Sự tiến hóa của các mô hình đào tạo AI: Cuộc cách mạng công nghệ từ kiểm soát tập trung đến Phi tập trung phối hợp
Trong chuỗi giá trị toàn diện của AI, việc huấn luyện mô hình là giai đoạn tiêu tốn tài nguyên nhiều nhất và có ngưỡng kỹ thuật cao nhất, quyết định trực tiếp giới hạn khả năng của mô hình và hiệu quả ứng dụng thực tế. So với việc gọi nhẹ nhàng trong giai đoạn suy luận, quá trình huấn luyện cần đầu tư sức mạnh tính toán quy mô lớn liên tục, quy trình xử lý dữ liệu phức tạp và hỗ trợ thuật toán tối ưu hóa cường độ cao, thực sự là "công nghiệp nặng" trong việc xây dựng hệ thống AI. Từ góc độ mô hình kiến trúc, phương thức huấn luyện có thể được chia thành bốn loại: huấn luyện tập trung, huấn luyện phân tán, học liên bang và huấn luyện Phi tập trung mà bài viết này sẽ tập trung thảo luận.
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 địa phương, hoàn thành toàn bộ quy trình đào tạo, từ phần cứng, phần mềm cơ bản, 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 kiểm soát thống nhất. Kiến trúc đồng bộ sâu sắc này giúp hiệu suất chia sẻ bộ nhớ, đồng bộ hóa độ dốc và cơ chế chịu lỗi đạt tối ưu, rất phù hợp cho việc đào tạo các mô hình quy mô lớn như GPT, Gemini, với những lợi thế về hiệu suất cao và tài nguyên có thể kiểm soát, nhưng đồng thời cũng tồn tại các vấn đề như độc quyền dữ liệu, rào cản tài nguyên, tiêu thụ năng lượng và rủi ro điểm đơn.
Huấn luyện phân tán là phương pháp chính trong huấn luyện mô hình lớn hiện nay, cốt lõi của nó là phân tách nhiệm vụ huấn luyện mô hình, sau đó phân phối đến nhiều máy móc để cùng thực hiện, nhằm vượt qua những hạn chế về tính toán và lưu trữ của một máy đơn. Mặc dù về mặt vật lý có đặc điểm "phân tán", nhưng tổng thể vẫn được kiểm soát và điều phối bởi các tổ chức tập trung, thường hoạt động trong môi trường mạng cục bộ tốc độ cao, thông qua công nghệ bus liên kết tốc độ cao NVLink, do nút chính đồng bộ hóa các nhiệm vụ con. Các phương pháp chính bao gồm:
Dữ liệu song song: Mỗi nút đào tạo 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: phân chia tính toán ma trận một cách tinh vi, nâng cao độ tinh vi của sự song song.
Huấn luyện phân tán là sự kết hợp của "kiểm soát tập trung + thực hiện phân tán", tương tự như việc một ông chủ điều hành từ xa nhiều nhân viên "văn phòng" hợp tác để hoàn thành nhiệm vụ. Hiện tại, hầu như tất cả các mô hình lớn phổ biến đều được hoàn thành việc huấn luyện theo cách này.
Phi tập trung đào tạo đại diện cho một con đường tương lai có tính cởi mở hơn và đặc tính chống kiểm duyệt. Đặc điểm cốt lõi của nó là: nhiều nút không tin cậy lẫn nhau phối hợp hoàn thành nhiệm vụ đào tạo mà không cần điều phối viên trung tâm, thường thông qua giao thức để điều phối phân phát nhiệm vụ và hợp tác, đồng thời nhờ vào cơ chế khuyến khích mã hóa để đảm bảo tính trung thực của các đóng góp. Những thách thức chính mà mô hình này phải đối mặt bao gồm:
Khó khăn trong tính đồng nhất của thiết bị và phân chia: Khó khăn trong việc phối hợp thiết bị đồng nhất, hiệu quả phân chia nhiệm vụ thấp;
Đặc điểm tắc nghẽn hiệu suất truyền thông: Giao tiếp mạng không ổn định, tắc nghẽn đồng bộ gradient 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 độ trung ương, phân phát nhiệm vụ, cơ chế quay lại bất thường phức tạp.
Huấn luyện Phi tập trung có thể hiểu là: một nhóm tình nguyện viên toàn cầu, mỗi người đóng góp sức mạnh tính toán để hợp tác huấn luyện mô hình, nhưng "huấn luyện Phi tập trung quy mô lớn thực sự khả thi" vẫn là một thách thức kỹ thuật hệ thống, liên quan đến kiến trúc hệ thống, giao thức truyền thông, an ninh mật mã, cơ chế kinh tế, xác thực mô hình và nhiều khía cạnh khác, nhưng việc có thể "hợp tác hiệu quả + khuyến khích trung thực + kết quả đúng đắn" vẫn đang ở giai đoạn khám phá nguyên mẫu ban đầu.
Học liên bang, như một hình thức chuyển tiếp giữa phân tán và Phi tập trung, nhấn mạnh việc giữ dữ liệu tại địa phương và tập trung hợp nhất các tham số mô hình, phù hợp với các tình huống chú trọng đến sự tuân thủ quyền riêng tư. Học liên bang có cấu trúc kỹ thuật của đào tạo phân tán và khả năng hợp tác cục bộ, đồng thời có những lợi thế về phân tán dữ liệu của đào tạo Phi tập trung, nhưng vẫn phụ thuộc vào bên phối hợp đáng tin cậy, không có đặc điểm hoàn toàn mở và chống kiểm duyệt. Có thể coi đây là một giải pháp "Phi tập trung có kiểm soát" trong các tình huống tuân thủ quyền riêng tư, với nhiệm vụ đào tạo, cấu trúc tin cậy và cơ chế giao tiếp đều tương đối nhẹ nhàng, thích hợp hơn để triển khai tạm thời trong ngành công nghiệp.
Phi tập trung đào tạo của ranh giới, cơ hội và con đường thực tế
Từ góc độ mô hình đào tạo, đào tạo phi tập trung không phù hợp với tất cả các loại nhiệm vụ. Trong một số kịch bản, do cấu trúc nhiệm vụ phức tạp, yêu cầu tài nguyên rất cao hoặc độ khó hợp tác lớn, nó tự nhiên không thích hợp để hoàn thành hiệu quả giữa các nút không đồng nhất và không cần tin cậy. Ví dụ, đào tạo mô hình lớn thường phụ thuộc vào bộ nhớ đồ họa cao, độ trễ thấp và băng thông cao, khó có thể chia nhỏ và đồng bộ hiệu quả trên mạng mở; các nhiệm vụ có quyền riêng tư dữ liệu và hạn chế chủ quyền mạnh bị giới hạn bởi quy định pháp lý và ràng buộc đạo đức, không thể chia sẻ công khai; trong khi các nhiệm vụ thiếu cơ sở khuyến khích hợp tác thì thiếu động lực tham gia từ bên ngoài. Những ranh giới này tạo thành những hạn chế thực tế của đào tạo phi tập trung hiện tại.
Nhưng điều này không có nghĩa là huấn luyện phi tập trung là một giả thuyết sai. Thực tế, trong các loại nhiệm vụ có cấu trúc nhẹ, dễ phân phối, và có thể khuyến khích, huấn luyện phi tập trung thể hiện rõ triển vọng ứng dụng. Bao gồm nhưng không giới hạn: tinh chỉnh LoRA, nhiệm vụ huấn luyện sau hành vi căn chỉnh, huấn luyện và gán nhãn dữ liệu crowdsourcing, huấn luyện mô hình cơ bản nhỏ với tài nguyên có thể kiểm soát, cũng như các tình huống huấn luyện hợp tác có sự tham gia của thiết bị biên. Những nhiệm vụ này thường có tính phân phối cao, độ kết nối thấp và khả năng chịu đựng sức mạnh tính toán không đồng nhất, rất phù hợp để thực hiện huấn luyện hợp tác thông qua mạng P2P, giao thức Swarm, bộ tối ưu phân tán, và các phương thức khác.
Phi tập trung đào tạo dự án kinh điển phân tích
Hiện tại, trong lĩnh vực tiên phong về Phi tập trung đào tạo và học tập liên bang, các dự án blockchain tiêu biểu chủ yếu bao gồm Prime Intellect, Pluralis.ai, Gensyn, Nous Research và Flock.io. Xét về tính đổi mới công nghệ và độ khó trong việc hiện thực hóa 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 thấy những tiến bộ ban đầu trong việc hiện thực hóa. Bài viết này sẽ lần lượt phân tích các công nghệ cốt lõi và cấu trúc kỹ thuật phía sau năm dự án này, và tiếp tục thảo luận về sự khác biệt và mối quan hệ bổ sung của chúng trong hệ thống đào tạo AI Phi tập trung.
Prime Intellect: Người tiên phong trong mạng lưới hợp tác học tăng cường có thể xác minh được đường đi huấn luyện.
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 hy vọng thông qua ba mô-đun PRIME-RL + TOPLOC + SHARDCAST, xây dựng một hệ thống đào tạo AI Phi tập trung có khả năng xác minh, tính mở và cơ chế khuyến khích hoàn chỉnh.
I. Cấu trúc ngăn xếp giao thức Prime Intellect và giá trị của các mô-đun quan trọng
Hai, Giải thích chi tiết cơ chế huấn luyện Prime Intellect
PRIME-RL: Kiến trúc nhiệm vụ học tăng cường bất đồng bộ phân tách
PRIME-RL là khung mô hình và thực hiện nhiệm vụ được Prime Intellect tùy chỉnh cho các kịch bản đào tạo Phi tập trung, được thiết kế đặc biệt cho mạng lưới dị thể và tham gia không đồng bộ. Nó sử dụng học tăng cường làm đối tượng thích ứng ưu tiên, giải cấu trúc quá trình đào tạo, suy diễn và tải trọng, cho phép mỗi nút đào tạo hoàn thành vòng lặp nhiệm vụ độc lập tại địa phương, và hợp tác thông qua giao diện tiêu chuẩn hóa với cơ chế xác thực và tổng hợp. So với quy trình học có giám sát truyền thống, PRIME-RL phù hợp hơn để thực hiện đào tạo linh hoạt trong môi trường không có điều độ trung tâm, vừa giảm độ phức tạp của hệ thống, vừa đặt nền tảng cho việc hỗ trợ nhiều nhiệm vụ song song và tiến hóa chiến lược.
TOPLOC:Cơ chế xác thực hành vi huấn luyện nhẹ
TOPLOC là cơ chế cốt lõi về khả năng xác minh đào tạo do Prime Intellect đề xuất, được sử dụng để xác định xem một nút có thực sự hoàn thành việc học chiến lược hiệu quả dựa trên dữ liệu quan sát hay không. Khác với các giải pháp nặng như ZKML, TOPLOC không phụ thuộc vào việc tái tính toán toàn bộ mô hình, mà hoàn thành việc xác minh cấu trúc nhẹ bằng cách phân tích các quỹ đạo nhất quán cục bộ giữa "chuỗi quan sát ↔ cập nhật chiến lược". Đây là lần đầu tiên hành vi của quá trình đào tạo được chuyển đổi thành đối tượng có thể xác minh, là đổi mới then chốt để thực hiện phân bổ phần thưởng đào tạo mà không cần tin tưởng, cung cấp một con đường khả thi để xây dựng mạng lưới đào tạo hợp tác phi tập trung có thể kiểm toán và có thể kích thích.
SHARDCAST: Giao thức tổng hợp và truyền bá trọng số không đồng bộ
SHARDCAST là giao thức truyền tải và tổng hợp trọng số được thiết kế bởi Prime Intellect, được tối ưu hóa đặc biệt 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 gossip và chiến lược đồng bộ cục bộ, cho phép nhiều nút liên tục gửi cập nhật một 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 cải thiện 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 lại liên tục.
OpenDiLoCo: Khung giao tiếp bất đồng bộ thưa thớt
OpenDiLoCo là một khung tối ưu hóa truyền thông được nhóm Prime Intellect thực hiện độc lập và mã nguồn mở dựa trên ý tưởng DiLoCo do DeepMind đề xuất, được thiết kế đặc biệt để đối phó với những thách thức phổ biến trong đào tạo phi tập trung như băng thông hạn chế, thiết bị không đồng nhất và nút không ổn định. Kiến trúc của nó dựa trên sự song song dữ liệu, thông qua việc xây dựng các cấu trúc hình học thưa như Ring, Expander, Small-World, tránh được chi phí truyền thông cao do đồng bộ toàn cầu, chỉ dựa vào các nút láng giềng cục bộ để hoàn thành việc đào tạo mô hình hợp tác. Kết hợp với cập nhật không đồng bộ và cơ chế chịu lỗi điểm dừng, OpenDiLoCo cho phép GPU tiêu dùng và thiết bị biên 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 truyền thông quan trọng để xây dựng mạng lưới đào tạo phi tập trung.
PCCL: Thư viện truyền thông hợp tác
PCCL là thư viện truyền thông nhẹ được Prime Intellect thiết kế riêng cho môi trường đào tạo AI Phi tập trung, nhằm giải quyết các nút thắt thích ứng của thư viện truyền thông truyền thống trong các thiết bị khác nhau và mạng lưới băng thông thấp. PCCL hỗ trợ topo thưa, nén độ dốc, đồng bộ độ chính xác thấp và phục hồi điểm dừng, có thể hoạt động 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 cải thiện đáng kể khả năng chịu băng thông và tương thích thiết bị của mạng đào tạo, mở ra "km cuối cùng" của cơ sở hạ tầng giao tiếp cho việc xây dựng mạng đào tạo hợp tác thực sự mở và không cần tin cậy.
Ba, Mạng lưới khuyến khích Prime Intellect và phân công vai trò
Prime Intellect đã xây dựng một mạng lưới đào tạo không cần sự cho phép, có thể xác minh và có cơ chế khuyến khích kinh tế, cho phép bất kỳ ai tham gia vào nhiệm vụ và nhận thưởng dựa trên đóng góp thực tế. Giao thức hoạt động dựa trên ba loại vai trò cốt lõi:
Người khởi xướng nhiệm vụ: định nghĩa môi trường đào tạo, mô hình ban đầu, hàm thưởng và tiêu chuẩn xác thực
Nút đào tạo: thực hiện đào tạo cục bộ, nộp cập nhật trọng số và theo dõi quan sát
Nút xác thực: Sử dụng cơ chế TOPLOC để xác minh tính xác thực của hành vi đào tạo và tham gia tính toán phần thưởng cũng như tổng hợp chiến lược.
Quy trình cốt lõi của giao thức bao gồm phát hành nhiệm vụ, đào tạo nút, xác thực quỹ đạo, tổng hợp trọng số và phát thưởng, tạo thành một vòng khuyến khích xoay quanh "hành vi đào tạo thực tế".
Bốn, INTELLECT-2: Phát hành mô hình đào tạo phi tập trung đầu tiên có thể xác minh
Prime Intellect đã phát hành INTELLECT-2 vào tháng 5 năm 2025, đây là mô hình học tăng cường lớn đầu tiên trên thế giới được huấn luyện bởi các nút phi tập trung hợp tác bất đồng bộ, không cần tin cậy, với quy mô tham số đạt 32B. Mô hình INTELLECT-2 được hoàn thành nhờ sự hợp tác huấn luyện của hơn 100 nút GPU không đồng nhất trải rộng trên ba châu lục, sử dụng kiến trúc hoàn toàn bất đồng bộ, thời gian huấn luyện vượt quá 400 giờ, cho thấy tính khả thi và ổn định của mạng lưới hợp tác bất đồng bộ. Mô hình này không chỉ là một bước đột phá về hiệu suất, mà còn là sự triển khai hệ thống đầu tiên của mô hình "huấn luyện là đồng thuận" mà Prime Intellect đã đề xuất. INTELLECT-2 tích hợp các mô-đun giao thức cốt lõi như PRIME-RL, TOPLOC và SHARDCAST, đánh dấu sự phát triển của huấn luyện phi tập trung.
This page may contain third-party content, which is provided for information purposes only (not representations/warranties) and should not be considered as an endorsement of its views by Gate, nor as financial or professional advice. See Disclaimer for details.
7 thích
Phần thưởng
7
6
Chia sẻ
Bình luận
0/400
StrawberryIce
· 17giờ trước
Khả năng tính toán không phải là vấn đề lớn nhất sao~
Xem bản gốcTrả lời0
BearMarketBuilder
· 17giờ trước
Kiếm tiền còn phải xem AI nhé
Xem bản gốcTrả lời0
GhostInTheChain
· 17giờ trước
Đốt tiền đến mặt trăng rồi.
Xem bản gốcTrả lời0
DeFiAlchemist
· 17giờ trước
*điều chỉnh các thiết bị kỹ thuật* đào tạo ai phi tập trung... sự chuyển hóa hiệu suất giao thức tối ưu
Xem bản gốcTrả lời0
NftCollectors
· 17giờ trước
Xem xong thì bộ não bắt đầu vận hành... Phi tập trung đào tạo không phải chính là ý tưởng đào tạo tài sản trên web3 hay sao? Từ góc độ nghệ thuật có thể thấy được vẻ đẹp hỗn loạn mạnh mẽ.
Sự tiến hóa của các mô hình đào tạo AI: từ kiểm soát tập trung đến cách mạng công nghệ hợp tác Phi tập trung
Sự tiến hóa của các mô hình đào tạo AI: Cuộc cách mạng công nghệ từ kiểm soát tập trung đến Phi tập trung phối hợp
Trong chuỗi giá trị toàn diện của AI, việc huấn luyện mô hình là giai đoạn tiêu tốn tài nguyên nhiều nhất và có ngưỡng kỹ thuật cao nhất, quyết định trực tiếp giới hạn khả năng của mô hình và hiệu quả ứng dụng thực tế. So với việc gọi nhẹ nhàng trong giai đoạn suy luận, quá trình huấn luyện cần đầu tư sức mạnh tính toán quy mô lớn liên tục, quy trình xử lý dữ liệu phức tạp và hỗ trợ thuật toán tối ưu hóa cường độ cao, thực sự là "công nghiệp nặng" trong việc xây dựng hệ thống AI. Từ góc độ mô hình kiến trúc, phương thức huấn luyện có thể được chia thành bốn loại: huấn luyện tập trung, huấn luyện phân tán, học liên bang và huấn luyện Phi tập trung mà bài viết này sẽ tập trung thảo luận.
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 địa phương, hoàn thành toàn bộ quy trình đào tạo, từ phần cứng, phần mềm cơ bản, 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 kiểm soát thống nhất. Kiến trúc đồng bộ sâu sắc này giúp hiệu suất chia sẻ bộ nhớ, đồng bộ hóa độ dốc và cơ chế chịu lỗi đạt tối ưu, rất phù hợp cho việc đào tạo các mô hình quy mô lớn như GPT, Gemini, với những lợi thế về hiệu suất cao và tài nguyên có thể kiểm soát, nhưng đồng thời cũng tồn tại các vấn đề như độc quyền dữ liệu, rào cản tài nguyên, tiêu thụ năng lượng và rủi ro điểm đơn.
Huấn luyện phân tán là phương pháp chính trong huấn luyện mô hình lớn hiện nay, cốt lõi của nó là phân tách nhiệm vụ huấn luyện mô hình, sau đó phân phối đến nhiều máy móc để cùng thực hiện, nhằm vượt qua những hạn chế về tính toán và lưu trữ của một máy đơn. Mặc dù về mặt vật lý có đặc điểm "phân tán", nhưng tổng thể vẫn được kiểm soát và điều phối bởi các tổ chức tập trung, thường hoạt động trong môi trường mạng cục bộ tốc độ cao, thông qua công nghệ bus liên kết tốc độ cao NVLink, 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 việc một ông chủ điều hành từ xa nhiều nhân viên "văn phòng" hợp tác để hoàn thành nhiệm vụ. Hiện tại, hầu như tất cả các mô hình lớn phổ biến đều được hoàn thành việc huấn luyện theo cách này.
Phi tập trung đào tạo đại diện cho một con đường tương lai có tính cởi mở hơn và đặc tính chống kiểm duyệt. Đặc điểm cốt lõi của nó là: nhiều nút không tin cậy lẫn nhau phối hợp hoàn thành nhiệm vụ đào tạo mà không cần điều phối viên trung tâm, thường thông qua giao thức để điều phối phân phát nhiệm vụ và hợp tác, đồng thời nhờ vào cơ chế khuyến khích mã hóa để đảm bảo tính trung thực của các đóng góp. Những thách thức chính mà mô hình này phải đối mặt bao gồm:
Huấn luyện Phi tập trung có thể hiểu là: một nhóm tình nguyện viên toàn cầu, mỗi người đóng góp sức mạnh tính toán để hợp tác huấn luyện mô hình, nhưng "huấn luyện Phi tập trung quy mô lớn thực sự khả thi" vẫn là một thách thức kỹ thuật hệ thống, liên quan đến kiến trúc hệ thống, giao thức truyền thông, an ninh mật mã, cơ chế kinh tế, xác thực mô hình và nhiều khía cạnh khác, nhưng việc có thể "hợp tác hiệu quả + khuyến khích trung thực + kết quả đúng đắn" vẫn đang ở giai đoạn khám phá nguyên mẫu ban đầu.
Học liên bang, như một hình thức chuyển tiếp giữa phân tán và Phi tập trung, nhấn mạnh việc giữ dữ liệu tại địa phương và tập trung hợp nhất các tham số mô hình, phù hợp với các tình huống chú trọng đến sự tuân thủ quyền riêng tư. Học liên bang có cấu trúc kỹ thuật của đào tạo phân tán và khả năng hợp tác cục bộ, đồng thời có những lợi thế về phân tán dữ liệu của đào tạo Phi tập trung, nhưng vẫn phụ thuộc vào bên phối hợp đáng tin cậy, không có đặc điểm hoàn toàn mở và chống kiểm duyệt. Có thể coi đây là một giải pháp "Phi tập trung có kiểm soát" trong các tình huống tuân thủ quyền riêng tư, với nhiệm vụ đào tạo, cấu trúc tin cậy và cơ chế giao tiếp đều tương đối nhẹ nhàng, thích hợp hơn để triển khai tạm thời trong ngành công nghiệp.
Phi tập trung đào tạo của ranh giới, cơ hội và con đường thực tế
Từ góc độ mô hình đào tạo, đào tạo phi tập trung không phù hợp với tất cả các loại nhiệm vụ. Trong một số kịch bản, do cấu trúc nhiệm vụ phức tạp, yêu cầu tài nguyên rất cao hoặc độ khó hợp tác lớn, nó tự nhiên không thích hợp để hoàn thành hiệu quả giữa các nút không đồng nhất và không cần tin cậy. Ví dụ, đào tạo mô hình lớn thường phụ thuộc vào bộ nhớ đồ họa cao, độ trễ thấp và băng thông cao, khó có thể chia nhỏ và đồng bộ hiệu quả trên mạng mở; các nhiệm vụ có quyền riêng tư dữ liệu và hạn chế chủ quyền mạnh bị giới hạn bởi quy định pháp lý và ràng buộc đạo đức, không thể chia sẻ công khai; trong khi các nhiệm vụ thiếu cơ sở khuyến khích hợp tác thì thiếu động lực tham gia từ bên ngoài. Những ranh giới này tạo thành những hạn chế thực tế của đào tạo phi tập trung hiện tại.
Nhưng điều này không có nghĩa là huấn luyện phi tập trung là một giả thuyết sai. Thực tế, trong các loại nhiệm vụ có cấu trúc nhẹ, dễ phân phối, và có thể khuyến khích, huấn luyện phi tập trung thể hiện rõ triển vọng ứng dụng. Bao gồm nhưng không giới hạn: tinh chỉnh LoRA, nhiệm vụ huấn luyện sau hành vi căn chỉnh, huấn luyện và gán nhãn dữ liệu crowdsourcing, huấn luyện mô hình cơ bản nhỏ với tài nguyên có thể kiểm soát, cũng như các tình huống huấn luyện hợp tác có sự tham gia của thiết bị biên. Những nhiệm vụ này thường có tính phân phối cao, độ kết nối thấp và khả năng chịu đựng sức mạnh tính toán không đồng nhất, rất phù hợp để thực hiện huấn luyện hợp tác thông qua mạng P2P, giao thức Swarm, bộ tối ưu phân tán, và các phương thức khác.
Phi tập trung đào tạo dự án kinh điển phân tích
Hiện tại, trong lĩnh vực tiên phong về Phi tập trung đào tạo và học tập liên bang, các dự án blockchain tiêu biểu chủ yếu bao gồm Prime Intellect, Pluralis.ai, Gensyn, Nous Research và Flock.io. Xét về tính đổi mới công nghệ và độ khó trong việc hiện thực hóa 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 thấy những tiến bộ ban đầu trong việc hiện thực hóa. Bài viết này sẽ lần lượt phân tích các công nghệ cốt lõi và cấu trúc kỹ thuật phía sau năm dự án này, và tiếp tục thảo luận về sự khác biệt và mối quan hệ bổ sung của chúng trong hệ thống đào tạo AI Phi tập trung.
Prime Intellect: Người tiên phong trong mạng lưới hợp tác học tăng cường có thể xác minh được đường đi huấn luyện.
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 hy vọng thông qua ba mô-đun PRIME-RL + TOPLOC + SHARDCAST, xây dựng một hệ thống đào tạo AI Phi tập trung có khả năng xác minh, tính mở và cơ chế khuyến khích hoàn chỉnh.
I. Cấu trúc ngăn xếp giao thức Prime Intellect và giá trị của các mô-đun quan trọng
Hai, Giải thích chi tiết cơ chế huấn luyện Prime Intellect
PRIME-RL: Kiến trúc nhiệm vụ học tăng cường bất đồng bộ phân tách
PRIME-RL là khung mô hình và thực hiện nhiệm vụ được Prime Intellect tùy chỉnh cho các kịch bản đào tạo Phi tập trung, được thiết kế đặc biệt cho mạng lưới dị thể và tham gia không đồng bộ. Nó sử dụng học tăng cường làm đối tượng thích ứng ưu tiên, giải cấu trúc quá trình đào tạo, suy diễn và tải trọng, cho phép mỗi nút đào tạo hoàn thành vòng lặp nhiệm vụ độc lập tại địa phương, và hợp tác thông qua giao diện tiêu chuẩn hóa với cơ chế xác thực và tổng hợp. So với quy trình học có giám sát truyền thống, PRIME-RL phù hợp hơn để thực hiện đào tạo linh hoạt trong môi trường không có điều độ trung tâm, vừa giảm độ phức tạp của hệ thống, vừa đặt nền tảng cho việc hỗ trợ nhiều nhiệm vụ song song và tiến hóa chiến lược.
TOPLOC:Cơ chế xác thực hành vi huấn luyện nhẹ
TOPLOC là cơ chế cốt lõi về khả năng xác minh đào tạo do Prime Intellect đề xuất, được sử dụng để xác định xem một nút có thực sự hoàn thành việc học chiến lược hiệu quả dựa trên dữ liệu quan sát hay không. Khác với các giải pháp nặng như ZKML, TOPLOC không phụ thuộc vào việc tái tính toán toàn bộ mô hình, mà hoàn thành việc xác minh cấu trúc nhẹ bằng cách phân tích các quỹ đạo nhất quán cục bộ giữa "chuỗi quan sát ↔ cập nhật chiến lược". Đây là lần đầu tiên hành vi của quá trình đào tạo được chuyển đổi thành đối tượng có thể xác minh, là đổi mới then chốt để thực hiện phân bổ phần thưởng đào tạo mà không cần tin tưởng, cung cấp một con đường khả thi để xây dựng mạng lưới đào tạo hợp tác phi tập trung có thể kiểm toán và có thể kích thích.
SHARDCAST: Giao thức tổng hợp và truyền bá trọng số không đồng bộ
SHARDCAST là giao thức truyền tải và tổng hợp trọng số được thiết kế bởi Prime Intellect, được tối ưu hóa đặc biệt 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 gossip và chiến lược đồng bộ cục bộ, cho phép nhiều nút liên tục gửi cập nhật một 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 cải thiện 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 lại liên tục.
OpenDiLoCo: Khung giao tiếp bất đồng bộ thưa thớt
OpenDiLoCo là một khung tối ưu hóa truyền thông được nhóm Prime Intellect thực hiện độc lập và mã nguồn mở dựa trên ý tưởng DiLoCo do DeepMind đề xuất, được thiết kế đặc biệt để đối phó với những thách thức phổ biến trong đào tạo phi tập trung như băng thông hạn chế, thiết bị không đồng nhất và nút không ổn định. Kiến trúc của nó dựa trên sự song song dữ liệu, thông qua việc xây dựng các cấu trúc hình học thưa như Ring, Expander, Small-World, tránh được chi phí truyền thông cao do đồng bộ toàn cầu, chỉ dựa vào các nút láng giềng cục bộ để hoàn thành việc đào tạo mô hình hợp tác. Kết hợp với cập nhật không đồng bộ và cơ chế chịu lỗi điểm dừng, OpenDiLoCo cho phép GPU tiêu dùng và thiết bị biên 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 truyền thông quan trọng để xây dựng mạng lưới đào tạo phi tập trung.
PCCL: Thư viện truyền thông hợp tác
PCCL là thư viện truyền thông nhẹ được Prime Intellect thiết kế riêng cho môi trường đào tạo AI Phi tập trung, nhằm giải quyết các nút thắt thích ứng của thư viện truyền thông truyền thống trong các thiết bị khác nhau và mạng lưới băng thông thấp. PCCL hỗ trợ topo thưa, nén độ dốc, đồng bộ độ chính xác thấp và phục hồi điểm dừng, có thể hoạt động 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 cải thiện đáng kể khả năng chịu băng thông và tương thích thiết bị của mạng đào tạo, mở ra "km cuối cùng" của cơ sở hạ tầng giao tiếp cho việc xây dựng mạng đào tạo hợp tác thực sự mở và không cần tin cậy.
Ba, Mạng lưới khuyến khích Prime Intellect và phân công vai trò
Prime Intellect đã xây dựng một mạng lưới đào tạo không cần sự cho phép, có thể xác minh và có cơ chế khuyến khích kinh tế, cho phép bất kỳ ai tham gia vào nhiệm vụ và nhận 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 thực quỹ đạo, tổng hợp trọng số và phát thưởng, tạo thành một vòng khuyến khích xoay quanh "hành vi đào tạo thực tế".
Bốn, INTELLECT-2: Phát hành mô hình đào tạo phi tập trung đầu tiên có thể xác minh
Prime Intellect đã phát hành INTELLECT-2 vào tháng 5 năm 2025, đây là mô hình học tăng cường lớn đầu tiên trên thế giới được huấn luyện bởi các nút phi tập trung hợp tác bất đồng bộ, không cần tin cậy, với quy mô tham số đạt 32B. Mô hình INTELLECT-2 được hoàn thành nhờ sự hợp tác huấn luyện của hơn 100 nút GPU không đồng nhất trải rộng trên ba châu lục, sử dụng kiến trúc hoàn toàn bất đồng bộ, thời gian huấn luyện vượt quá 400 giờ, cho thấy tính khả thi và ổn định của mạng lưới hợp tác bất đồng bộ. Mô hình này không chỉ là một bước đột phá về hiệu suất, mà còn là sự triển khai hệ thống đầu tiên của mô hình "huấn luyện là đồng thuận" mà Prime Intellect đã đề xuất. INTELLECT-2 tích hợp các mô-đun giao thức cốt lõi như PRIME-RL, TOPLOC và SHARDCAST, đánh dấu sự phát triển của huấn luyện phi tập trung.