés, spécialement conçu pour les réseaux hétérogènes et la participation asynchrone. Il utilise l'apprentissage par renforcement comme objet d'adaptation prioritaire, découpant structurellement le processus d'entraînement, d'inférence et de téléversement des poids, permettant à chaque nœud d'entraînement de compléter localement la boucle de tâches 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 pour réaliser un entraînement flexible dans un environnement sans planification centrale, réduisant ainsi la complexité du système et posant les bases pour le soutien de l'exécution de plusieurs tâches en parallèle et l'évolution des stratégies.

#TOPLOC:Mécanisme de validation des comportements d'entraînement léger

TOPLOC est un mécanisme central de vérifiabilité de formation proposé par Prime Intellect, utilisé pour déterminer si un nœud a réellement complété un apprentissage de stratégie valide basé sur des données d'observation. Contrairement à des solutions lourdes comme ZKML, TOPLOC ne dépend pas du recalcul intégral du modèle, mais réalise une 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 la distribution de récompenses d'apprentissage sans confiance, fournissant un chemin viable pour construire un réseau de formation collaboratif décentralisé qui soit auditable et incitatif.

#SHARDCAST: Protocole d'agrégation et de propagation de poids asynchrone

SHARDCAST est un protocole de diffusion et d'agrégation de poids conçu par Prime Intellect, optimisé pour des environnements réseau réels asynchrones, à bande passante limitée et avec des états de nœuds fluctuants. Il combine un mécanisme de diffusion gossip et 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-version. 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 fondamentale 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, conçu spécifiquement pour relever les défis courants de la formation décentralisée, tels que la bande passante limitée, l'hétérogénéité des appareils et l'instabilité des nœuds. Son architecture est basée sur le parallélisme des données, en construisant des structures topologiques éparses telles que Ring, Expander, Small-World, évitant ainsi le coût de communication élevé de la synchronisation globale, et s'appuyant uniquement sur les nœuds voisins locaux pour accomplir 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 dispositifs de pointe de participer de manière stable aux tâches d'entraînement, améliorant significativement la participation à l'entraînement collaboratif mondial, et constitue l'une des infrastructures de communication clés pour construire un réseau d'entraînement décentralisé.

#PCCL: Bibliothèque de communication collaborative

PCCL 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 dans des dispositifs hétérogènes et des réseaux à faible bande passante. PCCL prend en charge la topologie éparse, la compression des gradients, la synchronisation à faible précision et la récupération après interruption, et peut fonctionner sur des GPU grand public et des nœuds instables. C'est un composant de base soutenant la capacité de communication asynchrone du protocole OpenDiLoCo. Il améliore considérablement la tolérance à la bande passante et la compatibilité des dispositifs des réseaux d'entraînement, ouvrant la "dernière étape" de l'infrastructure de communication pour construire un véritable réseau d'entraînement collaboratif ouvert et sans confiance.

03、Prime Intellect réseau d'incitation 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 clés :

• 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 les mises à jour de poids et observer les trajectoires
• Nœud de validation : utiliser le mécanisme TOPLOC pour vérifier la véracité du comportement 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 validation des trajectoires, l'agrégation des poids ( SHARDCAST ) et la distribution des récompenses, formant ainsi un cercle d'incitation autour des "comportements d'entraînement réels".

04, INTELLECT-2 : Lancement du premier modèle d'entraînement décentralisé vérifiable

Prime Intellect a lancé INTELLECT-2 en mai 2025, qui est 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 paramètre atteignant 32B. Le modèle INTELLECT-2 a été formé grâce à la collaboration de plus de 100 nœuds hétérogènes GPU répartis sur trois continents, utilisant une architecture entièrement asynchrone, avec une durée d'entraînement de plus de 400 heures, démontrant la faisabilité et la stabilité des réseaux de collaboration asynchrone. Ce modèle n'est pas seulement une percée en termes de performance, mais constitue également la première mise en œuvre systématique du paradigme "l'entraînement est le consensus" proposé par Prime Intellect. INTELLECT-2 intègre des modules de protocoles clés tels que PRIME-RL, TOPLOC et SHARDCAST, marquant la formation décentralisée.