Evolução dos Paradigmas de Treinamento de IA: Da Controle Centralizado à Revolução Tecnológica da Descentralização Colaborativa
Na cadeia de valor total da IA, o treinamento de modelos é a fase que consome mais recursos e possui a maior barreira técnica, determinando diretamente o limite de capacidade do modelo e o efeito de aplicação real. Em comparação com a chamada leve na fase de inferência, o processo de treinamento requer um investimento contínuo em poder computacional em larga escala, processos complexos de tratamento de dados e suporte de algoritmos de otimização de alta intensidade, sendo a verdadeira "indústria pesada" na construção de sistemas de IA. Do ponto de vista do paradigma de arquitetura, os métodos de treinamento podem ser divididos em quatro categorias: treinamento centralizado, treinamento distribuído, aprendizado federado e treinamento descentralizado, que é o foco deste artigo.
O treinamento centralizado é a forma tradicional mais comum, realizado por uma única instituição em um cluster de alto desempenho local, onde todo o processo de treinamento, desde hardware, software de base, sistema de agendamento de cluster, até todos os componentes do framework de treinamento, é coordenado por um sistema de controle unificado. Essa arquitetura de profunda colaboração maximiza a eficiência do compartilhamento de memória, sincronização de gradientes e mecanismos de tolerância a falhas, sendo muito adequada para o treinamento de modelos em larga escala como GPT e Gemini, apresentando vantagens de alta eficiência e recursos controláveis, mas ao mesmo tempo enfrentando problemas como monopólio de dados, barreiras de recursos, consumo de energia e risco de ponto único.
O treinamento distribuído é a forma predominante de treinamento de grandes modelos atualmente, cujo núcleo é desmembrar a tarefa de treinamento do modelo e distribuí-la para várias máquinas que executam em conjunto, a fim de superar os gargalos de computação e armazenamento de uma única máquina. Embora possua características "distribuídas" em termos físicos, ainda é controlado, agendado e sincronizado por uma entidade centralizada, geralmente operando em um ambiente de rede local de alta velocidade, utilizando a tecnologia de barramento de interconexão de alta velocidade NVLink, coordenada pelo nó principal que unifica as várias subtarefas. Os métodos predominantes incluem:
Paralelismo de dados: cada nó treina diferentes dados com parâmetros compartilhados, sendo necessário corresponder os pesos do modelo
Paralelismo de modelo: implantar diferentes partes do modelo em diferentes nós, alcançando forte escalabilidade;
Pipeline paralelo: execução em série em fases, aumentando a taxa de transferência;
Paralelismo de tensores: segmentação refinada do cálculo matricial, aumentando a granularidade da paralelização.
O treinamento distribuído é uma combinação de "controle centralizado + execução distribuída", análogo a um mesmo chefe coordenando remotamente a colaboração de vários funcionários de "escritórios" para completar tarefas. Atualmente, quase todos os principais modelos são treinados desta forma.
Descentralização treinamento representa um caminho futuro mais aberto e com características de resistência à censura. Sua característica central é: múltiplos nós que não confiam uns nos outros colaboram para completar a tarefa de treinamento sem um coordenador central, geralmente através de protocolos que impulsionam a distribuição de tarefas e colaboração, e utilizando mecanismos de incentivo criptográfico para garantir a honestidade das contribuições. Os principais desafios enfrentados por esse modelo incluem:
Dificuldade na heterogeneidade e segmentação de dispositivos: alta dificuldade de coordenação de dispositivos heterogêneos, baixa eficiência na segmentação de tarefas;
Gargalo de eficiência de comunicação: comunicação de rede instável, gargalo de sincronização de gradiente evidente;
Execução confiável ausente: falta de um ambiente de execução confiável, dificultando a verificação se os nós realmente participam do cálculo;
Falta de coordenação unificada: sem um despachador central, a distribuição de tarefas e o mecanismo de reversão de exceções são complexos.
A formação descentralizada pode ser entendida como: um grupo de voluntários globais, cada um contribuindo com poder de cálculo para treinar o modelo de forma colaborativa, mas "a verdadeira formação descentralizada em larga escala viável" ainda é um desafio de engenharia sistemática, envolvendo arquitetura de sistema, protocolos de comunicação, segurança criptográfica, mecanismos econômicos, validação de modelos e vários outros aspectos, mas se é possível "colaborar efetivamente + incentivar a honestidade + obter resultados corretos" ainda está em fase de exploração de protótipos iniciais.
A aprendizagem federada, como uma forma de transição entre distribuição e Descentralização, enfatiza a preservação local dos dados e a agregação centralizada dos parâmetros do modelo, sendo adequada para cenários que valorizam a conformidade com a privacidade. A aprendizagem federada possui uma estrutura de engenharia de treinamento distribuído e capacidade de colaboração local, ao mesmo tempo que possui as vantagens da dispersão de dados do treinamento Descentralizado, mas ainda depende de uma parte coordenadora de confiança e não possui características completamente abertas e resistentes à censura. Pode ser vista como uma solução de "Descentralização controlada" em cenários de conformidade com a privacidade, sendo relativamente moderada nas tarefas de treinamento, na estrutura de confiança e nos mecanismos de comunicação, sendo mais adequada como uma arquitetura de implantação transitória na indústria.
Descentralização treinamento das fronteiras, oportunidades e caminhos reais
Do ponto de vista do paradigma de treinamento, a Descentralização do treinamento não é adequada para todos os tipos de tarefas. Em certos cenários, devido à complexidade da estrutura da tarefa, alta demanda de recursos ou dificuldade de colaboração, não é naturalmente adequado para ser concluído de forma eficiente entre nós heterogêneos e de confiança. Por exemplo, o treinamento de grandes modelos geralmente depende de alta memória, baixa latência e largura de banda alta, sendo difícil dividir e sincronizar efetivamente em uma rede aberta; tarefas com fortes restrições de privacidade de dados e soberania estão limitadas por conformidade legal e restrições éticas, não podendo ser compartilhadas abertamente; e tarefas que carecem de incentivos de colaboração não têm motivação externa para participação. Essas fronteiras constituem as limitações reais do treinamento descentralizado atualmente.
Mas isso não significa que a Descentralização do treinamento seja uma falácia. Na verdade, em tipos de tarefas que são leves em estrutura, fáceis de paralelizar e que podem ser incentivadas, a Descentralização do treinamento mostra uma aplicação clara. Inclui, mas não se limita a: ajuste fino LoRA, tarefas de pós-treinamento de alinhamento comportamental, treinamento e rotulagem de dados por crowdsourcing, treinamento de pequenos modelos base com recursos controláveis, e cenários de treinamento colaborativo com a participação de dispositivos de borda. Essas tarefas geralmente possuem alta paralelização, baixa acoplamento e são tolerantes a potência de cálculo heterogênea, sendo muito adequadas para treinamento colaborativo através de redes P2P, protocolos Swarm, otimizadores distribuídos e outros métodos.
Descentralização treinamento projeto clássico análise
Atualmente, no campo de vanguarda da Descentralização de treinamento e aprendizado federado, os projetos de blockchain representativos incluem principalmente Prime Intellect, Pluralis.ai, Gensyn, Nous Research e Flock.io. Do ponto de vista da inovação tecnológica e da dificuldade de implementação de engenharia, Prime Intellect, Nous Research e Pluralis.ai propuseram muitas explorações originais em termos de arquitetura de sistema e design de algoritmos, representando as direções de pesquisa teórica de ponta atuais; enquanto Gensyn e Flock.io têm caminhos de implementação relativamente claros, já mostrando progressos iniciais na engenharia. Este artigo irá analisar sucessivamente as tecnologias centrais e as arquiteturas de engenharia por trás desses cinco projetos, e explorar ainda mais suas diferenças e relações complementares no sistema de treinamento de IA Descentralizada.
Prime Intellect: pioneiro de redes colaborativas de aprendizado reforçado com trajetória de treinamento verificável
A Prime Intellect está empenhada em construir uma rede de treinamento de IA que não requer confiança, permitindo que qualquer pessoa participe do treinamento e receba recompensas confiáveis por suas contribuições computacionais. A Prime Intellect espera criar um sistema de treinamento de IA descentralizado, com verificabilidade, abertura e um mecanismo de incentivos completo, através de três módulos: PRIME-RL + TOPLOC + SHARDCAST.
Um, Estrutura da Pilha de Protocolos Prime Intellect e o Valor dos Módulos Chave
Dois, Explicação detalhada dos principais mecanismos de treino do Prime Intellect
PRIME-RL: Arquitetura de tarefa de Aprendizado por Reforço Assíncrono Desacoplado
PRIME-RL é a estrutura de modelagem e execução de tarefas personalizada pela Prime Intellect para cenários de Descentralização, projetada especificamente para redes heterogêneas e participação assíncrona. Adota o aprendizado por reforço como objeto de adaptação prioritária, desacoplando estruturalmente os processos de treinamento, inferência e upload de pesos, permitindo que cada nó de treinamento complete localmente o ciclo de tarefas de forma independente, e colabore com mecanismos de validação e agregação através de interfaces padronizadas. Em comparação com o fluxo de aprendizado supervisionado tradicional, o PRIME-RL é mais adequado para implementar treinamento flexível em ambientes sem agendamento centralizado, reduzindo a complexidade do sistema e estabelecendo uma base para suportar múltiplas tarefas em paralelo e evolução de estratégias.
TOPLOC: Mecanismo de validação de comportamento de treinamento leve
TOPLOC é um mecanismo central de verificabilidade de treinamento proposto pela Prime Intellect, utilizado para determinar se um nó realmente completou um aprendizado de estratégia eficaz com base em dados de observação. Diferente de soluções pesadas como ZKML, o TOPLOC não depende de recomputação do modelo completo, mas sim analisa a trajetória de consistência local entre "sequência de observação ↔ atualização de estratégia" para concluir a verificação de estrutura leve. É a primeira vez que as trajetórias de comportamento durante o processo de treinamento são convertidas em objetos verificáveis, sendo uma inovação chave para a distribuição de recompensas de treinamento sem necessidade de confiança, oferecendo um caminho viável para construir uma rede de treinamento colaborativo descentralizada que seja auditável e incentivada.
SHARDCAST: Protocolo de Agregação e Propagação de Peso Assíncrono
SHARDCAST é um protocolo de propagação e agregação de pesos projetado pela Prime Intellect, otimizado para ambientes de rede reais que são assíncronos, com largura de banda limitada e estados de nós em constante mudança. Ele combina mecanismos de propagação de gossip com estratégias de sincronização local, permitindo que vários nós continuem submetendo atualizações parciais em estados não sincronizados, alcançando a convergência progressiva de pesos e evolução de múltiplas versões. Em comparação com métodos centralizados ou síncronos de AllReduce, SHARDCAST melhora significativamente a escalabilidade e a tolerância a falhas do treinamento descentralizado, sendo a base essencial para a construção de consenso de pesos estáveis e iterações de treinamento contínuas.
OpenDiLoCo: estrutura de comunicação assíncrona esparsa
OpenDiLoCo é uma estrutura de otimização de comunicação desenvolvida de forma independente e de código aberto pela equipe Prime Intellect, baseada na filosofia DiLoCo proposta pela DeepMind, projetada especificamente para enfrentar desafios comuns em treinamentos descentralizados, como largura de banda limitada, heterogeneidade de dispositivos e instabilidade de nós. Sua arquitetura é baseada em paralelismo de dados, evitando o alto custo de comunicação da sincronização global ao construir estruturas topológicas esparsas, como Ring, Expander e Small-World, permitindo que o treinamento colaborativo do modelo seja realizado apenas com a dependência de nós vizinhos locais. Combinando atualizações assíncronas e um mecanismo de tolerância a falhas, o OpenDiLoCo permite que GPUs de consumo e dispositivos de borda participem de tarefas de treinamento de forma estável, aumentando significativamente a acessibilidade ao treinamento colaborativo global, sendo uma das infraestruturas de comunicação fundamentais para a construção de uma rede de treinamento descentralizada.
PCCL: Biblioteca de Comunicação Colaborativa
PCCL é uma biblioteca de comunicação leve criada sob medida pela Prime Intellect para um ambiente de treinamento de IA descentralizada, com o objetivo de resolver o gargalo de adaptação das bibliotecas de comunicação tradicionais em dispositivos heterogêneos e redes de baixa largura de banda. O PCCL suporta topologias esparsas, compressão de gradientes, sincronização de baixa precisão e recuperação de pontos de verificação, podendo ser executado em GPUs de consumo e em nós instáveis, sendo o componente subjacente que sustenta a capacidade de comunicação assíncrona do protocolo OpenDiLoCo. Ele melhora significativamente a tolerância à largura de banda e a compatibilidade de dispositivos na rede de treinamento, abrindo a "última milha" da infraestrutura de comunicação para construir uma rede de treinamento colaborativo verdadeiramente aberta e sem necessidade de confiança.
Três, Rede de Incentivos Prime Intellect e Divisão de Funções
O Prime Intellect construiu uma rede de treino sem permissões, verificável e com um mecanismo de incentivos económicos, permitindo que qualquer pessoa participe em tarefas e receba recompensas com base em contribuições reais. O protocolo funciona com base em três categorias de papéis principais:
Iniciador da tarefa: definir o ambiente de treino, modelo inicial, função de recompensa e critérios de validação
Nós de treinamento: executar treinamento local, enviar atualizações de peso e trajetórias de observação
Nós de validação: usar o mecanismo TOPLOC para verificar a autenticidade do comportamento de treinamento e participar do cálculo de recompensas e agregação de estratégias.
O processo central do protocolo inclui a publicação de tarefas, treinamento de nós, validação de trajetórias, agregação de pesos e distribuição de recompensas, formando um ciclo de incentivo em torno do "comportamento de treinamento real".
Quatro, INTELLECT-2: Lançamento do primeiro modelo de treinamento descentralizado verificável
A Prime Intellect lançou o INTELLECT-2 em maio de 2025, que é o primeiro grande modelo de aprendizado reforçado do mundo treinado por nós de nós descentralizados, assíncronos e sem confiança, com uma escala de parâmetros de 32B. O modelo INTELLECT-2 foi treinado em colaboração por mais de 100 nós heterogêneos de GPU espalhados por três continentes, utilizando uma arquitetura completamente assíncrona, com um tempo de treinamento superior a 400 horas, demonstrando a viabilidade e estabilidade de uma rede de colaboração assíncrona. Este modelo não é apenas um avanço em termos de desempenho, mas também representa a primeira implementação sistemática do paradigma "treinamento é consenso" proposto pela Prime Intellect. O INTELLECT-2 integra módulos de protocolo principais como PRIME-RL, TOPLOC e SHARDCAST, marcando a Descentralização do treinamento.
Esta página pode conter conteúdos de terceiros, que são fornecidos apenas para fins informativos (sem representações/garantias) e não devem ser considerados como uma aprovação dos seus pontos de vista pela Gate, nem como aconselhamento financeiro ou profissional. Consulte a Declaração de exoneração de responsabilidade para obter mais informações.
Revolução do Paradigma de Treinamento de IA: Da Controle Centralizado à Descentralização Colaborativa
Evolução dos Paradigmas de Treinamento de IA: Da Controle Centralizado à Revolução Tecnológica da Descentralização Colaborativa
Na cadeia de valor total da IA, o treinamento de modelos é a fase que consome mais recursos e possui a maior barreira técnica, determinando diretamente o limite de capacidade do modelo e o efeito de aplicação real. Em comparação com a chamada leve na fase de inferência, o processo de treinamento requer um investimento contínuo em poder computacional em larga escala, processos complexos de tratamento de dados e suporte de algoritmos de otimização de alta intensidade, sendo a verdadeira "indústria pesada" na construção de sistemas de IA. Do ponto de vista do paradigma de arquitetura, os métodos de treinamento podem ser divididos em quatro categorias: treinamento centralizado, treinamento distribuído, aprendizado federado e treinamento descentralizado, que é o foco deste artigo.
O treinamento centralizado é a forma tradicional mais comum, realizado por uma única instituição em um cluster de alto desempenho local, onde todo o processo de treinamento, desde hardware, software de base, sistema de agendamento de cluster, até todos os componentes do framework de treinamento, é coordenado por um sistema de controle unificado. Essa arquitetura de profunda colaboração maximiza a eficiência do compartilhamento de memória, sincronização de gradientes e mecanismos de tolerância a falhas, sendo muito adequada para o treinamento de modelos em larga escala como GPT e Gemini, apresentando vantagens de alta eficiência e recursos controláveis, mas ao mesmo tempo enfrentando problemas como monopólio de dados, barreiras de recursos, consumo de energia e risco de ponto único.
O treinamento distribuído é a forma predominante de treinamento de grandes modelos atualmente, cujo núcleo é desmembrar a tarefa de treinamento do modelo e distribuí-la para várias máquinas que executam em conjunto, a fim de superar os gargalos de computação e armazenamento de uma única máquina. Embora possua características "distribuídas" em termos físicos, ainda é controlado, agendado e sincronizado por uma entidade centralizada, geralmente operando em um ambiente de rede local de alta velocidade, utilizando a tecnologia de barramento de interconexão de alta velocidade NVLink, coordenada pelo nó principal que unifica as várias subtarefas. Os métodos predominantes incluem:
O treinamento distribuído é uma combinação de "controle centralizado + execução distribuída", análogo a um mesmo chefe coordenando remotamente a colaboração de vários funcionários de "escritórios" para completar tarefas. Atualmente, quase todos os principais modelos são treinados desta forma.
Descentralização treinamento representa um caminho futuro mais aberto e com características de resistência à censura. Sua característica central é: múltiplos nós que não confiam uns nos outros colaboram para completar a tarefa de treinamento sem um coordenador central, geralmente através de protocolos que impulsionam a distribuição de tarefas e colaboração, e utilizando mecanismos de incentivo criptográfico para garantir a honestidade das contribuições. Os principais desafios enfrentados por esse modelo incluem:
A formação descentralizada pode ser entendida como: um grupo de voluntários globais, cada um contribuindo com poder de cálculo para treinar o modelo de forma colaborativa, mas "a verdadeira formação descentralizada em larga escala viável" ainda é um desafio de engenharia sistemática, envolvendo arquitetura de sistema, protocolos de comunicação, segurança criptográfica, mecanismos econômicos, validação de modelos e vários outros aspectos, mas se é possível "colaborar efetivamente + incentivar a honestidade + obter resultados corretos" ainda está em fase de exploração de protótipos iniciais.
A aprendizagem federada, como uma forma de transição entre distribuição e Descentralização, enfatiza a preservação local dos dados e a agregação centralizada dos parâmetros do modelo, sendo adequada para cenários que valorizam a conformidade com a privacidade. A aprendizagem federada possui uma estrutura de engenharia de treinamento distribuído e capacidade de colaboração local, ao mesmo tempo que possui as vantagens da dispersão de dados do treinamento Descentralizado, mas ainda depende de uma parte coordenadora de confiança e não possui características completamente abertas e resistentes à censura. Pode ser vista como uma solução de "Descentralização controlada" em cenários de conformidade com a privacidade, sendo relativamente moderada nas tarefas de treinamento, na estrutura de confiança e nos mecanismos de comunicação, sendo mais adequada como uma arquitetura de implantação transitória na indústria.
Descentralização treinamento das fronteiras, oportunidades e caminhos reais
Do ponto de vista do paradigma de treinamento, a Descentralização do treinamento não é adequada para todos os tipos de tarefas. Em certos cenários, devido à complexidade da estrutura da tarefa, alta demanda de recursos ou dificuldade de colaboração, não é naturalmente adequado para ser concluído de forma eficiente entre nós heterogêneos e de confiança. Por exemplo, o treinamento de grandes modelos geralmente depende de alta memória, baixa latência e largura de banda alta, sendo difícil dividir e sincronizar efetivamente em uma rede aberta; tarefas com fortes restrições de privacidade de dados e soberania estão limitadas por conformidade legal e restrições éticas, não podendo ser compartilhadas abertamente; e tarefas que carecem de incentivos de colaboração não têm motivação externa para participação. Essas fronteiras constituem as limitações reais do treinamento descentralizado atualmente.
Mas isso não significa que a Descentralização do treinamento seja uma falácia. Na verdade, em tipos de tarefas que são leves em estrutura, fáceis de paralelizar e que podem ser incentivadas, a Descentralização do treinamento mostra uma aplicação clara. Inclui, mas não se limita a: ajuste fino LoRA, tarefas de pós-treinamento de alinhamento comportamental, treinamento e rotulagem de dados por crowdsourcing, treinamento de pequenos modelos base com recursos controláveis, e cenários de treinamento colaborativo com a participação de dispositivos de borda. Essas tarefas geralmente possuem alta paralelização, baixa acoplamento e são tolerantes a potência de cálculo heterogênea, sendo muito adequadas para treinamento colaborativo através de redes P2P, protocolos Swarm, otimizadores distribuídos e outros métodos.
Descentralização treinamento projeto clássico análise
Atualmente, no campo de vanguarda da Descentralização de treinamento e aprendizado federado, os projetos de blockchain representativos incluem principalmente Prime Intellect, Pluralis.ai, Gensyn, Nous Research e Flock.io. Do ponto de vista da inovação tecnológica e da dificuldade de implementação de engenharia, Prime Intellect, Nous Research e Pluralis.ai propuseram muitas explorações originais em termos de arquitetura de sistema e design de algoritmos, representando as direções de pesquisa teórica de ponta atuais; enquanto Gensyn e Flock.io têm caminhos de implementação relativamente claros, já mostrando progressos iniciais na engenharia. Este artigo irá analisar sucessivamente as tecnologias centrais e as arquiteturas de engenharia por trás desses cinco projetos, e explorar ainda mais suas diferenças e relações complementares no sistema de treinamento de IA Descentralizada.
Prime Intellect: pioneiro de redes colaborativas de aprendizado reforçado com trajetória de treinamento verificável
A Prime Intellect está empenhada em construir uma rede de treinamento de IA que não requer confiança, permitindo que qualquer pessoa participe do treinamento e receba recompensas confiáveis por suas contribuições computacionais. A Prime Intellect espera criar um sistema de treinamento de IA descentralizado, com verificabilidade, abertura e um mecanismo de incentivos completo, através de três módulos: PRIME-RL + TOPLOC + SHARDCAST.
Um, Estrutura da Pilha de Protocolos Prime Intellect e o Valor dos Módulos Chave
Dois, Explicação detalhada dos principais mecanismos de treino do Prime Intellect
PRIME-RL: Arquitetura de tarefa de Aprendizado por Reforço Assíncrono Desacoplado
PRIME-RL é a estrutura de modelagem e execução de tarefas personalizada pela Prime Intellect para cenários de Descentralização, projetada especificamente para redes heterogêneas e participação assíncrona. Adota o aprendizado por reforço como objeto de adaptação prioritária, desacoplando estruturalmente os processos de treinamento, inferência e upload de pesos, permitindo que cada nó de treinamento complete localmente o ciclo de tarefas de forma independente, e colabore com mecanismos de validação e agregação através de interfaces padronizadas. Em comparação com o fluxo de aprendizado supervisionado tradicional, o PRIME-RL é mais adequado para implementar treinamento flexível em ambientes sem agendamento centralizado, reduzindo a complexidade do sistema e estabelecendo uma base para suportar múltiplas tarefas em paralelo e evolução de estratégias.
TOPLOC: Mecanismo de validação de comportamento de treinamento leve
TOPLOC é um mecanismo central de verificabilidade de treinamento proposto pela Prime Intellect, utilizado para determinar se um nó realmente completou um aprendizado de estratégia eficaz com base em dados de observação. Diferente de soluções pesadas como ZKML, o TOPLOC não depende de recomputação do modelo completo, mas sim analisa a trajetória de consistência local entre "sequência de observação ↔ atualização de estratégia" para concluir a verificação de estrutura leve. É a primeira vez que as trajetórias de comportamento durante o processo de treinamento são convertidas em objetos verificáveis, sendo uma inovação chave para a distribuição de recompensas de treinamento sem necessidade de confiança, oferecendo um caminho viável para construir uma rede de treinamento colaborativo descentralizada que seja auditável e incentivada.
SHARDCAST: Protocolo de Agregação e Propagação de Peso Assíncrono
SHARDCAST é um protocolo de propagação e agregação de pesos projetado pela Prime Intellect, otimizado para ambientes de rede reais que são assíncronos, com largura de banda limitada e estados de nós em constante mudança. Ele combina mecanismos de propagação de gossip com estratégias de sincronização local, permitindo que vários nós continuem submetendo atualizações parciais em estados não sincronizados, alcançando a convergência progressiva de pesos e evolução de múltiplas versões. Em comparação com métodos centralizados ou síncronos de AllReduce, SHARDCAST melhora significativamente a escalabilidade e a tolerância a falhas do treinamento descentralizado, sendo a base essencial para a construção de consenso de pesos estáveis e iterações de treinamento contínuas.
OpenDiLoCo: estrutura de comunicação assíncrona esparsa
OpenDiLoCo é uma estrutura de otimização de comunicação desenvolvida de forma independente e de código aberto pela equipe Prime Intellect, baseada na filosofia DiLoCo proposta pela DeepMind, projetada especificamente para enfrentar desafios comuns em treinamentos descentralizados, como largura de banda limitada, heterogeneidade de dispositivos e instabilidade de nós. Sua arquitetura é baseada em paralelismo de dados, evitando o alto custo de comunicação da sincronização global ao construir estruturas topológicas esparsas, como Ring, Expander e Small-World, permitindo que o treinamento colaborativo do modelo seja realizado apenas com a dependência de nós vizinhos locais. Combinando atualizações assíncronas e um mecanismo de tolerância a falhas, o OpenDiLoCo permite que GPUs de consumo e dispositivos de borda participem de tarefas de treinamento de forma estável, aumentando significativamente a acessibilidade ao treinamento colaborativo global, sendo uma das infraestruturas de comunicação fundamentais para a construção de uma rede de treinamento descentralizada.
PCCL: Biblioteca de Comunicação Colaborativa
PCCL é uma biblioteca de comunicação leve criada sob medida pela Prime Intellect para um ambiente de treinamento de IA descentralizada, com o objetivo de resolver o gargalo de adaptação das bibliotecas de comunicação tradicionais em dispositivos heterogêneos e redes de baixa largura de banda. O PCCL suporta topologias esparsas, compressão de gradientes, sincronização de baixa precisão e recuperação de pontos de verificação, podendo ser executado em GPUs de consumo e em nós instáveis, sendo o componente subjacente que sustenta a capacidade de comunicação assíncrona do protocolo OpenDiLoCo. Ele melhora significativamente a tolerância à largura de banda e a compatibilidade de dispositivos na rede de treinamento, abrindo a "última milha" da infraestrutura de comunicação para construir uma rede de treinamento colaborativo verdadeiramente aberta e sem necessidade de confiança.
Três, Rede de Incentivos Prime Intellect e Divisão de Funções
O Prime Intellect construiu uma rede de treino sem permissões, verificável e com um mecanismo de incentivos económicos, permitindo que qualquer pessoa participe em tarefas e receba recompensas com base em contribuições reais. O protocolo funciona com base em três categorias de papéis principais:
O processo central do protocolo inclui a publicação de tarefas, treinamento de nós, validação de trajetórias, agregação de pesos e distribuição de recompensas, formando um ciclo de incentivo em torno do "comportamento de treinamento real".
Quatro, INTELLECT-2: Lançamento do primeiro modelo de treinamento descentralizado verificável
A Prime Intellect lançou o INTELLECT-2 em maio de 2025, que é o primeiro grande modelo de aprendizado reforçado do mundo treinado por nós de nós descentralizados, assíncronos e sem confiança, com uma escala de parâmetros de 32B. O modelo INTELLECT-2 foi treinado em colaboração por mais de 100 nós heterogêneos de GPU espalhados por três continentes, utilizando uma arquitetura completamente assíncrona, com um tempo de treinamento superior a 400 horas, demonstrando a viabilidade e estabilidade de uma rede de colaboração assíncrona. Este modelo não é apenas um avanço em termos de desempenho, mas também representa a primeira implementação sistemática do paradigma "treinamento é consenso" proposto pela Prime Intellect. O INTELLECT-2 integra módulos de protocolo principais como PRIME-RL, TOPLOC e SHARDCAST, marcando a Descentralização do treinamento.