Chén thánh của Crypto AI: Khám phá tiên phong về đào tạo Phi tập trung
Trong toàn bộ chuỗi giá trị của AI, huấn luyện mô hình là giai đoạn tiêu tốn nhiều tài nguyên nhất và có rào cản công nghệ cao nhất, quyết định trực tiếp khả năng tối đa của mô hình và hiệu quả ứng dụng thực tế. So với giai đoạn suy luận nhẹ nhàng hơn, quá trình huấn luyện cần một sự đầu tư tính toán quy mô lớn liên tục, quy trình xử lý dữ liệu phức tạp và hỗ trợ từ các thuật toán tối ưu hóa cường độ cao, thực sự là "công nghiệp nặng" trong việc xây dựng hệ thống AI. Xét về mô hình kiến trúc, phương pháp huấn luyện có thể chia thành bốn loại: huấn luyện tập trung, huấn luyện phân tán, học liên bang và huấn luyện Phi tập trung mà bài viết này sẽ tập trung thảo luận.
Huấn luyện 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 chỗ, hoàn thành tất cả quy trình huấn luyện, từ phần cứng, phần mềm nền tảng, hệ thống lập lịch cụm, đến tất cả các thành phần của khung huấn luyện đều được điều phối bởi một hệ thống kiểm soát 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 quả tối ưu, rất phù hợp cho việc huấn luyện các mô hình quy mô lớn như GPT, Gemini, với những 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 hiện nay để huấn luyện các mô hình lớn, cốt lõi của nó là chia nhỏ nhiệm vụ huấn luyện mô hình rồi phân phối cho nhiều máy tính thực hiện phối hợp, nhằm vượt qua các nút thắt trong tính toán và lưu trữ trên một máy đơn. Mặc dù về mặt vật lý có đặc điểm "Phi tập trung", nhưng tổng thể vẫn được các tổ chức trung tâm kiểm soát, điều phối và đồng bộ, thường hoạt động trong môi trường mạng cục bộ tốc độ cao, thông qua công nghệ bus liên kết tốc độ cao NVLink, các nhiệm vụ con được điều phối một cách thống nhất bởi nút chính. Các phương pháp chính bao gồm:
Dữ liệu song song: Mỗi nút huấn luyện các tham số dữ liệu khác nhau, cần khớp trọng số mô hình.
Mô hình song song: Triển khai các phần khác nhau của mô hình trên các nút khác nhau, đạt được khả năng mở rộng mạnh mẽ.
Đường ống song song: Thực hiện tuần tự theo từng giai đoạn, nâng cao thông lượng
Song song tensor: Phân chia tinh chỉnh tính toán ma trận, nâng cao độ phân giải song song
Đào tạo phân tán là sự kết hợp của "kiểm soát tập trung + thực hiện phân tán", tương tự như việc một ông chủ chỉ huy từ xa nhiều nhân viên "văn phòng" hợp tác để hoàn thành nhiệm vụ. Hiện tại, hầu như tất cả các mô hình lớn chính đều được đào tạo bằng cách này.
Phi tập trung đào tạo thì đại diện cho con đường tương lai với tính mở và khả năng chống kiểm duyệt cao hơn. Đặc điểm cốt lõi của nó là: nhiều nút không tin tưởng lẫn nhau hợp tác hoàn thành nhiệm vụ đào tạo mà không cần điều phối viên trung tâm, thường thông qua giao thức điều khiển việc phân phối nhiệm vụ và hợp tác, và nhờ vào cơ chế khuyến khích mã hóa đảm bảo tính trung thực của đóng góp. Những thách thức chính mà mô hình này phải đối mặt bao gồm:
Khó khăn trong việc phân tách và đồng bộ thiết bị: Khó khăn trong việc điều phối thiết bị khác nhau, hiệu quả phân tách nhiệm vụ thấp.
Độ trễ trong giao tiếp: Giao tiếp mạng không ổn định, rõ ràng có độ trễ trong việc đồng bộ gradient
Thiếu khả năng thực thi đáng tin cậy: Thiếu môi trường thực thi đáng tin cậy, khó xác minh xem nút có thực sự tham gia tính toán hay không.
Thiếu sự phối hợp thống nhất: không có bộ điều độ trung tâm, phân phối nhiệm vụ, cơ chế quay lại bất thường phức tạp
Huấn luyện phi tập trung có thể được hiểu là: một nhóm tình nguyện viên toàn cầu, mỗi người đóng góp sức mạnh tính toán để hợp tác huấn luyện mô hình, nhưng "huấn luyện 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 thực mô hình và nhiều khía cạnh khác, nhưng việc có thể "hợp tác hiệu quả + khuyến khích trung thực + kết quả đúng đắn" vẫn đang ở giai đoạn khám phá nguyên mẫu sơ khai.
Học liên bang, như một hình thức chuyển tiếp giữa phân phối và Phi tập trung, nhấn mạnh việc giữ lại dữ liệu tại địa phương và tập trung tổng hợp các tham số mô hình, phù hợp với các tình huống chú trọng đến tính tuân thủ quyền riêng tư. Học liên bang có cấu trúc kỹ thuật của đào tạo phân tán và khả năng hợp tác cục bộ, đồng thời mang lại lợi thế phân tán dữ liệu của đào tạo Phi tập trung, nhưng vẫn phụ thuộc vào bên phối hợp đáng tin cậy và không có đặc điểm hoàn toàn mở và chống kiểm duyệt. Nó có thể được coi 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 giao tiếp đều tương đối nhẹ nhàng, phù hợp hơn với việc triển khai chuyển tiếp trong ngành công nghiệp.
Phi tập trung đào tạo các 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, nhu cầu tài nguyên cực cao hoặc khó khăn trong hợp tác, nó tự nhiên không phù hợp để hoàn thành hiệu quả giữa các nút phi tập trung, không tin cậy. Ví dụ, đào tạo mô hình lớn thường phụ thuộc vào bộ nhớ đồ họa lớn, độ trễ thấp và băng thông cao, khó có thể phân chia và đồng bộ hiệu quả trong mạng mở; nhiệm vụ có hạn chế về quyền riêng tư dữ liệu và chủ quyền bị ràng buộc bởi tuân thủ pháp lý và ràng buộc đạo đức, không thể chia sẻ công khai; trong khi các nhiệm vụ thiếu cơ sở khuyến khích hợp tác thì thiếu động lực tham gia bên ngoài. Những ranh giới này cùng nhau tạo thành những giới hạn thực tế của việc đào tạo phi tập trung hiện nay.
Nhưng điều này không có nghĩa là đào tạo phi tập trung là một giả thuyết sai. Thực tế, trong các loại nhiệm vụ có cấu trúc nhẹ, dễ song song và có thể khuyến khích, đào tạo phi tập trung thể hiện triển vọng ứng dụng rõ ràng. Bao gồm nhưng không giới hạn: tinh chỉnh LoRA, các nhiệm vụ đào tạo hậu như RLHF, DPO(, đào tạo và gán nhãn dữ liệu qua đám đông, đào tạo các mô hình cơ bản nhỏ có thể kiểm soát tài nguyên, cũng như các kịch bản đào tạo hợp tác với sự tham gia của thiết bị biên. Những nhiệm vụ này thường có đặc điểm 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 qua mạng P2P, giao thức Swarm, bộ tối ưu phân tán và các phương thức khác.
![Crypto AI的圣杯：Phi tập trung训练的前沿探索])https://img-cdn.gateio.im/webp-social/moments-adb92bc4dfbaf26863cb0b4bb1081cd7.webp(
Phi tập trung đào tạo phân tích dự án cổ điển
Hiện tại, trong lĩnh vực đào tạo phi tập trung và học liên kết, các dự án blockchain tiêu biểu bao gồm Prime Intellect, Pluralis.ai, Gensyn, Nous Research và Flock.io. Về tính đổi mới công nghệ và độ khó thực hiện kỹ thuật, Prime Intellect, Nous Research và Pluralis.ai đã đưa ra nhiều khám phá sáng tạo trong thiết kế hệ thống và thuật toán, đại diện cho hướng nghiên cứu lý thuyết hiện tại; trong khi đó, Gensyn và Flock.io có lộ trình thực hiện tương đối rõ ràng và đã có thể thấy những tiến triển ban đầu trong việc hiện thực hóa. Bài viết này sẽ lần lượt phân tích các 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 trong 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 tưởng, 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 mình. 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.
01、Cấu trúc ngăn xếp giao thức Prime Intellect và giá trị của các mô-đun chính
![Chén thánh Crypto AI: Khám phá tiên tiến về đào tạo Phi tập trung]###https://img-cdn.gateio.im/webp-social/moments-69eb6c2dab3d6284b890285c71e7a47f.webp(
)# 02、Giải thích chi tiết về cơ chế huấn luyện Prime Intellect
#PRIME-RL: Kiến trúc nhiệm vụ học tăng cường bất đồng bộ giải cấu trúc
PRIME-RL là khung mô hình hóa và thực hiện nhiệm vụ được Prime Intellect tùy chỉnh cho các kịch bản huấn luyện Phi tập trung, được thiết kế đặc biệt cho mạng lưới dị thể và sự tham gia không đồng bộ. Nó sử dụng học tăng cường như đối tượng thích ứng ưu tiên, tách rời cấu trúc các quá trình huấn luyện, suy diễn và tải trọng, cho phép mỗi nút huấn luyện có thể hoàn thành chu trình nhiệm vụ một cách độc lập tại địa phương, và hợp tác thông qua giao diện tiêu chuẩn với cơ chế xác thực và tổng hợp. So với quy trình học có giám sát truyền thống, PRIME-RL thích hợp hơn để thực hiện huấn luyện linh hoạt trong môi trường không có lập lịch trung tâm, vừa giảm độ phức tạp của hệ thống, vừa tạo nền tảng cho việc hỗ trợ đa nhiệm song song và tiến hóa chiến lược.
#TOPLOC:Cơ chế xác thực hành vi đào tạo nhẹ
TOPLOC là cơ chế cốt lõi về khả năng xác minh 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 như ZKML, TOPLOC không phụ thuộc vào việc tính toán lại toàn bộ mô hình, mà thông qua việc phân tích "chuỗi quan sát ↔ cập nhật chiến lược" để hoàn thành việc xác minh cấu trúc nhẹ. Lần đầu tiên, nó chuyển đổi các quỹ đạo hành vi trong quá trình huấn luyện thành các đối tượng có thể xác minh, là sự đổi mới then chốt để thực hiện phân phối phần thưởng huấn luyện không cần tin cậy, cung cấp con đường khả thi để xây dựng mạng lưới huấn luyện hợp tác phi tập trung có thể kiểm toán và có thể khuyến khích.
#SHARDCAST: Giao thức tổng hợp và truyền phát trọng số không đồng bộ
SHARDCAST là giao thức phân phối và tổng hợp trọng số được thiết kế bởi Prime Intellect, được tối ưu hóa đặc biệt cho môi trường mạng thực tế với tính không đồng bộ, băng thông hạn chế và trạng thái nút thay đổi. Nó kết hợp cơ chế phát tán gossip và chiến lược đồng bộ cục bộ, cho phép nhiều nút liên tục gửi các cập nhật một 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 nâng cao đáng kể khả năng mở rộng và khả năng chịu lỗi của đào tạo Phi tập trung, là nền tảng chính để xây dựng sự đồng thuận trọng số ổn định và quá trình đào tạo liên tục.
#OpenDiLoCo: Khung giao tiếp bất đồng bộ thưa thớt
OpenDiLoCo là một khung tối ưu hóa truyền thông được nhóm Prime Intellect độc lập triển khai và mã nguồn mở dựa trên khái niệm DiLoCo do DeepMind đề xuất, được thiết kế đặc biệt cho những thách thức phổ biến 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 sự song song dữ liệu, thông qua việc xây dựng các cấu trúc topo thưa như Ring, Expander, Small-World, tránh được chi phí truyền thông cao của đồng bộ toàn cầu, chỉ dựa vào các nút láng giềng cục bộ để hoàn thành việc đào tạo mô hình hợp tác. 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 việc đào tạo hợp tác toàn cầu, là một trong những cơ sở hạ tầng truyền thông quan trọng để xây dựng mạng lưới đào tạo phi tập trung.
#PCCL: Thư viện giao tiếp hợp tác
PCCL là thư viện giao tiếp nhẹ được Prime Intellect thiết kế riêng cho môi trường đào tạo AI phi tập trung, nhằm giải quyết những điểm nghẽn thích ứng của các thư viện giao tiếp truyền thống trong các thiết bị không đồng nhất và mạng có băng thông thấp. PCCL hỗ trợ topo thưa, nén độ dốc, đồng bộ độ chính xác thấp và phục hồi từ điểm dừng, có thể chạy trên GPU tiêu dùng và các nút không ổn định, là thành phần cơ sở hỗ trợ khả năng giao tiếp bất đồng bộ của giao thức OpenDiLoCo. Nó cải thiện đáng kể khả năng chịu đựng băng thông của mạng đào tạo và tính tương thích thiết bị, mở ra "km cuối" của cơ sở hạ tầng giao tiếp cho việc xây dựng mạng đào tạo hợp tác thực sự mở và không cần tin cậy.
03、Prime Intellect kích thích mạng lưới và phân công vai trò
Prime Intellect xây dựng một mạng lưới đào tạo không cần giấy 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 thực
Nút đào tạo: thực hiện đào tạo cục bộ, gửi cập nhật trọng số và theo dõi quan sát
Node xác thực: Sử dụng cơ chế TOPLOC để xác minh tính xác thực của hành vi đào tạo, và tham gia 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 tế".
![Cốc thánh của Crypto AI: Khám phá tiên phong trong đào tạo Phi tập trung])https://img-cdn.gateio.im/webp-social/moments-b11af8d10db6e8baa0c19e87aa18dd82.webp(
)# 04、INTELLECT-2: Phát hành mô hình đào tạo phi tập trung đầu tiên có thể xác minh
Prime Intellect đã phát hành INTELLECT-2 vào tháng 5 năm 2025, đây là mô hình học tăng cường lớn đầu tiên trên thế giới được đào tạo thông qua việc hợp tác của các nút phi tập trung, không cần tin cậy và không đồng bộ, với quy mô tham số lên tới 32B. Mô hình INTELLECT-2 được hoàn thành thông qua việc đào tạo hợp tác của hơn 100 nút GPU khác nhau trên ba lục địa, sử dụng kiến trúc hoàn toàn không đồng bộ, thời gian đào tạo vượt quá 400 giờ, cho thấy tính khả thi và độ ổn định của mạng lưới hợp tác không đồng bộ. Mô hình này không chỉ là một sự đột phá về hiệu suất, mà còn là sự triển khai hệ thống đầu tiên của phương thức "đào tạo chính là đồng thuận" mà Prime Intellect đã đề xuất. INTELLECT-2 tích hợp các mô-đun giao thức cốt lõi như PRIME-RL, TOPLOC và SHARDCAST, đánh dấu sự phát triển của Phi tập trung.
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.
16 thích
Phần thưởng
16
7
Chia sẻ
Bình luận
0/400
mev_me_maybe
· 2giờ trước
Đào tạo thật sự vừa đắt vừa chậm, ai có thể chịu nổi đây?
Xem bản gốcTrả lời0
WhaleWatcher
· 2giờ trước
Không có cải cách phí vào xe thì nói gì đến Phi tập trung
Xem bản gốcTrả lời0
MissedAirdropBro
· 2giờ trước
Lại sắp tạo ra một đợt Máy khai thác lớn để phát tài rồi.
Xem bản gốcTrả lời0
WagmiWarrior
· 2giờ trước
Vị này quá đúng rồi
Xem bản gốcTrả lời0
SellTheBounce
· 2giờ trước
Ai, lại một cái gió mà vốn liếng theo đuổi, so với chu kỳ trước không có gì khác biệt.
Xem bản gốcTrả lời0
CommunitySlacker
· 2giờ trước
Tiêu đề: "Khám Phá Đào Tạo AI Phi Tập Trung: Prime Intellect và Pluralis Dẫn Đầu Tiên Phong"
Chúng ta có thể làm như vậy không? ? Huấn luyện tập trung chết chậm
Phi tập trung AI đào tạo khám phá: Prime Intellect và Pluralis dẫn đầu tiên phong
Chén thánh của Crypto AI: Khám phá tiên phong về đào tạo Phi tập trung
Trong toàn bộ chuỗi giá trị của AI, huấn luyện mô hình là giai đoạn tiêu tốn nhiều tài nguyên nhất và có rào cản công nghệ cao nhất, quyết định trực tiếp khả năng tối đa của mô hình và hiệu quả ứng dụng thực tế. So với giai đoạn suy luận nhẹ nhàng hơn, quá trình huấn luyện cần một sự đầu tư tính toán quy mô lớn liên tục, quy trình xử lý dữ liệu phức tạp và hỗ trợ từ các thuật toán tối ưu hóa cường độ cao, thực sự là "công nghiệp nặng" trong việc xây dựng hệ thống AI. Xét về mô hình kiến trúc, phương pháp huấn luyện có thể chia thành bốn loại: huấn luyện tập trung, huấn luyện phân tán, học liên bang và huấn luyện Phi tập trung mà bài viết này sẽ tập trung thảo luận.
Huấn luyện 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 chỗ, hoàn thành tất cả quy trình huấn luyện, từ phần cứng, phần mềm nền tảng, hệ thống lập lịch cụm, đến tất cả các thành phần của khung huấn luyện đều được điều phối bởi một hệ thống kiểm soát 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 quả tối ưu, rất phù hợp cho việc huấn luyện các mô hình quy mô lớn như GPT, Gemini, với những 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 hiện nay để huấn luyện các mô hình lớn, cốt lõi của nó là chia nhỏ nhiệm vụ huấn luyện mô hình rồi phân phối cho nhiều máy tính thực hiện phối hợp, nhằm vượt qua các nút thắt trong tính toán và lưu trữ trên một máy đơn. Mặc dù về mặt vật lý có đặc điểm "Phi tập trung", nhưng tổng thể vẫn được các tổ chức trung tâm kiểm soát, điều phối và đồng bộ, thường hoạt động trong môi trường mạng cục bộ tốc độ cao, thông qua công nghệ bus liên kết tốc độ cao NVLink, các nhiệm vụ con được điều phối một cách thống nhất bởi nút chính. Các phương pháp chính bao gồm:
Đào tạo phân tán là sự kết hợp của "kiểm soát tập trung + thực hiện phân tán", tương tự như việc một ông chủ chỉ huy từ xa nhiều nhân viên "văn phòng" hợp tác để hoàn thành nhiệm vụ. Hiện tại, hầu như tất cả các mô hình lớn chính đều được đào tạo bằng cách này.
Phi tập trung đào tạo thì đại diện cho con đường tương lai với tính mở và khả năng chống kiểm duyệt cao hơn. Đặc điểm cốt lõi của nó là: nhiều nút không tin tưởng lẫn nhau hợp tác hoàn thành nhiệm vụ đào tạo mà không cần điều phối viên trung tâm, thường thông qua giao thức điều khiển việc phân phối nhiệm vụ và hợp tác, và nhờ vào cơ chế khuyến khích mã hóa đảm bảo tính trung thực của đóng góp. Những thách thức chính mà mô hình này phải đối mặt bao gồm:
Huấn luyện phi tập trung có thể được hiểu là: một nhóm tình nguyện viên toàn cầu, mỗi người đóng góp sức mạnh tính toán để hợp tác huấn luyện mô hình, nhưng "huấn luyện 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 thực mô hình và nhiều khía cạnh khác, nhưng việc có thể "hợp tác hiệu quả + khuyến khích trung thực + kết quả đúng đắn" vẫn đang ở giai đoạn khám phá nguyên mẫu sơ khai.
Học liên bang, như một hình thức chuyển tiếp giữa phân phối và Phi tập trung, nhấn mạnh việc giữ lại dữ liệu tại địa phương và tập trung tổng hợp các tham số mô hình, phù hợp với các tình huống chú trọng đến tính tuân thủ quyền riêng tư. Học liên bang có cấu trúc kỹ thuật của đào tạo phân tán và khả năng hợp tác cục bộ, đồng thời mang lại lợi thế phân tán dữ liệu của đào tạo Phi tập trung, nhưng vẫn phụ thuộc vào bên phối hợp đáng tin cậy và không có đặc điểm hoàn toàn mở và chống kiểm duyệt. Nó có thể được coi 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 giao tiếp đều tương đối nhẹ nhàng, phù hợp hơn với việc triển khai chuyển tiếp trong ngành công nghiệp.
Phi tập trung đào tạo các 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, nhu cầu tài nguyên cực cao hoặc khó khăn trong hợp tác, nó tự nhiên không phù hợp để hoàn thành hiệu quả giữa các nút phi tập trung, không tin cậy. Ví dụ, đào tạo mô hình lớn thường phụ thuộc vào bộ nhớ đồ họa lớn, độ trễ thấp và băng thông cao, khó có thể phân chia và đồng bộ hiệu quả trong mạng mở; nhiệm vụ có hạn chế về quyền riêng tư dữ liệu và chủ quyền bị ràng buộc bởi tuân thủ pháp lý và ràng buộc đạo đức, không thể chia sẻ công khai; trong khi các nhiệm vụ thiếu cơ sở khuyến khích hợp tác thì thiếu động lực tham gia bên ngoài. Những ranh giới này cùng nhau tạo thành những giới hạn thực tế của việc đào tạo phi tập trung hiện nay.
Nhưng điều này không có nghĩa là đào tạo phi tập trung là một giả thuyết sai. Thực tế, trong các loại nhiệm vụ có cấu trúc nhẹ, dễ song song và có thể khuyến khích, đào tạo phi tập trung thể hiện triển vọng ứng dụng rõ ràng. Bao gồm nhưng không giới hạn: tinh chỉnh LoRA, các nhiệm vụ đào tạo hậu như RLHF, DPO(, đào tạo và gán nhãn dữ liệu qua đám đông, đào tạo các mô hình cơ bản nhỏ có thể kiểm soát tài nguyên, cũng như các kịch bản đào tạo hợp tác với sự tham gia của thiết bị biên. Những nhiệm vụ này thường có đặc điểm 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 qua mạng P2P, giao thức Swarm, bộ tối ưu phân tán và các phương thức khác.
![Crypto AI的圣杯：Phi tập trung训练的前沿探索])https://img-cdn.gateio.im/webp-social/moments-adb92bc4dfbaf26863cb0b4bb1081cd7.webp(
Phi tập trung đào tạo phân tích dự án cổ điển
Hiện tại, trong lĩnh vực đào tạo phi tập trung và học liên kết, các dự án blockchain tiêu biểu bao gồm Prime Intellect, Pluralis.ai, Gensyn, Nous Research và Flock.io. Về tính đổi mới công nghệ và độ khó thực hiện kỹ thuật, Prime Intellect, Nous Research và Pluralis.ai đã đưa ra nhiều khám phá sáng tạo trong thiết kế hệ thống và thuật toán, đại diện cho hướng nghiên cứu lý thuyết hiện tại; trong khi đó, Gensyn và Flock.io có lộ trình thực hiện tương đối rõ ràng và đã có thể thấy những tiến triển ban đầu trong việc hiện thực hóa. Bài viết này sẽ lần lượt phân tích các 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 trong 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 tưởng, 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 mình. 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.
01、Cấu trúc ngăn xếp giao thức Prime Intellect và giá trị của các mô-đun chính
![Chén thánh Crypto AI: Khám phá tiên tiến về đào tạo Phi tập trung]###https://img-cdn.gateio.im/webp-social/moments-69eb6c2dab3d6284b890285c71e7a47f.webp(
)# 02、Giải thích chi tiết về cơ chế huấn luyện Prime Intellect
#PRIME-RL: Kiến trúc nhiệm vụ học tăng cường bất đồng bộ giải cấu trúc
PRIME-RL là khung mô hình hóa và thực hiện nhiệm vụ được Prime Intellect tùy chỉnh cho các kịch bản huấn luyện Phi tập trung, được thiết kế đặc biệt cho mạng lưới dị thể và sự tham gia không đồng bộ. Nó sử dụng học tăng cường như đối tượng thích ứng ưu tiên, tách rời cấu trúc các quá trình huấn luyện, suy diễn và tải trọng, cho phép mỗi nút huấn luyện có thể hoàn thành chu trình nhiệm vụ một cách độc lập tại địa phương, và hợp tác thông qua giao diện tiêu chuẩn với cơ chế xác thực và tổng hợp. So với quy trình học có giám sát truyền thống, PRIME-RL thích hợp hơn để thực hiện huấn luyện linh hoạt trong môi trường không có lập lịch trung tâm, vừa giảm độ phức tạp của hệ thống, vừa tạo nền tảng cho việc hỗ trợ đa nhiệm song song và tiến hóa chiến lược.
#TOPLOC:Cơ chế xác thực hành vi đào tạo nhẹ
TOPLOC là cơ chế cốt lõi về khả năng xác minh 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 như ZKML, TOPLOC không phụ thuộc vào việc tính toán lại toàn bộ mô hình, mà thông qua việc phân tích "chuỗi quan sát ↔ cập nhật chiến lược" để hoàn thành việc xác minh cấu trúc nhẹ. Lần đầu tiên, nó chuyển đổi các quỹ đạo hành vi trong quá trình huấn luyện thành các đối tượng có thể xác minh, là sự đổi mới then chốt để thực hiện phân phối phần thưởng huấn luyện không cần tin cậy, cung cấp con đường khả thi để xây dựng mạng lưới huấn luyện hợp tác phi tập trung có thể kiểm toán và có thể khuyến khích.
#SHARDCAST: Giao thức tổng hợp và truyền phát trọng số không đồng bộ
SHARDCAST là giao thức phân phối và tổng hợp trọng số được thiết kế bởi Prime Intellect, được tối ưu hóa đặc biệt cho môi trường mạng thực tế với tính không đồng bộ, băng thông hạn chế và trạng thái nút thay đổi. Nó kết hợp cơ chế phát tán gossip và chiến lược đồng bộ cục bộ, cho phép nhiều nút liên tục gửi các cập nhật một 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 nâng cao đáng kể khả năng mở rộng và khả năng chịu lỗi của đào tạo Phi tập trung, là nền tảng chính để xây dựng sự đồng thuận trọng số ổn định và quá trình đào tạo liên tục.
#OpenDiLoCo: Khung giao tiếp bất đồng bộ thưa thớt
OpenDiLoCo là một khung tối ưu hóa truyền thông được nhóm Prime Intellect độc lập triển khai và mã nguồn mở dựa trên khái niệm DiLoCo do DeepMind đề xuất, được thiết kế đặc biệt cho những thách thức phổ biến 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 sự song song dữ liệu, thông qua việc xây dựng các cấu trúc topo thưa như Ring, Expander, Small-World, tránh được chi phí truyền thông cao của đồng bộ toàn cầu, chỉ dựa vào các nút láng giềng cục bộ để hoàn thành việc đào tạo mô hình hợp tác. 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 việc đào tạo hợp tác toàn cầu, là một trong những cơ sở hạ tầng truyền thông quan trọng để xây dựng mạng lưới đào tạo phi tập trung.
#PCCL: Thư viện giao tiếp hợp tác
PCCL là thư viện giao tiếp nhẹ được Prime Intellect thiết kế riêng cho môi trường đào tạo AI phi tập trung, nhằm giải quyết những điểm nghẽn thích ứng của các thư viện giao tiếp truyền thống trong các thiết bị không đồng nhất và mạng có băng thông thấp. PCCL hỗ trợ topo thưa, nén độ dốc, đồng bộ độ chính xác thấp và phục hồi từ điểm dừng, có thể chạy trên GPU tiêu dùng và các nút không ổn định, là thành phần cơ sở hỗ trợ khả năng giao tiếp bất đồng bộ của giao thức OpenDiLoCo. Nó cải thiện đáng kể khả năng chịu đựng băng thông của mạng đào tạo và tính tương thích thiết bị, mở ra "km cuối" của cơ sở hạ tầng giao tiếp cho việc xây dựng mạng đào tạo hợp tác thực sự mở và không cần tin cậy.
03、Prime Intellect kích thích mạng lưới và phân công vai trò
Prime Intellect xây dựng một mạng lưới đào tạo không cần giấy 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 tế".
![Cốc thánh của Crypto AI: Khám phá tiên phong trong đào tạo Phi tập trung])https://img-cdn.gateio.im/webp-social/moments-b11af8d10db6e8baa0c19e87aa18dd82.webp(
)# 04、INTELLECT-2: Phát hành mô hình đào tạo phi tập trung đầu tiên có thể xác minh
Prime Intellect đã phát hành INTELLECT-2 vào tháng 5 năm 2025, đây là mô hình học tăng cường lớn đầu tiên trên thế giới được đào tạo thông qua việc hợp tác của các nút phi tập trung, không cần tin cậy và không đồng bộ, với quy mô tham số lên tới 32B. Mô hình INTELLECT-2 được hoàn thành thông qua việc đào tạo hợp tác của hơn 100 nút GPU khác nhau trên ba lục địa, sử dụng kiến trúc hoàn toàn không đồng bộ, thời gian đào tạo vượt quá 400 giờ, cho thấy tính khả thi và độ ổn định của mạng lưới hợp tác không đồng bộ. Mô hình này không chỉ là một sự đột phá về hiệu suất, mà còn là sự triển khai hệ thống đầu tiên của phương thức "đào tạo chính là đồng thuận" mà Prime Intellect đã đề xuất. INTELLECT-2 tích hợp các mô-đun giao thức cốt lõi như PRIME-RL, TOPLOC và SHARDCAST, đánh dấu sự phát triển của Phi tập trung.
Chúng ta có thể làm như vậy không? ? Huấn luyện tập trung chết chậm