Évolution des paradigmes d'entraînement AI : de la contrôle centralisé à la révolution technologique de la coopération décentralisée
Dans l'ensemble de la chaîne de valeur de l'IA, l'entraînement des modèles est l'étape la plus consommatrice en ressources et avec la plus haute barrière technique, déterminant directement la capacité maximale 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 à haute intensité, ce qui en fait la véritable "industrie lourde" de la construction des systèmes d'IA. Du point de vue des paradigmes d'architecture, les méthodes d'entraînement peuvent être divisées 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 entité au sein d'un cluster haute performance local, où tous les processus d'entraînement, des matériels, du logiciel de base, du système de planification de cluster, jusqu'à tous les composants du cadre d'entraînement, sont coordonnés par un système de contrôle unifié. Cette architecture de coopération profonde permet d'atteindre une efficacité optimale pour le partage de mémoire, la synchronisation des gradients et les mécanismes de tolérance aux pannes, ce qui la rend très adaptée à l'entraînement de modèles à grande échelle tels que GPT et Gemini, offrant des avantages en termes d'efficacité et de contrôle des ressources, mais présentant également des problèmes de monopole de données, de barrières à l'accès aux ressources, de consommation d'énergie et de risque de point de défaillance.
L'entraînement distribué est la méthode principale pour l'entraînement des grands modèles actuels. Son cœur consiste à décomposer la tâche d'entraînement du modèle et à la distribuer à plusieurs machines pour une exécution collaborative, afin de surmonter les goulots 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 reste contrôlé, planifié et synchronisé par une organisation centralisée, fonctionnant souvent dans un environnement de réseau local à haute vitesse, grâce à la technologie de bus de connexion à haute vitesse NVLink, coordonnée par un nœud principal pour les sous-tâches. Les méthodes principales comprennent :
Parallélisme des données : chaque nœud entraîne différents paramètres de données partagés, nécessitant une correspondance des poids du modèle.
Parallélisme de modèle : déployer différentes parties du modèle sur différents nœuds pour réaliser une forte extensibilité;
Pipeline parallèle : exécution séquentielle par étapes, amélioration du débit ;
Parallélisme des tenseurs : segmentation fine des calculs matriciels, amélioration de la granularité du parallélisme.
L'entraînement distribué est une combinaison de "contrôle centralisé + exécution distribuée", comparable à un même patron dirigeant à distance plusieurs employés de "bureaux" pour accomplir une tâche. Actuellement, presque tous les grands modèles dominants sont formés de cette manière.
La formation décentralisée représente un chemin futur plus ouvert et résistant à la censure. Ses caractéristiques fondamentales sont les suivantes : plusieurs nœuds qui ne se font pas confiance collaborent à l'accomplissement de tâches d'entraînement sans coordinateur central, généralement en utilisant des protocoles pour conduire la distribution et la collaboration des tâches, 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 :
Difficulté d'hétérogénéité des appareils et de découpage : coordination difficile des appareils 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 fiable manquante : absence d'un environnement d'exécution fiable, difficile de vérifier si les nœuds participent réellement au calcul;
Manque de coordination unifiée : pas de centralisateur, la distribution des tâches et le mécanisme de retour d'exception sont complexes.
L'entraînement décentralisé peut être compris comme : un groupe de bénévoles du monde entier, chacun contribuant à la puissance de calcul pour entraîner le modèle de manière collaborative, mais "un véritable entraînement décentralisé à grande échelle" reste un défi d'ingénierie systémique, 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 cela peut être "collaboratif et efficace + incitatif à l'honnêteté + 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 centrale des paramètres du modèle, et convient aux scénarios axés sur la conformité à la vie privée. L'apprentissage fédéré présente une structure d'ingénierie d'entraînement distribué et une capacité de coopération locale, tout en bénéficiant des avantages de la dispersion des données dans l'entraînement décentralisé, mais il dépend toujours d'une partie coordonnée de confiance et ne possède pas de caractéristiques totalement ouvertes et résistantes 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 mieux adaptée comme architecture de déploiement transitoire dans l'industrie.
Décentralisation des limites, des opportunités et des voies réalistes de la formation
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 est naturellement inadapté d'accomplir efficacement des tâches entre des nœuds hétérogènes et de confiance. Par exemple, l'entraînement de grands modèles repose souvent sur une mémoire élevée, une faible latence et une large bande passante, ce qui rend difficile leur découpage et leur synchronisation efficaces dans un réseau ouvert ; les tâches ayant des restrictions fortes en matière de confidentialité des données et de souveraineté sont limitées par la conformité légale et les contraintes éthiques, ce qui empêche le partage ouvert ; tandis que les tâches manquant de motivation à la collaboration n'ont pas d'incitations à la participation externe. 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 réalité, pour les types de tâches légères en structure, faciles à paralléliser et incitatives, l'entraînement décentralisé montre un potentiel d'application clair. Cela inclut, mais sans s'y limiter : le fine-tuning LoRA, les tâches de post-entraînement alignées sur le comportement, les tâches d'entraînement et d'annotation par crowdsourcing de données, l'entraînement de petits modèles de base contrôlables en 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 la puissance de calcul hétérogène, ce qui les rend très adaptées à un entraînement collaboratif via des réseaux P2P, des protocoles Swarm, des optimisateurs distribués, etc.
Décentralisation entraînement classique projet analyse
Actuellement, dans le domaine 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, Prime Intellect, Nous Research et Pluralis.ai ont proposé de nombreuses explorations originales dans l'architecture système et la conception d'algorithmes, représentant l'avant-garde de la recherche théorique actuelle ; tandis que les chemins de mise en œuvre de Gensyn et Flock.io sont relativement clairs, montrant déjà des progrès d'ingénierie préliminaires. Cet article analysera successivement les technologies clés et l'architecture d'ingénierie derrière ces cinq projets et explorera davantage leurs différences et relations complémentaires dans le système de formation AI décentralisé.
Prime Intellect : pionnier des réseaux de coopération d'apprentissage renforcé vérifiables par des trajectoires d'entraînement
Prime Intellect s'engage à construire un réseau d'entraînement IA sans confiance, permettant à quiconque de participer à l'entraînement et d'obtenir des récompenses fiables pour sa contribution computationnelle. Prime Intellect espère construire un système d'entraînement IA décentralisé avec vérifiabilité, ouverture et un mécanisme d'incitation complet grâce aux trois modules PRIME-RL + TOPLOC + SHARDCAST.
I. Valeur de la structure de la pile de protocoles Prime Intellect et des modules clés
Deux, explication détaillée des mécanismes clés de l'entraînement de Prime Intellect
PRIME-RL : architecture de tâche de renforcement asynchrone découplée
PRIME-RL est un cadre de modélisation et d'exécution des tâches personnalisé par Prime Intellect pour des scénarios d'entraînement décentralisés, conçu spécifiquement pour des réseaux hétérogènes et une participation asynchrone. Il utilise l'apprentissage par renforcement comme objet d'adaptation prioritaire, décomposant structurellement les processus d'entraînement, d'inférence et de téléversement des poids, permettant à chaque nœud d'entraînement de compléter indépendamment des cycles de tâches localement, et de collaborer via des interfaces standardisées avec des mécanismes de validation et d'agrégation. Par rapport aux processus d'apprentissage supervisé traditionnels, PRIME-RL est mieux adapté à la mise en œuvre d'un entraînement élastique dans un environnement sans planification centrale, réduisant ainsi la complexité du système et établissant une base pour soutenir le parallélisme des tâches multiples et l'évolution des stratégies.
TOPLOC: Mécanisme léger de vérification du comportement d'entraînement
TOPLOC est un mécanisme central de vérifiabilité de formation proposé par Prime Intellect, utilisé pour déterminer si un nœud a réellement accompli un apprentissage de stratégie efficace basé sur des données d'observation. Contrairement aux solutions lourdes comme ZKML, TOPLOC ne dépend pas du recalcul complet du modèle, mais réalise une vérification de structure allégée en analysant les trajectoires de cohérence locale entre "séries d'observation ↔ mise à jour de la 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 des récompenses de formation sans confiance, offrant une voie réalisable pour construire un réseau de formation coopératif décentralisé, auditables et incitatifs.
SHARDCAST: Protocole d'agrégation et de propagation de poids asynchrone
SHARDCAST est un protocole de propagation et d'agrégation de poids conçu par Prime Intellect, optimisé spécifiquement pour des environnements réseau réels asynchrones, à bande passante limitée et avec un état des nœuds variable. Il combine un mécanisme de propagation gossip et une stratégie de synchronisation locale, permettant à plusieurs nœuds de soumettre des mises à jour partielles de manière continue dans des états asynchrones, réalisant ainsi une convergence progressive des poids et une évolution multi-version. Par rapport aux méthodes AllReduce centralisées ou synchronisées, SHARDCAST améliore de manière significative l'évolutivité et la tolérance aux pannes de l'entraînement décentralisé, constituant la base essentielle pour établir un consensus stable des poids et itérer sur des entraînements continus.
OpenDiLoCo: cadre de communication asynchrone sparse
OpenDiLoCo est un cadre d'optimisation de communication mis en œuvre et open source par l'équipe Prime Intellect, basé sur le concept DiLoCo proposé par DeepMind, spécialement conçu pour relever les défis courants tels que la bande passante limitée, l'hétérogénéité des appareils et l'instabilité des nœuds dans l'entraînement décentralisé. Son architecture repose sur la parallélisation des données, en construisant des structures topologiques clairsemées telles que Ring, Expander et Small-World, évitant ainsi le coût de communication élevé associé à la synchronisation globale, et permettant l'entraînement collaboratif du modèle en s'appuyant uniquement sur les nœuds voisins locaux. En combinant des mises à jour asynchrones et un mécanisme de tolérance aux pannes, OpenDiLoCo permet aux GPU grand public et aux dispositifs en périphérie de participer de manière stable aux tâches d'entraînement, augmentant ainsi considérablement la participation à l'entraînement collaboratif mondial, et constitue l'une des infrastructures de communication clés pour construire des réseaux d'entraînement décentralisés.
PCCL: bibliothèque de communication collaborative
PCCL est une bibliothèque de communication légère conçue sur mesure pour l'environnement d'entraînement AI décentralisé de Prime Intellect, visant à résoudre les goulets d'étranglement d'adaptation des bibliothèques de communication traditionnelles sur des appareils hétérogènes et des réseaux à faible bande passante. PCCL prend en charge les topologies éparses, la compression de gradient, la synchronisation à faible précision et la reprise à partir de points de contrôle, et peut fonctionner sur des GPU grand public et des nœuds instables, constituant ainsi le composant de base soutenant les capacités de communication asynchrone du protocole OpenDiLoCo. Il améliore considérablement la tolérance à la bande passante des réseaux d'entraînement et la compatibilité des appareils, ouvrant la "dernière ligne droite" de l'infrastructure de communication pour construire un réseau d'entraînement collaboratif véritablement ouvert et sans confiance.
Trois, le réseau d'incitation Prime Intellect et la 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 aux tâches et de recevoir des récompenses basées sur des 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 des mises à jour de poids et des trajectoires d'observation
Nœud de validation : Utiliser le mécanisme TOPLOC pour vérifier l'authenticité 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 et la distribution des récompenses, formant un cycle d'incitation autour de "comportement d'entraînement réel".
Quatre, INTELLECT-2 : Lancement du premier modèle d'entraînement décentralisé vérifiable
Prime Intellect a lancé INTELLECT-2 en mai 2025, le premier modèle de 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 entraîné en collaboration par 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 du réseau de collaboration asynchrone. Ce modèle représente non seulement une percée en termes de performance, mais aussi la première mise en œuvre systématique du paradigme "l'entraînement est un consensus" proposé par Prime Intellect. INTELLECT-2 intègre des modules de protocole clés tels que PRIME-RL, TOPLOC et SHARDCAST, marquant une avancée dans la formation décentralisée.
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.
Révolution des paradigmes d'entraînement de l'IA : de la contrôle centralisé à la collaboration décentralisée
Évolution des paradigmes d'entraînement AI : de la contrôle centralisé à la révolution technologique de la coopération décentralisée
Dans l'ensemble de la chaîne de valeur de l'IA, l'entraînement des modèles est l'étape la plus consommatrice en ressources et avec la plus haute barrière technique, déterminant directement la capacité maximale 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 à haute intensité, ce qui en fait la véritable "industrie lourde" de la construction des systèmes d'IA. Du point de vue des paradigmes d'architecture, les méthodes d'entraînement peuvent être divisées 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 entité au sein d'un cluster haute performance local, où tous les processus d'entraînement, des matériels, du logiciel de base, du système de planification de cluster, jusqu'à tous les composants du cadre d'entraînement, sont coordonnés par un système de contrôle unifié. Cette architecture de coopération profonde permet d'atteindre une efficacité optimale pour le partage de mémoire, la synchronisation des gradients et les mécanismes de tolérance aux pannes, ce qui la rend très adaptée à l'entraînement de modèles à grande échelle tels que GPT et Gemini, offrant des avantages en termes d'efficacité et de contrôle des ressources, mais présentant également des problèmes de monopole de données, de barrières à l'accès aux ressources, de consommation d'énergie et de risque de point de défaillance.
L'entraînement distribué est la méthode principale pour l'entraînement des grands modèles actuels. Son cœur consiste à décomposer la tâche d'entraînement du modèle et à la distribuer à plusieurs machines pour une exécution collaborative, afin de surmonter les goulots 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 reste contrôlé, planifié et synchronisé par une organisation centralisée, fonctionnant souvent dans un environnement de réseau local à haute vitesse, grâce à la technologie de bus de connexion à haute vitesse NVLink, coordonnée par un nœud principal pour les sous-tâches. Les méthodes principales comprennent :
L'entraînement distribué est une combinaison de "contrôle centralisé + exécution distribuée", comparable à un même patron dirigeant à distance plusieurs employés de "bureaux" pour accomplir une tâche. Actuellement, presque tous les grands modèles dominants sont formés de cette manière.
La formation décentralisée représente un chemin futur plus ouvert et résistant à la censure. Ses caractéristiques fondamentales sont les suivantes : plusieurs nœuds qui ne se font pas confiance collaborent à l'accomplissement de tâches d'entraînement sans coordinateur central, généralement en utilisant des protocoles pour conduire la distribution et la collaboration des tâches, 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 à la puissance de calcul pour entraîner le modèle de manière collaborative, mais "un véritable entraînement décentralisé à grande échelle" reste un défi d'ingénierie systémique, 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 cela peut être "collaboratif et efficace + incitatif à l'honnêteté + 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 centrale des paramètres du modèle, et convient aux scénarios axés sur la conformité à la vie privée. L'apprentissage fédéré présente une structure d'ingénierie d'entraînement distribué et une capacité de coopération locale, tout en bénéficiant des avantages de la dispersion des données dans l'entraînement décentralisé, mais il dépend toujours d'une partie coordonnée de confiance et ne possède pas de caractéristiques totalement ouvertes et résistantes 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 mieux adaptée comme architecture de déploiement transitoire dans l'industrie.
Décentralisation des limites, des opportunités et des voies réalistes de la formation
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 est naturellement inadapté d'accomplir efficacement des tâches entre des nœuds hétérogènes et de confiance. Par exemple, l'entraînement de grands modèles repose souvent sur une mémoire élevée, une faible latence et une large bande passante, ce qui rend difficile leur découpage et leur synchronisation efficaces dans un réseau ouvert ; les tâches ayant des restrictions fortes en matière de confidentialité des données et de souveraineté sont limitées par la conformité légale et les contraintes éthiques, ce qui empêche le partage ouvert ; tandis que les tâches manquant de motivation à la collaboration n'ont pas d'incitations à la participation externe. 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 réalité, pour les types de tâches légères en structure, faciles à paralléliser et incitatives, l'entraînement décentralisé montre un potentiel d'application clair. Cela inclut, mais sans s'y limiter : le fine-tuning LoRA, les tâches de post-entraînement alignées sur le comportement, les tâches d'entraînement et d'annotation par crowdsourcing de données, l'entraînement de petits modèles de base contrôlables en 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 la puissance de calcul hétérogène, ce qui les rend très adaptées à un entraînement collaboratif via des réseaux P2P, des protocoles Swarm, des optimisateurs distribués, etc.
Décentralisation entraînement classique projet analyse
Actuellement, dans le domaine 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, Prime Intellect, Nous Research et Pluralis.ai ont proposé de nombreuses explorations originales dans l'architecture système et la conception d'algorithmes, représentant l'avant-garde de la recherche théorique actuelle ; tandis que les chemins de mise en œuvre de Gensyn et Flock.io sont relativement clairs, montrant déjà des progrès d'ingénierie préliminaires. Cet article analysera successivement les technologies clés et l'architecture d'ingénierie derrière ces cinq projets et explorera davantage leurs différences et relations complémentaires dans le système de formation AI décentralisé.
Prime Intellect : pionnier des réseaux de coopération d'apprentissage renforcé vérifiables par des trajectoires d'entraînement
Prime Intellect s'engage à construire un réseau d'entraînement IA sans confiance, permettant à quiconque de participer à l'entraînement et d'obtenir des récompenses fiables pour sa contribution computationnelle. Prime Intellect espère construire un système d'entraînement IA décentralisé avec vérifiabilité, ouverture et un mécanisme d'incitation complet grâce aux trois modules PRIME-RL + TOPLOC + SHARDCAST.
I. Valeur de la structure de la pile de protocoles Prime Intellect et des modules clés
Deux, explication détaillée des mécanismes clés de l'entraînement de Prime Intellect
PRIME-RL : architecture de tâche de renforcement asynchrone découplée
PRIME-RL est un cadre de modélisation et d'exécution des tâches personnalisé par Prime Intellect pour des scénarios d'entraînement décentralisés, conçu spécifiquement pour des réseaux hétérogènes et une participation asynchrone. Il utilise l'apprentissage par renforcement comme objet d'adaptation prioritaire, décomposant structurellement les processus d'entraînement, d'inférence et de téléversement des poids, permettant à chaque nœud d'entraînement de compléter indépendamment des cycles de tâches localement, et de collaborer via des interfaces standardisées avec des mécanismes de validation et d'agrégation. Par rapport aux processus d'apprentissage supervisé traditionnels, PRIME-RL est mieux adapté à la mise en œuvre d'un entraînement élastique dans un environnement sans planification centrale, réduisant ainsi la complexité du système et établissant une base pour soutenir le parallélisme des tâches multiples et l'évolution des stratégies.
TOPLOC: Mécanisme léger de vérification du comportement d'entraînement
TOPLOC est un mécanisme central de vérifiabilité de formation proposé par Prime Intellect, utilisé pour déterminer si un nœud a réellement accompli un apprentissage de stratégie efficace basé sur des données d'observation. Contrairement aux solutions lourdes comme ZKML, TOPLOC ne dépend pas du recalcul complet du modèle, mais réalise une vérification de structure allégée en analysant les trajectoires de cohérence locale entre "séries d'observation ↔ mise à jour de la 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 des récompenses de formation sans confiance, offrant une voie réalisable pour construire un réseau de formation coopératif décentralisé, auditables et incitatifs.
SHARDCAST: Protocole d'agrégation et de propagation de poids asynchrone
SHARDCAST est un protocole de propagation et d'agrégation de poids conçu par Prime Intellect, optimisé spécifiquement pour des environnements réseau réels asynchrones, à bande passante limitée et avec un état des nœuds variable. Il combine un mécanisme de propagation gossip et une stratégie de synchronisation locale, permettant à plusieurs nœuds de soumettre des mises à jour partielles de manière continue dans des états asynchrones, réalisant ainsi une convergence progressive des poids et une évolution multi-version. Par rapport aux méthodes AllReduce centralisées ou synchronisées, SHARDCAST améliore de manière significative l'évolutivité et la tolérance aux pannes de l'entraînement décentralisé, constituant la base essentielle pour établir un consensus stable des poids et itérer sur des entraînements continus.
OpenDiLoCo: cadre de communication asynchrone sparse
OpenDiLoCo est un cadre d'optimisation de communication mis en œuvre et open source par l'équipe Prime Intellect, basé sur le concept DiLoCo proposé par DeepMind, spécialement conçu pour relever les défis courants tels que la bande passante limitée, l'hétérogénéité des appareils et l'instabilité des nœuds dans l'entraînement décentralisé. Son architecture repose sur la parallélisation des données, en construisant des structures topologiques clairsemées telles que Ring, Expander et Small-World, évitant ainsi le coût de communication élevé associé à la synchronisation globale, et permettant l'entraînement collaboratif du modèle en s'appuyant uniquement sur les nœuds voisins locaux. En combinant des mises à jour asynchrones et un mécanisme de tolérance aux pannes, OpenDiLoCo permet aux GPU grand public et aux dispositifs en périphérie de participer de manière stable aux tâches d'entraînement, augmentant ainsi considérablement la participation à l'entraînement collaboratif mondial, et constitue l'une des infrastructures de communication clés pour construire des réseaux d'entraînement décentralisés.
PCCL: bibliothèque de communication collaborative
PCCL est une bibliothèque de communication légère conçue sur mesure pour l'environnement d'entraînement AI décentralisé de Prime Intellect, visant à résoudre les goulets d'étranglement d'adaptation des bibliothèques de communication traditionnelles sur des appareils hétérogènes et des réseaux à faible bande passante. PCCL prend en charge les topologies éparses, la compression de gradient, la synchronisation à faible précision et la reprise à partir de points de contrôle, et peut fonctionner sur des GPU grand public et des nœuds instables, constituant ainsi le composant de base soutenant les capacités de communication asynchrone du protocole OpenDiLoCo. Il améliore considérablement la tolérance à la bande passante des réseaux d'entraînement et la compatibilité des appareils, ouvrant la "dernière ligne droite" de l'infrastructure de communication pour construire un réseau d'entraînement collaboratif véritablement ouvert et sans confiance.
Trois, le réseau d'incitation Prime Intellect et la 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 aux tâches et de recevoir des récompenses basées sur des contributions réelles. Le protocole fonctionne sur la base de trois types de rôles clés :
Le processus central du protocole comprend la publication des tâches, l'entraînement des nœuds, la vérification des trajectoires, l'agrégation des poids et la distribution des récompenses, formant un cycle d'incitation autour de "comportement d'entraînement réel".
Quatre, INTELLECT-2 : Lancement du premier modèle d'entraînement décentralisé vérifiable
Prime Intellect a lancé INTELLECT-2 en mai 2025, le premier modèle de 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 entraîné en collaboration par 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 du réseau de collaboration asynchrone. Ce modèle représente non seulement une percée en termes de performance, mais aussi la première mise en œuvre systématique du paradigme "l'entraînement est un consensus" proposé par Prime Intellect. INTELLECT-2 intègre des modules de protocole clés tels que PRIME-RL, TOPLOC et SHARDCAST, marquant une avancée dans la formation décentralisée.