Le Saint Graal de Crypto AI : exploration à la pointe de la formation décentralisée
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 la plus grande 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 intensifs, constituant le véritable "industrie lourde" de la construction des systèmes d'IA. D'un point de vue des paradigmes d'architecture, les méthodes d'entraînement peuvent être classées en quatre catégories : entraînement centralisé, entraînement distribué, apprentissage fédéré et entraînement décentralisé, qui est le principal sujet de cet article.
L'entraînement centralisé est la méthode traditionnelle la plus courante, réalisée par une seule institution au sein d'un cluster local haute performance, où l'ensemble du processus d'entraînement, depuis le matériel, le logiciel de base, le système de gestion de cluster jusqu'à tous les composants du cadre d'entraînement, est coordonné par un système de contrôle unifié. Cette architecture de collaboration profonde permet d'atteindre une efficacité optimale en matière de partage de mémoire, de synchronisation des gradients et de mécanismes de tolérance aux pannes, ce qui la rend très 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 de monopole des données, de barrières à l'entrée, de consommation d'énergie et de risques de point de défaillance.
L'entraînement distribué est la méthode principale de formation des grands modèles actuels. Son noyau consiste à décomposer les tâches d'entraînement du modèle et à les répartir sur plusieurs machines pour une exécution collaborative, afin de surmonter les goulets d'étranglement en calcul et en stockage sur une seule machine. Bien qu'il présente des caractéristiques "décentralisées" sur le plan physique, l'ensemble est toujours contrôlé, planifié et synchronisé par une institution centralisée, fonctionnant souvent dans un environnement de réseau local à haute vitesse, grâce à la technologie de bus d'interconnexion haute vitesse NVLink, où le nœud principal coordonne uniformément toutes les sous-tâches. Les méthodes principales incluent :
Parallélisme des données : chaque nœud entraîne différents paramètres de données partagés, nécessitant une correspondance des poids du modèle
Parallélisme des modèles : déployer différentes parties du modèle sur différents nœuds pour réaliser une forte extensibilité
Pipeline parallèle : exécution séquentielle par étapes, augmentation du débit
Parallélisme de 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 "bureau" pour collaborer à la réalisation de tâches. Actuellement, presque tous les grands modèles principaux (GPT-4, Gemini, LLaMA, etc. ) 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 ( peuvent être des ordinateurs personnels, des GPU en nuage ou des dispositifs en périphérie ) collaborant pour réaliser des tâches d'entraînement sans coordinateur central, généralement en distribuant et en collaborant sur les tâches via un protocole, et en utilisant un mécanisme d'incitation cryptographique pour garantir l'honnêteté des contributions. Les principaux défis auxquels ce modèle est confronté comprennent :
Hétérogénéité des appareils et difficulté de découpage : la coordination des appareils hétérogènes est difficile, et l'efficacité du découpage des tâches est faible.
Goulot d'étranglement de l'efficacité de la communication : communication réseau instable, goulot d'étranglement de la synchronisation des gradients évident
Exécution fiable manquante : manque d'environnement d'exécution fiable, difficile de vérifier si les nœuds participent réellement au calcul.
Manque de coordination unifiée : pas de régulateur central, distribution des tâches, mécanisme de rollback des exceptions complexe
La formation décentralisée peut être comprise comme : un groupe de volontaires du monde entier contribuant chacun à la puissance de calcul pour former un modèle de manière collaborative, mais "la véritable formation décentralisée à grande échelle réalisable" reste 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 "collaboration efficace + incitation à l'honnêteté + résultats corrects" est encore à un stade précoce d'exploration de prototype.
L'apprentissage fédéré, en tant que forme de transition entre la distribution et la Décentralisation, met l'accent sur la conservation locale des données et l'agrégation centralisée des paramètres du modèle, adapté aux scénarios mettant l'accent sur la conformité à la vie privée, comme la santé et la finance (. L'apprentissage fédéré possède une structure d'ingénierie d'entraînement distribué et une capacité de collaboration locale, tout en bénéficiant des avantages de la dispersion des données de l'entraînement décentralisé, mais il dépend toujours d'une partie coordonnatrice de confiance et ne possède pas de caractéristiques entièrement ouvertes et résistantes à la censure. Il peut être considéré comme une solution de "Décentralisation contrôlée" dans des scénarios de conformité à la vie privée, relativement douce en termes de tâches d'entraînement, de structure de confiance et de mécanismes de communication, plus adaptée en tant qu'architecture de déploiement transitoire dans l'industrie.
![Le Saint Graal de Crypto AI : exploration de pointe de l'entraînement décentralisé])https://img-cdn.gateio.im/webp-social/moments-adb92bc4dfbaf26863cb0b4bb1081cd7.webp(
Décentralisation des limites, opportunités et voies réelles de l'entraînement
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 de la tâche, des besoins en ressources extrêmement élevés ou de la difficulté de la coopération, elle n'est naturellement pas adaptée pour être réalisée efficacement entre des nœuds hétérogènes et non fiables. Par exemple, l'entraînement de grands modèles dépend souvent d'une mémoire vidéo élevée, d'une faible latence et d'une bande passante élevée, ce qui rend difficile la segmentation et la synchronisation efficaces dans un réseau ouvert ; les tâches ayant des restrictions fortes en matière de confidentialité des données et de souveraineté ), comme la santé, la finance, et les données sensibles (, sont limitées par des contraintes légales et éthiques, ne pouvant donc pas être partagées ouvertement ; tandis que les tâches manquant de bases d'incitation à la coopération ), comme les modèles fermés d'entreprise ou l'entraînement de prototypes internes (, manquent de motivation externe pour la participation. Ces limites forment ensemble les restrictions 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, facilement parallélisables et incitatives, l'entraînement décentralisé montre des perspectives d'application claires. Cela inclut, mais n'est pas limité à : le réglage fin LoRA, les tâches d'entraînement post-alignment de comportement telles que RLHF, DPO), l'entraînement et l'annotation des données par crowdsourcing, l'entraînement de petits modèles de base contrôlables en ressources, ainsi que des scénarios d'entraînement collaboratif impliquant des dispositifs en périphérie. Ces tâches présentent généralement des caractéristiques de haute parallélisation, de faible couplage et de tolérance à l'hétérogénéité des capacités de calcul, ce qui les rend particulièrement 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 en matière d'architecture système et de conception d'algorithmes, représentant les directions de recherche théorique à la pointe; tandis que les chemins de mise en œuvre de Gensyn et Flock.io sont relativement clairs, et des progrès d'ingénierie préliminaires peuvent déjà être observés. Cet article analysera respectivement 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 : Pion du réseau collaboratif d'apprentissage renforcé vérifiable par trajectoire d'entraînement
Prime Intellect s'engage à construire un réseau de formation d'IA sans confiance, permettant à quiconque de participer à la formation et d'obtenir des récompenses fiables pour ses contributions de calcul. Prime Intellect espère construire un système de formation d'IA décentralisé avec vérifiabilité, ouverture et mécanismes d'incitation complets grâce à trois modules : PRIME-RL + TOPLOC + SHARDCAST.
)# 01、Structure du protocole Prime Intellect et valeur des modules clés
![Le Saint Graal de Crypto AI : exploration de pointe de la formation décentralisée]###https://img-cdn.gateio.im/webp-social/moments-b11af8d10db6e8baa0c19e87aa18dd82.webp###
(# 02, Explication détaillée des mécanismes clés de l'entraînement de Prime Intellect
#PRIME-RL: Architecture de tâche d'apprentissage par renforcement asynchrone découplée
PRIME-RL est un cadre de modélisation et d'exécution de tâches conçu par Prime Intellect pour des scénarios d'entraînement décentralisés, spécifiquement conçu pour des réseaux hétérogènes et une participation asynchrone. Il adopte l'apprentissage par renforcement comme objet d'adaptation prioritaire, découplant structurellement le processus d'entraînement, d'inférence et de téléchargement des poids, permettant à chaque nœud d'entraînement de compléter indépendamment la boucle de tâches localement, et de collaborer avec des mécanismes de validation et d'agrégation via des interfaces standardisées. Par rapport aux processus d'apprentissage supervisé traditionnels, PRIME-RL est mieux adapté à la mise en œuvre d'un entraînement flexible dans un environnement sans ordonnancement central, réduisant ainsi la complexité du système et posant les bases pour soutenir le parallélisme des tâches multiples et l'évolution des stratégies.
#TOPLOC:Mécanisme de validation de comportement d'entraînement léger
TOPLOC)Observation de Confiance & Vérification de Localité### est un mécanisme central de vérifiabilité proposé par Prime Intellect, utilisé pour déterminer si un nœud a réellement effectué un apprentissage de stratégie efficace basé sur des données d'observation. Contrairement à des solutions lourdes comme ZKML, TOPLOC ne dépend pas du recalcul complet du modèle, mais analyse la trajectoire de cohérence locale entre "séquence d'observation ↔ mise à jour de stratégie" pour réaliser une vérification structurale légère. Il transforme pour la première fois les trajectoires de comportement pendant le processus d'apprentissage en objets vérifiables, ce qui constitue une innovation clé pour parvenir à une répartition des récompenses d'apprentissage sans confiance, fournissant une voie réalisable pour construire un réseau d'apprentissage collaboratif décentralisé qui soit auditable et incitatif.
#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 pour des environnements de réseau réels asynchrones, à bande passante limitée et avec des états de nœuds changeants. Il combine un mécanisme de propagation de 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 de manière significative l'évolutivité et la tolérance aux pannes de l'entraînement décentralisé, constituant ainsi la base essentielle pour établir un consensus stable sur les poids et un entraînement itératif continu.
#OpenDiLoCo: cadre de communication asynchrone sparse
OpenDiLoCo est un cadre d'optimisation de communication, développé indépendamment et en open source par l'équipe Prime Intellect sur la base du concept DiLoCo proposé par DeepMind, conçu spécifiquement pour relever les défis courants de l'entraînement décentralisé, tels que les limitations de bande passante, l'hétérogénéité des appareils et l'instabilité des nœuds. Son architecture est basée sur la parallélisation des données, en construisant des structures topologiques éparses telles que Ring, Expander et Small-World, évitant ainsi les coûts de communication élevés liés 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 appareils en périphérie de participer de manière stable aux tâches d'entraînement, améliorant considérablement la participabilité de l'entraînement collaboratif à l'échelle mondiale, et constitue l'une des infrastructures de communication clés pour construire des réseaux d'entraînement décentralisés.
#PCCL: Bibliothèque de communication collaborative
PCCL(Prime Collective Communication Library) est une bibliothèque de communication légère spécialement conçue par Prime Intellect pour un environnement d'entraînement AI décentralisé, visant à résoudre les goulots d'étranglement d'adaptation des bibliothèques de communication traditionnelles sur des dispositifs hétérogènes et des réseaux à faible bande passante. PCCL prend en charge des 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 un composant sous-jacent pour la capacité de communication asynchrone du protocole OpenDiLoCo. Il améliore significativement la tolérance à la bande passante des réseaux d'entraînement et la compatibilité des dispositifs, ouvrant la "dernière étape" de la communication pour construire un véritable réseau d'entraînement collaboratif ouvert et sans confiance.
(# 03、Prime Intellect incitation réseau et rôle de division
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 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 l'entraînement local, soumettre les mises à jour de poids et observer les trajectoires
Nœud de validation : utiliser le mécanisme TOPLOC pour vérifier la véracité des comportements d'entraînement et participer au calcul des récompenses et à l'agrégation des stratégies.
Le processus central du protocole comprend la publication des tâches, l'entraînement des nœuds, la vérification des trajectoires, l'agrégation des poids ) SHARDCAST ### et la distribution des récompenses, formant un cercle d'incitation autour du "comportement d'entraînement réel".
Exploration à la pointe de l'entraînement AI décentralisé : de centralisé à distribué puis à la Décentralisation.
Le Saint Graal de Crypto AI : exploration à la pointe de la formation décentralisée
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 la plus grande 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 intensifs, constituant le véritable "industrie lourde" de la construction des systèmes d'IA. D'un point de vue des paradigmes d'architecture, les méthodes d'entraînement peuvent être classées en quatre catégories : entraînement centralisé, entraînement distribué, apprentissage fédéré et entraînement décentralisé, qui est le principal sujet de cet article.
L'entraînement centralisé est la méthode traditionnelle la plus courante, réalisée par une seule institution au sein d'un cluster local haute performance, où l'ensemble du processus d'entraînement, depuis le matériel, le logiciel de base, le système de gestion de cluster jusqu'à tous les composants du cadre d'entraînement, est coordonné par un système de contrôle unifié. Cette architecture de collaboration profonde permet d'atteindre une efficacité optimale en matière de partage de mémoire, de synchronisation des gradients et de mécanismes de tolérance aux pannes, ce qui la rend très 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 de monopole des données, de barrières à l'entrée, de consommation d'énergie et de risques de point de défaillance.
L'entraînement distribué est la méthode principale de formation des grands modèles actuels. Son noyau consiste à décomposer les tâches d'entraînement du modèle et à les répartir sur plusieurs machines pour une exécution collaborative, afin de surmonter les goulets d'étranglement en calcul et en stockage sur une seule machine. Bien qu'il présente des caractéristiques "décentralisées" sur le plan physique, l'ensemble est toujours contrôlé, planifié et synchronisé par une institution centralisée, fonctionnant souvent dans un environnement de réseau local à haute vitesse, grâce à la technologie de bus d'interconnexion haute vitesse NVLink, où le nœud principal coordonne uniformément toutes les sous-tâches. Les méthodes principales incluent :
L'entraînement distribué est une combinaison de "contrôle centralisé + exécution distribuée", comparable à un même patron dirigeant à distance plusieurs employés de "bureau" pour collaborer à la réalisation de tâches. Actuellement, presque tous les grands modèles principaux (GPT-4, Gemini, LLaMA, etc. ) 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 ( peuvent être des ordinateurs personnels, des GPU en nuage ou des dispositifs en périphérie ) collaborant pour réaliser des tâches d'entraînement sans coordinateur central, généralement en distribuant et en collaborant sur les tâches via un protocole, et en utilisant un mécanisme d'incitation cryptographique pour garantir l'honnêteté des contributions. Les principaux défis auxquels ce modèle est confronté comprennent :
La formation décentralisée peut être comprise comme : un groupe de volontaires du monde entier contribuant chacun à la puissance de calcul pour former un modèle de manière collaborative, mais "la véritable formation décentralisée à grande échelle réalisable" reste 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 "collaboration efficace + incitation à l'honnêteté + résultats corrects" est encore à un stade précoce d'exploration de prototype.
L'apprentissage fédéré, en tant que forme de transition entre la distribution et la Décentralisation, met l'accent sur la conservation locale des données et l'agrégation centralisée des paramètres du modèle, adapté aux scénarios mettant l'accent sur la conformité à la vie privée, comme la santé et la finance (. L'apprentissage fédéré possède une structure d'ingénierie d'entraînement distribué et une capacité de collaboration locale, tout en bénéficiant des avantages de la dispersion des données de l'entraînement décentralisé, mais il dépend toujours d'une partie coordonnatrice de confiance et ne possède pas de caractéristiques entièrement ouvertes et résistantes à la censure. Il peut être considéré comme une solution de "Décentralisation contrôlée" dans des scénarios de conformité à la vie privée, relativement douce en termes de tâches d'entraînement, de structure de confiance et de mécanismes de communication, plus adaptée en tant qu'architecture de déploiement transitoire dans l'industrie.
![Le Saint Graal de Crypto AI : exploration de pointe de l'entraînement décentralisé])https://img-cdn.gateio.im/webp-social/moments-adb92bc4dfbaf26863cb0b4bb1081cd7.webp(
Décentralisation des limites, opportunités et voies réelles de l'entraînement
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 de la tâche, des besoins en ressources extrêmement élevés ou de la difficulté de la coopération, elle n'est naturellement pas adaptée pour être réalisée efficacement entre des nœuds hétérogènes et non fiables. Par exemple, l'entraînement de grands modèles dépend souvent d'une mémoire vidéo élevée, d'une faible latence et d'une bande passante élevée, ce qui rend difficile la segmentation et la synchronisation efficaces dans un réseau ouvert ; les tâches ayant des restrictions fortes en matière de confidentialité des données et de souveraineté ), comme la santé, la finance, et les données sensibles (, sont limitées par des contraintes légales et éthiques, ne pouvant donc pas être partagées ouvertement ; tandis que les tâches manquant de bases d'incitation à la coopération ), comme les modèles fermés d'entreprise ou l'entraînement de prototypes internes (, manquent de motivation externe pour la participation. Ces limites forment ensemble les restrictions 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, facilement parallélisables et incitatives, l'entraînement décentralisé montre des perspectives d'application claires. Cela inclut, mais n'est pas limité à : le réglage fin LoRA, les tâches d'entraînement post-alignment de comportement telles que RLHF, DPO), l'entraînement et l'annotation des données par crowdsourcing, l'entraînement de petits modèles de base contrôlables en ressources, ainsi que des scénarios d'entraînement collaboratif impliquant des dispositifs en périphérie. Ces tâches présentent généralement des caractéristiques de haute parallélisation, de faible couplage et de tolérance à l'hétérogénéité des capacités de calcul, ce qui les rend particulièrement 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 en matière d'architecture système et de conception d'algorithmes, représentant les directions de recherche théorique à la pointe; tandis que les chemins de mise en œuvre de Gensyn et Flock.io sont relativement clairs, et des progrès d'ingénierie préliminaires peuvent déjà être observés. Cet article analysera respectivement 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 : Pion du réseau collaboratif d'apprentissage renforcé vérifiable par trajectoire d'entraînement
Prime Intellect s'engage à construire un réseau de formation d'IA sans confiance, permettant à quiconque de participer à la formation et d'obtenir des récompenses fiables pour ses contributions de calcul. Prime Intellect espère construire un système de formation d'IA décentralisé avec vérifiabilité, ouverture et mécanismes d'incitation complets grâce à trois modules : PRIME-RL + TOPLOC + SHARDCAST.
)# 01、Structure du protocole Prime Intellect et valeur des modules clés
![Le Saint Graal de Crypto AI : exploration de pointe de la formation décentralisée]###https://img-cdn.gateio.im/webp-social/moments-b11af8d10db6e8baa0c19e87aa18dd82.webp###
(# 02, Explication détaillée des mécanismes clés de l'entraînement de Prime Intellect
#PRIME-RL: Architecture de tâche d'apprentissage par renforcement asynchrone découplée
PRIME-RL est un cadre de modélisation et d'exécution de tâches conçu par Prime Intellect pour des scénarios d'entraînement décentralisés, spécifiquement conçu pour des réseaux hétérogènes et une participation asynchrone. Il adopte l'apprentissage par renforcement comme objet d'adaptation prioritaire, découplant structurellement le processus d'entraînement, d'inférence et de téléchargement des poids, permettant à chaque nœud d'entraînement de compléter indépendamment la boucle de tâches localement, et de collaborer avec des mécanismes de validation et d'agrégation via des interfaces standardisées. Par rapport aux processus d'apprentissage supervisé traditionnels, PRIME-RL est mieux adapté à la mise en œuvre d'un entraînement flexible dans un environnement sans ordonnancement central, réduisant ainsi la complexité du système et posant les bases pour soutenir le parallélisme des tâches multiples et l'évolution des stratégies.
#TOPLOC:Mécanisme de validation de comportement d'entraînement léger
TOPLOC)Observation de Confiance & Vérification de Localité### est un mécanisme central de vérifiabilité proposé par Prime Intellect, utilisé pour déterminer si un nœud a réellement effectué un apprentissage de stratégie efficace basé sur des données d'observation. Contrairement à des solutions lourdes comme ZKML, TOPLOC ne dépend pas du recalcul complet du modèle, mais analyse la trajectoire de cohérence locale entre "séquence d'observation ↔ mise à jour de stratégie" pour réaliser une vérification structurale légère. Il transforme pour la première fois les trajectoires de comportement pendant le processus d'apprentissage en objets vérifiables, ce qui constitue une innovation clé pour parvenir à une répartition des récompenses d'apprentissage sans confiance, fournissant une voie réalisable pour construire un réseau d'apprentissage collaboratif décentralisé qui soit auditable et incitatif.
#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 pour des environnements de réseau réels asynchrones, à bande passante limitée et avec des états de nœuds changeants. Il combine un mécanisme de propagation de 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 de manière significative l'évolutivité et la tolérance aux pannes de l'entraînement décentralisé, constituant ainsi la base essentielle pour établir un consensus stable sur les poids et un entraînement itératif continu.
#OpenDiLoCo: cadre de communication asynchrone sparse
OpenDiLoCo est un cadre d'optimisation de communication, développé indépendamment et en open source par l'équipe Prime Intellect sur la base du concept DiLoCo proposé par DeepMind, conçu spécifiquement pour relever les défis courants de l'entraînement décentralisé, tels que les limitations de bande passante, l'hétérogénéité des appareils et l'instabilité des nœuds. Son architecture est basée sur la parallélisation des données, en construisant des structures topologiques éparses telles que Ring, Expander et Small-World, évitant ainsi les coûts de communication élevés liés 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 appareils en périphérie de participer de manière stable aux tâches d'entraînement, améliorant considérablement la participabilité de l'entraînement collaboratif à l'échelle mondiale, et constitue l'une des infrastructures de communication clés pour construire des réseaux d'entraînement décentralisés.
#PCCL: Bibliothèque de communication collaborative
PCCL(Prime Collective Communication Library) est une bibliothèque de communication légère spécialement conçue par Prime Intellect pour un environnement d'entraînement AI décentralisé, visant à résoudre les goulots d'étranglement d'adaptation des bibliothèques de communication traditionnelles sur des dispositifs hétérogènes et des réseaux à faible bande passante. PCCL prend en charge des 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 un composant sous-jacent pour la capacité de communication asynchrone du protocole OpenDiLoCo. Il améliore significativement la tolérance à la bande passante des réseaux d'entraînement et la compatibilité des dispositifs, ouvrant la "dernière étape" de la communication pour construire un véritable réseau d'entraînement collaboratif ouvert et sans confiance.
(# 03、Prime Intellect incitation réseau et rôle de division
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 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 ) SHARDCAST ### et la distribution des récompenses, formant un cercle d'incitation autour du "comportement d'entraînement réel".
![Le Saint Graal de Crypto AI : exploration de pointe de l'entraînement décentralisé](