Thánh tích của Crypto AI: Khám phá tiên phong về đào tạo Phi tập trung
Trong toàn bộ chuỗi giá trị của AI, việc đào tạo mô hình là khâu tiêu tốn tài nguyên lớn nhất và có rào cản kỹ thuật cao nhất, quyết định trực tiếp giới hạn khả năng của mô hình và hiệu quả ứng dụng thực tế. So với giai đoạn suy diễn có yêu cầu sử dụng nhẹ nhàng, quá trình đào tạo cần đầu tư sức mạnh tính toán quy mô lớn liên tục, quy trình xử lý dữ liệu phức tạp và hỗ trợ các thuật toán tối ưu hóa cường độ cao, là "ngành công nghiệp nặng" thực sự trong việc xây dựng hệ thống AI. Từ góc độ mô hình kiến trúc, phương pháp đào tạo có thể được chia thành bốn loại: đào tạo tập trung, đào tạo phân tán, học liên bang và đào tạo phi tập trung mà bài viết này sẽ tập trung thảo luận.
Đào tạo tập trung là phương pháp truyền thống phổ biến nhất, được thực hiện bởi một tổ chức duy nhất trong cụm hiệu suất cao tại địa phương, hoàn thành toàn bộ quy trình đào tạo, từ phần cứng, phần mềm nền tảng, hệ thống lập lịch cụm, đến tất cả các thành phần của khung đào tạo đều được phối hợp hoạt động bởi một hệ thống điều khiển thống nhất. Kiến trúc hợp tác sâu sắc này cho phép chia sẻ bộ nhớ, đồng bộ hóa gradient và cơ chế chịu lỗi đạt hiệu quả tối ưu, rất phù hợp cho việc đào tạo các mô hình quy mô lớn như GPT, Gemini, với lợi thế hiệu quả cao và tài nguyên có thể kiểm soát, nhưng đồng thời cũng tồn tại các vấn đề như độc quyền dữ liệu, rào cản tài nguyên, tiêu thụ năng lượng và rủi ro điểm đơn.
Huấn luyện phân tán là phương pháp chính hiện nay để huấn luyện các mô hình lớn, cốt lõi của nó là chia tách nhiệm vụ huấn luyện mô hình sau đó phân phối đến nhiều máy để hợp tác thực hiện, nhằm vượt qua giới hạn tính toán và lưu trữ của một máy đơn. Mặc dù về mặt vật lý có đặc điểm "Phi tập trung", nhưng tổng thể vẫn được các tổ chức trung tâm kiểm soát, điều phối và đồng bộ, thường hoạt động trong môi trường mạng cục bộ tốc độ cao, thông qua công nghệ bus liên kết NVLink tốc độ cao, do nút chính đồng bộ hóa các nhiệm vụ con. Các phương pháp chính bao gồm:
Dữ liệu song song: Mỗi nút huấn luyện các tham số dữ liệu khác nhau chia sẻ, cần khớp trọng số mô hình
Song song mô hình: Triển khai các phần khác nhau của mô hình trên các nút khác nhau, đạt được khả năng mở rộng mạnh mẽ.
Đường ống song song: Thực hiện tuần tự theo giai đoạn, tăng cường thông lượng
Phân tán tensor: Chia nhỏ tính toán ma trận một cách tinh vi, nâng cao độ tinh tế của sự song song
Huấn luyện phân tán là sự kết hợp của "kiểm soát tập trung + thực hiện phân tán", tương tự như một ông chủ điều hành từ xa nhiều "văn phòng" nhân viên phối hợp hoàn thành nhiệm vụ. Hiện nay, hầu hết các mô hình lớn chính thống (GPT-4, Gemini, LLaMA và các mô hình khác ) đều được hoàn thành thông qua cách này.
Phi tập trung huấn luyện thì đại diện cho con đường tương lai với tính mở và khả năng chống kiểm duyệt cao hơn. Đặc điểm cốt lõi của nó là: nhiều nút không tin tưởng lẫn nhau ( có thể là máy tính gia đình, GPU đám mây hoặc thiết bị biên ) phối hợp hoàn thành nhiệm vụ huấn luyện mà không cần điều phối viên trung tâm, thường thông qua giao thức điều khiển việc phân phối nhiệm vụ và hợp tác, và nhờ vào cơ chế khuyến khích mã hóa để đảm bảo tính trung thực của sự đóng góp. Những thách thức chính mà mô hình này phải đối mặt bao gồm:
Thiết bị dị hợp và khó khăn trong việc phân chia: Khó khăn trong việc phối hợp thiết bị dị hợp, hiệu quả phân chia nhiệm vụ thấp.
Rào cản hiệu suất giao tiếp: Giao tiếp mạng không ổn định, rào cản đồng bộ độ dốc rõ ràng
Thiếu khả năng thực thi đáng tin cậy: Thiếu môi trường thực thi đáng tin cậy, khó xác minh xem nút có thực sự tham gia tính toán hay không.
Thiếu sự phối hợp thống nhất: không có bộ điều phối trung ương, phân phối nhiệm vụ, cơ chế quay lại bất thường phức tạp
Phi tập trung đào tạo có thể hiểu là: một nhóm tình nguyện viên toàn cầu, mỗi người đóng góp sức mạnh tính toán để phối hợp đào tạo mô hình, nhưng "đào tạo phi tập trung quy mô lớn thực sự khả thi" vẫn là một thách thức kỹ thuật hệ thống, liên quan đến kiến trúc hệ thống, giao thức truyền thông, an toàn mật mã, cơ chế kinh tế, xác minh mô hình và nhiều khía cạnh khác, nhưng liệu có thể "phối hợp hiệu quả + khuyến khích trung thực + kết quả chính xác" vẫn đang ở giai đoạn khám phá nguyên mẫu sớm.
Học liên bang như một hình thức chuyển tiếp giữa phân phối và Phi tập trung, nhấn mạnh việc giữ lại dữ liệu địa phương và tổng hợp tham số mô hình, phù hợp với các trường hợp chú trọng đến tuân thủ quyền riêng tư như y tế, tài chính (. Học liên bang có cấu trúc kỹ thuật huấn luyện phân phối và khả năng hợp tác địa phương, đồng thời sở hữu lợi thế phân tán dữ liệu của huấn luyện Phi tập trung, nhưng vẫn phụ thuộc vào bên điều phối đáng tin cậy và không có đặc tính hoàn toàn mở và chống kiểm duyệt. Nó có thể được coi là một giải pháp "Phi tập trung có kiểm soát" trong các trường hợp tuân thủ quyền riêng tư, với các nhiệm vụ huấn luyện, cấu trúc tin cậy và cơ chế giao tiếp tương đối nhẹ nhàng, phù hợp hơn để làm kiến trúc triển khai chuyển tiếp trong ngành công nghiệp.
![Cốc thánh của Crypto AI: Khám phá tiên phong trong đào tạo Phi tập trung])https://img-cdn.gateio.im/webp-social/moments-adb92bc4dfbaf26863cb0b4bb1081cd7.webp(
Phi tập trung đào tạo của những ranh giới, cơ hội và con đường thực tế
Xét từ góc độ mô hình huấn luyện, huấn luyện phi tập trung không phù hợp với tất cả các loại nhiệm vụ. Trong một số bối cảnh, do cấu trúc nhiệm vụ phức tạp, nhu cầu tài nguyên rất cao hoặc độ khó hợp tác lớn, nó tự nhiên không phù hợp để hoàn thành hiệu quả giữa các nút dị thể và không cần tin cậy. Ví dụ, huấn luyện mô hình lớn thường phụ thuộc vào bộ nhớ cao, độ trễ thấp và băng thông cao, khó có thể phân chia và đồng bộ hiệu quả trong mạng mở; nhiệm vụ có quyền riêng tư dữ liệu và hạn chế chủ quyền mạnh như y tế, tài chính, dữ liệu nhạy cảm ) bị hạn chế bởi sự tuân thủ pháp luật và ràng buộc đạo đức, không thể chia sẻ mở; trong khi những nhiệm vụ thiếu động lực hợp tác như mô hình nguồn đóng của doanh nghiệp hoặc huấn luyện nguyên mẫu nội bộ ( thì thiếu động lực tham gia từ bên ngoài. Những ranh giới này cùng nhau cấu thành những giới hạn thực tế của huấn luyện phi tập trung hiện tại.
Nhưng điều này không có nghĩa là đào tạo phi tập trung là một giả thuyết sai. Thực tế, trong các loại nhiệm vụ có cấu trúc nhẹ, dễ song song và có thể kích thích, đào tạo phi tập trung thể hiện triển vọng ứng dụng rõ ràng. Bao gồm nhưng không giới hạn: tinh chỉnh LoRA, các nhiệm vụ đào tạo sau liên quan đến căn chỉnh hành vi ) như RLHF, DPO(, nhiệm vụ đào tạo và chú thích dữ liệu crowdsourcing, đào tạo mô hình cơ bản nhỏ có thể kiểm soát tài nguyên, cũng như các tình huống đào tạo hợp tác có sự tham gia của thiết bị biên. Những nhiệm vụ này thường có tính song song cao, tính kết nối thấp và khả năng chịu đựng sức mạnh tính toán dị biệt, rất phù hợp để thực hiện đào tạo hợp tác thông qua mạng P2P, giao thức Swarm, bộ tối ưu phân tán và các phương thức khác.
![Chén thánh của Crypto AI: Khám phá tiên phong trong đào tạo Phi tập trung])https://img-cdn.gateio.im/webp-social/moments-69eb6c2dab3d6284b890285c71e7a47f.webp(
Phi tập trung đào tạo các dự án cổ điển phân tích
Hiện tại, trong lĩnh vực đào tạo phi tập trung và học liên bang, các dự án blockchain tiêu biểu bao gồm Prime Intellect, Pluralis.ai, Gensyn, Nous Research và Flock.io. Xét về tính đổi mới công nghệ và độ khó trong việc thực hiện kỹ thuật, Prime Intellect, Nous Research và Pluralis.ai đã đưa ra nhiều khám phá sáng tạo trong thiết kế hệ thống và thuật toán, đại diện cho hướng nghiên cứu lý thuyết hiện tại; trong khi đó, con đường thực hiện của Gensyn và Flock.io tương đối rõ ràng, đã có thể nhìn thấy tiến triển ban đầu trong việc hiện thực hóa. Bài viết này sẽ lần lượt phân tích công nghệ cốt lõi và kiến trúc kỹ thuật của năm dự án này, và tiếp tục khám phá sự khác biệt và mối quan hệ bổ sung của chúng trong hệ thống đào tạo AI phi tập trung.
) Prime Intellect: Người tiên phong trong mạng lưới hợp tác học tăng cường có thể xác minh được quỹ đạo đào tạo
Prime Intellect cam kết xây dựng một mạng lưới đào tạo AI không cần tin tưởng, cho phép bất kỳ ai tham gia đào tạo và nhận phần thưởng đáng tin cậy cho những đóng góp tính toán của họ. Prime Intellect mong muốn thông qua ba mô-đun PRIME-RL + TOPLOC + SHARDCAST, xây dựng một hệ thống đào tạo AI Phi tập trung có tính khả thi, mở và đầy đủ cơ chế khuyến khích.
(# 01、Cấu trúc ngăn xếp giao thức Prime Intellect và giá trị của các mô-đun chính
![Cúp thánh của Crypto AI: Khám phá tiên phong về đào tạo Phi tập trung])https://img-cdn.gateio.im/webp-social/moments-b11af8d10db6e8baa0c19e87aa18dd82.webp###
02、Giải thích chi tiết cơ chế chính của Prime Intellect
#PRIME-RL: Cấu trúc nhiệm vụ học tăng cường phi tập trung dạng rời rạc
PRIME-RL là khung mô hình và thực hiện nhiệm vụ được tùy chỉnh cho các tình huống huấn luyện phi tập trung của Prime Intellect, được thiết kế đặc biệt cho mạng lưới dị thể và sự tham gia bất đồng bộ. Nó áp dụng học tăng cường như đối tượng ưu tiên thích ứng, cấu trúc tách biệt quy trình huấn luyện, suy luận và tải trọng, cho phép mỗi nút huấn luyện hoàn thành vòng lặp nhiệm vụ độc lập tại chỗ và phối hợp với cơ chế xác thực và tổng hợp thông qua giao diện tiêu chuẩn hóa. So với quy trình học có giám sát truyền thống, PRIME-RL thích hợp hơn trong môi trường không có điều độ trung tâm để thực hiện huấn luyện linh hoạt, giảm độ phức tạp của hệ thống và đặt nền tảng cho việc hỗ trợ đa nhiệm song song và tiến hóa chiến lược.
#TOPLOC:Cơ chế xác minh hành vi đào tạo nhẹ
TOPLOC(Quan sát Đáng tin cậy & Kiểm tra Tính địa phương) là cơ chế cốt lõi về khả năng xác minh được đề xuất bởi Prime Intellect, dùng để xác định xem một nút có thực sự hoàn thành việc học chính sách hiệu quả dựa trên dữ liệu quan sát hay không. Khác với các giải pháp nặng như ZKML, TOPLOC không phụ thuộc vào việc tính toán lại toàn bộ mô hình, mà phân tích "dãy quan sát ↔ cập nhật chính sách" để hoàn thành xác minh cấu trúc nhẹ. Đây là lần đầu tiên nó chuyển đổi hành vi trong quá trình huấn luyện thành đối tượng có thể xác minh, là đổi mới chính để thực hiện phân phối phần thưởng huấn luyện mà không cần tin cậy, cung cấp con đường khả thi để xây dựng mạng lưới huấn luyện hợp tác phi tập trung có thể kiểm toán và có thể khuyến khích.
#SHARDCAST: Giao thức tổng hợp và truyền tải trọng số bất đồng bộ
SHARDCAST là giao thức truyền tải và tổng hợp trọng số được thiết kế bởi Prime Intellect, được tối ưu hóa dành cho môi trường mạng thực tế không đồng bộ, băng thông hạn chế và trạng thái nút biến đổi. Nó kết hợp cơ chế truyền tải gossip và chiến lược đồng bộ cục bộ, cho phép nhiều nút tiếp tục gửi các cập nhật phần trong trạng thái không đồng bộ, đạt được sự hội tụ trọng số dần dần và tiến hóa đa phiên bản. So với các phương pháp AllReduce tập trung hoặc đồng bộ, SHARDCAST nâng cao đáng kể khả năng mở rộng và khả năng chịu lỗi của đào tạo Phi tập trung, là nền tảng cốt lõi để xây dựng sự đồng thuận trọng số ổn định và đào tạo lặp liên tục.
#OpenDiLoCo: Khung giao tiếp bất đồng bộ thưa thớt
OpenDiLoCo là một khuôn khổ tối ưu hóa giao tiếp độc lập được đội ngũ Prime Intellect phát triển dựa trên ý tưởng DiLoCo do DeepMind đề xuất và đã được mã nguồn mở, được thiết kế đặc biệt để đối phó với những thách thức thường gặp trong đào tạo phi tập trung như băng thông hạn chế, thiết bị không đồng nhất và độ ổn định của các nút. Kiến trúc của nó dựa trên sự song song dữ liệu, bằng cách xây dựng các cấu trúc topo thưa như Ring, Expander và Small-World, tránh chi phí giao tiếp cao của đồng bộ toàn cầu, chỉ dựa vào các nút hàng xóm cục bộ để hoàn thành việc đào tạo phối hợp mô hình. Kết hợp cập nhật không đồng bộ và cơ chế chịu lỗi điểm dừng, OpenDiLoCo cho phép GPU tiêu dùng và thiết bị biên cũng có thể tham gia ổn định vào các nhiệm vụ đào tạo, nâng cao đáng kể khả năng tham gia vào đào tạo hợp tác toàn cầu, là một trong những cơ sở hạ tầng giao tiếp quan trọng để xây dựng mạng lưới đào tạo phi tập trung.
#PCCL: Thư viện giao tiếp hợp tác
PCCL###Prime Collective Communication Library( là thư viện giao tiếp nhẹ được thiết kế riêng cho môi trường đào tạo AI Phi tập trung của Prime Intellect, nhằm giải quyết những điểm nghẽn trong việc thích ứng của thư viện giao tiếp truyền thống trên các thiết bị khác nhau và mạng có băng thông thấp. PCCL hỗ trợ cấu trúc thưa thớt, nén độ dốc, đồng bộ độ chính xác thấp và khôi phục từ điểm dừng, có thể chạy trên GPU tiêu dùng và các nút không ổn định, là thành phần nền tảng hỗ trợ khả năng giao tiếp bất đồng bộ của giao thức OpenDiLoCo. Nó nâng cao đáng kể khả năng chịu băng thông và khả năng tương thích thiết bị của mạng đào tạo, mở ra cơ sở hạ tầng giao tiếp "km cuối" cho việc xây dựng một mạng đào tạo hợp tác thực sự mở và không cần tin cậy.
![Chén thánh của Crypto AI: Khám phá tiên phong về đào tạo Phi tập trung])https://img-cdn.gateio.im/webp-social/moments-0a322ea8b70c3d00d8d99606559c1864.webp(
)# 03、Mạng khuyến khích Prime Intellect và phân công vai trò
Prime Intellect đã xây dựng một mạng lưới huấn luyện không cần cấp phép, có thể xác minh và có cơ chế khuyến khích kinh tế, cho phép bất kỳ ai tham gia vào các nhiệm vụ và nhận phần thưởng dựa trên đóng góp thực tế. Giao thức hoạt động dựa trên ba loại vai trò cốt lõi:
Người khởi xướng nhiệm vụ: xác định môi trường đào tạo, mô hình ban đầu, hàm thưởng và tiêu chuẩn xác minh
Node đào tạo: thực hiện đào tạo cục bộ, nộp cập nhật trọng số và theo dõi quan sát
Node xác thực: Sử dụng cơ chế TOPLOC để xác minh tính xác thực của hành vi đào tạo và tham gia vào việc tính toán phần thưởng cũng như tích hợp chiến lược.
Quy trình cốt lõi của giao thức bao gồm phát hành nhiệm vụ, đào tạo nút, xác minh quỹ đạo, hợp nhất trọng số (SHARDCAST) và phát thưởng, tạo thành một vòng khép kín khuyến khích xoay quanh "hành vi đào tạo thực sự".
Trang này có thể chứa nội dung của bên thứ ba, được cung cấp chỉ nhằm mục đích thông tin (không phải là tuyên bố/bảo đảm) và không được coi là sự chứng thực cho quan điểm của Gate hoặc là lời khuyên về tài chính hoặc chuyên môn. Xem Tuyên bố từ chối trách nhiệm để biết chi tiết.
12 thích
Phần thưởng
12
3
Đăng lại
Chia sẻ
Bình luận
0/400
MidnightTrader
· 14giờ trước
Con đường cũ của việc tập trung khả năng tính toán và độc quyền, cuối cùng chỉ là công cốc.
Xem bản gốcTrả lời0
AlwaysAnon
· 14giờ trước
Logic của blockchain công cộng chính là như vậy.
Xem bản gốcTrả lời0
LiquidationTherapist
· 14giờ trước
Tôi cọ, cái này chẳng phải là đập ra tài nguyên tính toán sao?
Khám phá tiên phong về đào tạo AI phi tập trung: Sự tiến hóa từ tập trung đến phân tán rồi đến phi tập trung
Thánh tích của Crypto AI: Khám phá tiên phong về đào tạo Phi tập trung
Trong toàn bộ chuỗi giá trị của AI, việc đào tạo mô hình là khâu tiêu tốn tài nguyên lớn nhất và có rào cản kỹ thuật cao nhất, quyết định trực tiếp giới hạn khả năng của mô hình và hiệu quả ứng dụng thực tế. So với giai đoạn suy diễn có yêu cầu sử dụng nhẹ nhàng, quá trình đào tạo cần đầu tư sức mạnh tính toán quy mô lớn liên tục, quy trình xử lý dữ liệu phức tạp và hỗ trợ các thuật toán tối ưu hóa cường độ cao, là "ngành công nghiệp nặng" thực sự trong việc xây dựng hệ thống AI. Từ góc độ mô hình kiến trúc, phương pháp đào tạo có thể được chia thành bốn loại: đào tạo tập trung, đào tạo phân tán, học liên bang và đào tạo phi tập trung mà bài viết này sẽ tập trung thảo luận.
Đào tạo tập trung là phương pháp truyền thống phổ biến nhất, được thực hiện bởi một tổ chức duy nhất trong cụm hiệu suất cao tại địa phương, hoàn thành toàn bộ quy trình đào tạo, từ phần cứng, phần mềm nền tảng, hệ thống lập lịch cụm, đến tất cả các thành phần của khung đào tạo đều được phối hợp hoạt động bởi một hệ thống điều khiển thống nhất. Kiến trúc hợp tác sâu sắc này cho phép chia sẻ bộ nhớ, đồng bộ hóa gradient và cơ chế chịu lỗi đạt hiệu quả tối ưu, rất phù hợp cho việc đào tạo các mô hình quy mô lớn như GPT, Gemini, với lợi thế hiệu quả cao và tài nguyên có thể kiểm soát, nhưng đồng thời cũng tồn tại các vấn đề như độc quyền dữ liệu, rào cản tài nguyên, tiêu thụ năng lượng và rủi ro điểm đơn.
Huấn luyện phân tán là phương pháp chính hiện nay để huấn luyện các mô hình lớn, cốt lõi của nó là chia tách nhiệm vụ huấn luyện mô hình sau đó phân phối đến nhiều máy để hợp tác thực hiện, nhằm vượt qua giới hạn tính toán và lưu trữ của một máy đơn. Mặc dù về mặt vật lý có đặc điểm "Phi tập trung", nhưng tổng thể vẫn được các tổ chức trung tâm kiểm soát, điều phối và đồng bộ, thường hoạt động trong môi trường mạng cục bộ tốc độ cao, thông qua công nghệ bus liên kết NVLink tốc độ cao, do nút chính đồng bộ hóa các nhiệm vụ con. Các phương pháp chính bao gồm:
Huấn luyện phân tán là sự kết hợp của "kiểm soát tập trung + thực hiện phân tán", tương tự như một ông chủ điều hành từ xa nhiều "văn phòng" nhân viên phối hợp hoàn thành nhiệm vụ. Hiện nay, hầu hết các mô hình lớn chính thống (GPT-4, Gemini, LLaMA và các mô hình khác ) đều được hoàn thành thông qua cách này.
Phi tập trung huấn luyện thì đại diện cho con đường tương lai với tính mở và khả năng chống kiểm duyệt cao hơn. Đặc điểm cốt lõi của nó là: nhiều nút không tin tưởng lẫn nhau ( có thể là máy tính gia đình, GPU đám mây hoặc thiết bị biên ) phối hợp hoàn thành nhiệm vụ huấn luyện mà không cần điều phối viên trung tâm, thường thông qua giao thức điều khiển việc phân phối nhiệm vụ và hợp tác, và nhờ vào cơ chế khuyến khích mã hóa để đảm bảo tính trung thực của sự đóng góp. Những thách thức chính mà mô hình này phải đối mặt bao gồm:
Phi tập trung đào tạo có thể hiểu là: một nhóm tình nguyện viên toàn cầu, mỗi người đóng góp sức mạnh tính toán để phối hợp đào tạo mô hình, nhưng "đào tạo phi tập trung quy mô lớn thực sự khả thi" vẫn là một thách thức kỹ thuật hệ thống, liên quan đến kiến trúc hệ thống, giao thức truyền thông, an toàn mật mã, cơ chế kinh tế, xác minh mô hình và nhiều khía cạnh khác, nhưng liệu có thể "phối hợp hiệu quả + khuyến khích trung thực + kết quả chính xác" vẫn đang ở giai đoạn khám phá nguyên mẫu sớm.
Học liên bang như một hình thức chuyển tiếp giữa phân phối và Phi tập trung, nhấn mạnh việc giữ lại dữ liệu địa phương và tổng hợp tham số mô hình, phù hợp với các trường hợp chú trọng đến tuân thủ quyền riêng tư như y tế, tài chính (. Học liên bang có cấu trúc kỹ thuật huấn luyện phân phối và khả năng hợp tác địa phương, đồng thời sở hữu lợi thế phân tán dữ liệu của huấn luyện Phi tập trung, nhưng vẫn phụ thuộc vào bên điều phối đáng tin cậy và không có đặc tính hoàn toàn mở và chống kiểm duyệt. Nó có thể được coi là một giải pháp "Phi tập trung có kiểm soát" trong các trường hợp tuân thủ quyền riêng tư, với các nhiệm vụ huấn luyện, cấu trúc tin cậy và cơ chế giao tiếp tương đối nhẹ nhàng, phù hợp hơn để làm kiến trúc triển khai chuyển tiếp trong ngành công nghiệp.
![Cốc thánh của Crypto AI: Khám phá tiên phong trong đào tạo Phi tập trung])https://img-cdn.gateio.im/webp-social/moments-adb92bc4dfbaf26863cb0b4bb1081cd7.webp(
Phi tập trung đào tạo của những ranh giới, cơ hội và con đường thực tế
Xét từ góc độ mô hình huấn luyện, huấn luyện phi tập trung không phù hợp với tất cả các loại nhiệm vụ. Trong một số bối cảnh, do cấu trúc nhiệm vụ phức tạp, nhu cầu tài nguyên rất cao hoặc độ khó hợp tác lớn, nó tự nhiên không phù hợp để hoàn thành hiệu quả giữa các nút dị thể và không cần tin cậy. Ví dụ, huấn luyện mô hình lớn thường phụ thuộc vào bộ nhớ cao, độ trễ thấp và băng thông cao, khó có thể phân chia và đồng bộ hiệu quả trong mạng mở; nhiệm vụ có quyền riêng tư dữ liệu và hạn chế chủ quyền mạnh như y tế, tài chính, dữ liệu nhạy cảm ) bị hạn chế bởi sự tuân thủ pháp luật và ràng buộc đạo đức, không thể chia sẻ mở; trong khi những nhiệm vụ thiếu động lực hợp tác như mô hình nguồn đóng của doanh nghiệp hoặc huấn luyện nguyên mẫu nội bộ ( thì thiếu động lực tham gia từ bên ngoài. Những ranh giới này cùng nhau cấu thành những giới hạn thực tế của huấn luyện phi tập trung hiện tại.
Nhưng điều này không có nghĩa là đào tạo phi tập trung là một giả thuyết sai. Thực tế, trong các loại nhiệm vụ có cấu trúc nhẹ, dễ song song và có thể kích thích, đào tạo phi tập trung thể hiện triển vọng ứng dụng rõ ràng. Bao gồm nhưng không giới hạn: tinh chỉnh LoRA, các nhiệm vụ đào tạo sau liên quan đến căn chỉnh hành vi ) như RLHF, DPO(, nhiệm vụ đào tạo và chú thích dữ liệu crowdsourcing, đào tạo mô hình cơ bản nhỏ có thể kiểm soát tài nguyên, cũng như các tình huống đào tạo hợp tác có sự tham gia của thiết bị biên. Những nhiệm vụ này thường có tính song song cao, tính kết nối thấp và khả năng chịu đựng sức mạnh tính toán dị biệt, rất phù hợp để thực hiện đào tạo hợp tác thông qua mạng P2P, giao thức Swarm, bộ tối ưu phân tán và các phương thức khác.
![Chén thánh của Crypto AI: Khám phá tiên phong trong đào tạo Phi tập trung])https://img-cdn.gateio.im/webp-social/moments-69eb6c2dab3d6284b890285c71e7a47f.webp(
Phi tập trung đào tạo các dự án cổ điển phân tích
Hiện tại, trong lĩnh vực đào tạo phi tập trung và học liên bang, các dự án blockchain tiêu biểu bao gồm Prime Intellect, Pluralis.ai, Gensyn, Nous Research và Flock.io. Xét về tính đổi mới công nghệ và độ khó trong việc thực hiện kỹ thuật, Prime Intellect, Nous Research và Pluralis.ai đã đưa ra nhiều khám phá sáng tạo trong thiết kế hệ thống và thuật toán, đại diện cho hướng nghiên cứu lý thuyết hiện tại; trong khi đó, con đường thực hiện của Gensyn và Flock.io tương đối rõ ràng, đã có thể nhìn thấy tiến triển ban đầu trong việc hiện thực hóa. Bài viết này sẽ lần lượt phân tích công nghệ cốt lõi và kiến trúc kỹ thuật của năm dự án này, và tiếp tục khám phá sự khác biệt và mối quan hệ bổ sung của chúng trong hệ thống đào tạo AI phi tập trung.
) Prime Intellect: Người tiên phong trong mạng lưới hợp tác học tăng cường có thể xác minh được quỹ đạo đào tạo
Prime Intellect cam kết xây dựng một mạng lưới đào tạo AI không cần tin tưởng, cho phép bất kỳ ai tham gia đào tạo và nhận phần thưởng đáng tin cậy cho những đóng góp tính toán của họ. Prime Intellect mong muốn thông qua ba mô-đun PRIME-RL + TOPLOC + SHARDCAST, xây dựng một hệ thống đào tạo AI Phi tập trung có tính khả thi, mở và đầy đủ cơ chế khuyến khích.
(# 01、Cấu trúc ngăn xếp giao thức Prime Intellect và giá trị của các mô-đun chính
![Cúp thánh của Crypto AI: Khám phá tiên phong về đào tạo Phi tập trung])https://img-cdn.gateio.im/webp-social/moments-b11af8d10db6e8baa0c19e87aa18dd82.webp###
02、Giải thích chi tiết cơ chế chính của Prime Intellect
#PRIME-RL: Cấu trúc nhiệm vụ học tăng cường phi tập trung dạng rời rạc
PRIME-RL là khung mô hình và thực hiện nhiệm vụ được tùy chỉnh cho các tình huống huấn luyện phi tập trung của Prime Intellect, được thiết kế đặc biệt cho mạng lưới dị thể và sự tham gia bất đồng bộ. Nó áp dụng học tăng cường như đối tượng ưu tiên thích ứng, cấu trúc tách biệt quy trình huấn luyện, suy luận và tải trọng, cho phép mỗi nút huấn luyện hoàn thành vòng lặp nhiệm vụ độc lập tại chỗ và phối hợp với cơ chế xác thực và tổng hợp thông qua giao diện tiêu chuẩn hóa. So với quy trình học có giám sát truyền thống, PRIME-RL thích hợp hơn trong môi trường không có điều độ trung tâm để thực hiện huấn luyện linh hoạt, giảm độ phức tạp của hệ thống và đặt nền tảng cho việc hỗ trợ đa nhiệm song song và tiến hóa chiến lược.
#TOPLOC:Cơ chế xác minh hành vi đào tạo nhẹ
TOPLOC(Quan sát Đáng tin cậy & Kiểm tra Tính địa phương) là cơ chế cốt lõi về khả năng xác minh được đề xuất bởi Prime Intellect, dùng để xác định xem một nút có thực sự hoàn thành việc học chính sách hiệu quả dựa trên dữ liệu quan sát hay không. Khác với các giải pháp nặng như ZKML, TOPLOC không phụ thuộc vào việc tính toán lại toàn bộ mô hình, mà phân tích "dãy quan sát ↔ cập nhật chính sách" để hoàn thành xác minh cấu trúc nhẹ. Đây là lần đầu tiên nó chuyển đổi hành vi trong quá trình huấn luyện thành đối tượng có thể xác minh, là đổi mới chính để thực hiện phân phối phần thưởng huấn luyện mà không cần tin cậy, cung cấp con đường khả thi để xây dựng mạng lưới huấn luyện hợp tác phi tập trung có thể kiểm toán và có thể khuyến khích.
#SHARDCAST: Giao thức tổng hợp và truyền tải trọng số bất đồng bộ
SHARDCAST là giao thức truyền tải và tổng hợp trọng số được thiết kế bởi Prime Intellect, được tối ưu hóa dành cho môi trường mạng thực tế không đồng bộ, băng thông hạn chế và trạng thái nút biến đổi. Nó kết hợp cơ chế truyền tải gossip và chiến lược đồng bộ cục bộ, cho phép nhiều nút tiếp tục gửi các cập nhật phần trong trạng thái không đồng bộ, đạt được sự hội tụ trọng số dần dần và tiến hóa đa phiên bản. So với các phương pháp AllReduce tập trung hoặc đồng bộ, SHARDCAST nâng cao đáng kể khả năng mở rộng và khả năng chịu lỗi của đào tạo Phi tập trung, là nền tảng cốt lõi để xây dựng sự đồng thuận trọng số ổn định và đào tạo lặp liên tục.
#OpenDiLoCo: Khung giao tiếp bất đồng bộ thưa thớt
OpenDiLoCo là một khuôn khổ tối ưu hóa giao tiếp độc lập được đội ngũ Prime Intellect phát triển dựa trên ý tưởng DiLoCo do DeepMind đề xuất và đã được mã nguồn mở, được thiết kế đặc biệt để đối phó với những thách thức thường gặp trong đào tạo phi tập trung như băng thông hạn chế, thiết bị không đồng nhất và độ ổn định của các nút. Kiến trúc của nó dựa trên sự song song dữ liệu, bằng cách xây dựng các cấu trúc topo thưa như Ring, Expander và Small-World, tránh chi phí giao tiếp cao của đồng bộ toàn cầu, chỉ dựa vào các nút hàng xóm cục bộ để hoàn thành việc đào tạo phối hợp mô hình. Kết hợp cập nhật không đồng bộ và cơ chế chịu lỗi điểm dừng, OpenDiLoCo cho phép GPU tiêu dùng và thiết bị biên cũng có thể tham gia ổn định vào các nhiệm vụ đào tạo, nâng cao đáng kể khả năng tham gia vào đào tạo hợp tác toàn cầu, là một trong những cơ sở hạ tầng giao tiếp quan trọng để xây dựng mạng lưới đào tạo phi tập trung.
#PCCL: Thư viện giao tiếp hợp tác
PCCL###Prime Collective Communication Library( là thư viện giao tiếp nhẹ được thiết kế riêng cho môi trường đào tạo AI Phi tập trung của Prime Intellect, nhằm giải quyết những điểm nghẽn trong việc thích ứng của thư viện giao tiếp truyền thống trên các thiết bị khác nhau và mạng có băng thông thấp. PCCL hỗ trợ cấu trúc thưa thớt, nén độ dốc, đồng bộ độ chính xác thấp và khôi phục từ điểm dừng, có thể chạy trên GPU tiêu dùng và các nút không ổn định, là thành phần nền tảng hỗ trợ khả năng giao tiếp bất đồng bộ của giao thức OpenDiLoCo. Nó nâng cao đáng kể khả năng chịu băng thông và khả năng tương thích thiết bị của mạng đào tạo, mở ra cơ sở hạ tầng giao tiếp "km cuối" cho việc xây dựng một mạng đào tạo hợp tác thực sự mở và không cần tin cậy.
![Chén thánh của Crypto AI: Khám phá tiên phong về đào tạo Phi tập trung])https://img-cdn.gateio.im/webp-social/moments-0a322ea8b70c3d00d8d99606559c1864.webp(
)# 03、Mạng khuyến khích Prime Intellect và phân công vai trò
Prime Intellect đã xây dựng một mạng lưới huấn luyện không cần cấp phép, có thể xác minh và có cơ chế khuyến khích kinh tế, cho phép bất kỳ ai tham gia vào các nhiệm vụ và nhận phần thưởng dựa trên đóng góp thực tế. Giao thức hoạt động dựa trên ba loại vai trò cốt lõi:
Quy trình cốt lõi của giao thức bao gồm phát hành nhiệm vụ, đào tạo nút, xác minh quỹ đạo, hợp nhất trọng số (SHARDCAST) và phát thưởng, tạo thành một vòng khép kín khuyến khích xoay quanh "hành vi đào tạo thực sự".
![Crypto AI的圣杯：Phi tập trung训练的前沿探索]###