El Santo Grial de Crypto AI: Exploración de vanguardia en entrenamiento descentralizado
En toda la cadena de valor de la IA, el entrenamiento de modelos es la etapa que más recursos consume y presenta la mayor barrera técnica, determinando directamente el límite de capacidad del modelo y el efecto real de la aplicación. En comparación con la llamada liviana de la fase de inferencia, el proceso de entrenamiento requiere una inversión continua de gran capacidad de cálculo, un complejo flujo de procesamiento de datos y un fuerte soporte de algoritmos de optimización, siendo la verdadera "industria pesada" en la construcción de sistemas de IA. Desde la perspectiva del paradigma arquitectónico, los métodos de entrenamiento se pueden clasificar en cuatro categorías: entrenamiento centralizado, entrenamiento distribuido, aprendizaje federado y el entrenamiento de descentralización que se discute en este documento.
El entrenamiento centralizado es el método tradicional más común, realizado por una sola entidad en un clúster local de alto rendimiento, completando todo el proceso de entrenamiento, desde el hardware, el software de base, el sistema de programación de clústeres, hasta todos los componentes del marco de entrenamiento, todos coordinados por un sistema de control unificado. Esta arquitectura de profunda colaboración permite que la compartición de memoria, la sincronización de gradientes y los mecanismos de tolerancia a fallos alcancen su máxima eficiencia, siendo muy adecuada para el entrenamiento de modelos a gran escala como GPT y Gemini, con ventajas de alta eficiencia y recursos controlables, pero también presenta problemas como el monopolio de datos, barreras de recursos, consumo de energía y riesgos de punto único.
El entrenamiento distribuido es la forma principal de entrenamiento de modelos grandes en la actualidad, su núcleo es descomponer la tarea de entrenamiento del modelo y distribuirla a múltiples máquinas para su ejecución colaborativa, con el fin de superar los cuellos de botella de cálculo y almacenamiento en una sola máquina. A pesar de que físicamente tiene características de "Descentralización", en general todavía está controlado y coordinado por una institución centralizada, y a menudo opera en un entorno de red local de alta velocidad, utilizando la tecnología de bus de interconexión de alta velocidad NVLink, donde el nodo principal coordina unificado las subtareas. Los métodos principales incluyen:
Paralelismo de datos: cada nodo entrena diferentes datos con parámetros compartidos, se necesita coincidir los pesos del modelo
Paralelización del modelo: desplegar diferentes partes del modelo en diferentes nodos para lograr una fuerte escalabilidad
Paralelismo de tuberías: ejecución en serie por etapas, aumentando el rendimiento
Paralelismo de tensores: segmentación refinada del cálculo de matrices, mejorando la granularidad de la paralelización
El entrenamiento distribuido es una combinación de "control centralizado + ejecución distribuida", análoga a un mismo jefe dirigiendo de forma remota la colaboración de varios empleados de "oficinas" para completar tareas. Actualmente, casi todos los modelos grandes principales se entrenan de esta manera.
La Descentralización del entrenamiento representa un camino futuro más abierto y resistente a la censura. Sus características clave son: múltiples nodos que no se fían entre sí ( pueden ser computadoras personales, GPU en la nube o dispositivos de borde ) que colaboran para completar tareas de entrenamiento sin un coordinador central, generalmente a través de protocolos que impulsan la distribución de tareas y la colaboración, y utilizando mecanismos de incentivos criptográficos para asegurar la honestidad en las contribuciones. Los principales desafíos que enfrenta este modelo incluyen:
Dificultades de heterogeneidad y segmentación de dispositivos: alta dificultad de coordinación de dispositivos heterogéneos, baja eficiencia en la segmentación de tareas.
Cuello de botella en la eficiencia de la comunicación: la comunicación de red es inestable, el cuello de botella en la sincronización de gradientes es evidente
Ejecución confiable ausente: falta de un entorno de ejecución confiable, lo que dificulta verificar si los nodos realmente participan en el cálculo.
Falta de coordinación unificada: sin un despachador central, la distribución de tareas y el mecanismo de reversión de excepciones son complejos
La capacitación en Descentralización se puede entender como: un grupo de voluntarios de todo el mundo que contribuyen con su potencia de cálculo para entrenar modelos de manera colaborativa, pero "la verdadera capacitación descentralizada a gran escala que es viable" sigue siendo un desafío ingenieril sistemático, que involucra múltiples niveles como la arquitectura del sistema, protocolos de comunicación, seguridad criptográfica, mecanismos económicos y verificación de modelos. Sin embargo, si se puede lograr "colaboración efectiva + incentivo a la honestidad + resultados correctos" todavía se encuentra en una etapa temprana de exploración de prototipos.
El aprendizaje federado, como una forma de transición entre la distribución y la Descentralización, enfatiza la retención local de datos y la agregación centralizada de parámetros del modelo, siendo adecuado para escenarios que requieren cumplimiento de privacidad como la medicina y las finanzas (. El aprendizaje federado tiene una estructura de ingeniería de entrenamiento distribuido y capacidades de colaboración local, al mismo tiempo que combina las ventajas de dispersión de datos del entrenamiento Descentralizado, pero todavía depende de partes coordinadoras confiables y no posee características completamente abiertas y resistentes a la censura. Se puede considerar como una solución de "Descentralización controlada" en escenarios de cumplimiento de privacidad, siendo relativamente moderada en las tareas de entrenamiento, la estructura de confianza y los mecanismos de comunicación, lo que la hace más adecuada como una arquitectura de despliegue transicional en la industria.
Descentralización entrenamiento de los límites, oportunidades y caminos reales
Desde la perspectiva del paradigma de entrenamiento, la Descentralización del entrenamiento no es aplicable a todos los tipos de tareas. En ciertos escenarios, debido a la complejidad de la estructura de la tarea, a las altas demandas de recursos o a la dificultad de colaboración, no es naturalmente adecuada para completarse de manera eficiente entre nodos heterogéneos y sin confianza. Por ejemplo, el entrenamiento de modelos grandes a menudo depende de alta memoria de video, baja latencia y ancho de banda alto, lo que dificulta su división y sincronización efectiva en una red abierta; las tareas con fuertes limitaciones de privacidad de datos y soberanía están restringidas por la conformidad legal y las restricciones éticas, lo que impide su apertura y compartición; mientras que las tareas que carecen de incentivos a la colaboración carecen de motivación externa para la participación. Estas fronteras constituyen conjuntamente las limitaciones reales del entrenamiento descentralizado actual.
Pero esto no significa que el entrenamiento de Descentralización sea un falso problema. De hecho, en tipos de tareas que son ligeras en estructura, fáciles de paralelizar y que pueden ser incentivadas, el entrenamiento de Descentralización muestra perspectivas de aplicación claras. Incluyendo, pero no limitado a: ajuste fino de LoRA, tareas de entrenamiento posterior de alineación de comportamiento, tareas de entrenamiento y etiquetado de crowdsourcing de datos, entrenamiento de modelos base pequeños y controlables en recursos, así como escenarios de entrenamiento colaborativo con la participación de dispositivos en el borde. Estas tareas generalmente presentan características de alta paralelización, bajo acoplamiento y tolerancia a la potencia de cálculo heterogénea, lo que las hace muy adecuadas para el entrenamiento colaborativo a través de redes P2P, protocolos Swarm, optimizadores distribuidos, entre otros.
![El Santo Grial de Crypto AI: Exploración de vanguardia en entrenamiento descentralizado])https://img-cdn.gateio.im/webp-social/moments-a8004f094fff74515470052b3a24617c.webp(
Actualmente, en el campo de la Descentralización de entrenamientos y el aprendizaje federado, los proyectos de blockchain más representativos incluyen Prime Intellect, Pluralis.ai, Gensyn, Nous Research y Flock.io. Desde la perspectiva de la innovación técnica y la dificultad de implementación, Prime Intellect, Nous Research y Pluralis.ai han propuesto una mayor cantidad de exploraciones originales en el diseño de sistemas y algoritmos, representando las direcciones de vanguardia de la investigación teórica actual; mientras que los caminos de implementación de Gensyn y Flock.io son relativamente claros, ya se pueden observar avances iniciales en la ingeniería. Este artículo analizará sucesivamente las tecnologías centrales y las arquitecturas de ingeniería detrás de estos cinco proyectos, y explorará más a fondo sus diferencias y relaciones complementarias en el sistema de entrenamiento de IA descentralizada.
) Prime Intellect: pionero de redes colaborativas de aprendizaje reforzado verificables por trayectoria de entrenamiento.
Prime Intellect se dedica a construir una red de entrenamiento de IA sin necesidad de confianza, permitiendo que cualquiera pueda participar en el entrenamiento y recibir recompensas confiables por su contribución computacional. Prime Intellect espera, a través de los tres módulos PRIME-RL + TOPLOC + SHARDCAST, construir un sistema de entrenamiento de IA con descentralización que tenga verificabilidad, apertura y un mecanismo de incentivos completo.
01、Estructura del stack de protocolos Prime Intellect y valor de los módulos clave
![El Santo Grial de Crypto AI: Exploración de vanguardia en Descentralización del entrenamiento]###https://img-cdn.gateio.im/webp-social/moments-adb92bc4dfbaf26863cb0b4bb1081cd7.webp(
)# 02, Explicación detallada del mecanismo clave de entrenamiento de Prime Intellect
PRIME-RL: Arquitectura de tarea de aprendizaje reforzado asíncrono desacoplado
PRIME-RL es un marco de modelado y ejecución de tareas personalizado por Prime Intellect para escenarios de entrenamiento de Descentralización, diseñado específicamente para redes heterogéneas y participantes asíncronos. Utiliza el aprendizaje por refuerzo como objeto de adaptación preferido, desacoplando estructuralmente los procesos de entrenamiento, inferencia y carga de pesos, lo que permite que cada nodo de entrenamiento complete de forma independiente el ciclo de tareas localmente y colabore a través de interfaces estandarizadas con mecanismos de validación y agregación. En comparación con los procesos de aprendizaje supervisado tradicionales, PRIME-RL es más adecuado para realizar entrenamiento flexible en entornos sin programación central, lo que reduce la complejidad del sistema y sienta las bases para apoyar la paralelización de múltiples tareas y la evolución de estrategias.
TOPLOC:Mecanismo de verificación de comportamiento de entrenamiento ligero
TOPLOC es un mecanismo central de verificabilidad de entrenamiento propuesto por Prime Intellect, utilizado para determinar si un nodo realmente ha completado un aprendizaje de estrategia efectivo basado en datos de observación. A diferencia de soluciones pesadas como ZKML, TOPLOC no depende del recálculo completo del modelo, sino que completa la verificación de estructura ligera analizando las trayectorias de consistencia local entre "secuencias de observación ↔ actualización de estrategia". Por primera vez, transforma las trayectorias de comportamiento durante el proceso de entrenamiento en objetos verificables, lo que representa una innovación clave para lograr una asignación de recompensas de entrenamiento sin necesidad de confianza, proporcionando un camino viable para construir una red de entrenamiento colaborativa descentralizada que sea auditable e incentivadora.
SHARDCAST: Protocolo de agregación y propagación de pesos asíncronos
SHARDCAST es un protocolo de propagación y agregación de pesos diseñado por Prime Intellect, optimizado específicamente para entornos de red reales que son asíncronos, tienen ancho de banda limitado y estados de nodo variables. Combina mecanismos de propagación de gossip con estrategias de sincronización local, permitiendo que múltiples nodos continúen sometiendo actualizaciones parciales en estados desincronizados, logrando la convergencia progresiva de pesos y la evolución de múltiples versiones. En comparación con los métodos centralizados o síncronos de AllReduce, SHARDCAST mejora significativamente la escalabilidad y la tolerancia a fallos del entrenamiento descentralizado, siendo la base fundamental para construir un consenso estable de pesos y una iteración de entrenamiento continua.
OpenDiLoCo: Marco de comunicación asíncrona dispersa
OpenDiLoCo es un marco de optimización de comunicación desarrollado e implementado de forma independiente y de código abierto por el equipo de Prime Intellect, basado en el concepto DiLoCo propuesto por DeepMind, diseñado específicamente para enfrentar desafíos comunes en el entrenamiento descentralizado, como las limitaciones de ancho de banda, la heterogeneidad de dispositivos y la inestabilidad de nodos. Su arquitectura se basa en la paralelización de datos, construyendo estructuras topológicas dispersas como Ring, Expander y Small-World, evitando el alto costo de comunicación de la sincronización global, y completando el entrenamiento colaborativo del modelo solo con nodos vecinos locales. Combinando actualizaciones asíncronas y un mecanismo de tolerancia a fallos, OpenDiLoCo permite que GPUs de consumo y dispositivos de borde participen de manera estable en tareas de entrenamiento, mejorando significativamente la participación en el entrenamiento colaborativo global, siendo una de las infraestructuras de comunicación clave para construir redes de entrenamiento descentralizadas.
PCCL: Biblioteca de comunicación colaborativa
PCCL es una biblioteca de comunicación ligera diseñada por Prime Intellect para entornos de entrenamiento de IA Descentralización, destinada a resolver los cuellos de botella de adaptación de las bibliotecas de comunicación tradicionales en dispositivos heterogéneos y redes de bajo ancho de banda. PCCL soporta topologías dispersas, compresión de gradientes, sincronización de baja precisión y recuperación de puntos de control, puede funcionar en GPU de consumo y nodos inestables, y es un componente subyacente que respalda la capacidad de comunicación asíncrona del protocolo OpenDiLoCo. Mejora significativamente la tolerancia al ancho de banda y la compatibilidad de dispositivos de la red de entrenamiento, abriendo la "última milla" de la infraestructura de comunicación para construir una verdadera red de entrenamiento colaborativo abierta y sin necesidad de confianza.
03、Prime Intellect red de incentivos y división de roles
Prime Intellect ha construido una red de entrenamiento sin permisos, verificable y con un mecanismo de incentivos económicos, que permite a cualquier persona participar en tareas y obtener recompensas basadas en contribuciones reales. El protocolo funciona basado en tres tipos de roles centrales:
Iniciador de la tarea: definir el entorno de entrenamiento, el modelo inicial, la función de recompensa y los criterios de validación
Nodo de entrenamiento: ejecutar entrenamiento local, enviar actualizaciones de peso y trayectoria de observación
Nodos de verificación: utilizar el mecanismo TOPLOC para verificar la veracidad del comportamiento de entrenamiento y participar en el cálculo de recompensas y la agregación de estrategias.
El proceso central del protocolo incluye la publicación de tareas, el entrenamiento de nodos, la verificación de trayectorias, la agregación de pesos ###SHARDCAST( y la distribución de recompensas, formando un ciclo de incentivos en torno a "comportamientos de entrenamiento reales".
![El Santo Grial de Crypto AI: Exploración de vanguardia en entrenamiento descentralizado])https://img-cdn.gateio.im/webp-social/moments-69eb6c2dab3d6284b890285c71e7a47f.webp(
)# 04、INTELLECT-2: Lanzamiento del primer modelo de entrenamiento descentralizado verificable
Prime Intellect lanzó INTELLECT-2 en mayo de 2025, el primer modelo de aprendizaje profundo del mundo entrenado por nodos descentralizados asincrónicos y sin necesidad de confianza, con una escala de parámetros de 32B. El modelo INTELLECT-2 fue entrenado de manera colaborativa por más de 100 nodos heterogéneos GPU distribuidos en tres continentes, utilizando una arquitectura completamente asincrónica, con una duración de entrenamiento de más de 400 horas, demostrando la viabilidad y estabilidad de la red de colaboración asincrónica. Este modelo no solo representa un avance en rendimiento, sino que también es la primera implementación sistemática del paradigma "entrenamiento es consenso" propuesto por Prime Intellect. INTELLECT-2 integra módulos de protocolo clave como PRIME-RL, TOPLOC y SHARDCAST, marcando la primera vez que una red de entrenamiento descentralizada logra la apertura, la verificabilidad y un ciclo de incentivos económicos en el proceso de entrenamiento.
En términos de rendimiento, INTELLECT-2 se basa en QwQ-32B y se entrena en generaciones.
Esta página puede contener contenido de terceros, que se proporciona únicamente con fines informativos (sin garantías ni declaraciones) y no debe considerarse como un respaldo por parte de Gate a las opiniones expresadas ni como asesoramiento financiero o profesional. Consulte el Descargo de responsabilidad para obtener más detalles.
23 me gusta
Recompensa
23
7
Compartir
Comentar
0/400
DevChive
· 07-23 05:10
Es realmente un desperdicio de dinero.
Ver originalesResponder0
GateUser-75ee51e7
· 07-22 04:25
Definitivamente no puede competir con GF.
Ver originalesResponder0
SandwichTrader
· 07-22 00:20
Hablar de estrategia en papel.
Ver originalesResponder0
LootboxPhobia
· 07-22 00:19
No se puede entrenar, es muy costoso.
Ver originalesResponder0
MetaMisery
· 07-22 00:09
Ah, esto no es más que la versión AI de web3, ¿verdad?
Frente de entrenamiento de IA Descentralización: Camino de exploración de Prime Intellect y Pluralis
El Santo Grial de Crypto AI: Exploración de vanguardia en entrenamiento descentralizado
En toda la cadena de valor de la IA, el entrenamiento de modelos es la etapa que más recursos consume y presenta la mayor barrera técnica, determinando directamente el límite de capacidad del modelo y el efecto real de la aplicación. En comparación con la llamada liviana de la fase de inferencia, el proceso de entrenamiento requiere una inversión continua de gran capacidad de cálculo, un complejo flujo de procesamiento de datos y un fuerte soporte de algoritmos de optimización, siendo la verdadera "industria pesada" en la construcción de sistemas de IA. Desde la perspectiva del paradigma arquitectónico, los métodos de entrenamiento se pueden clasificar en cuatro categorías: entrenamiento centralizado, entrenamiento distribuido, aprendizaje federado y el entrenamiento de descentralización que se discute en este documento.
El entrenamiento centralizado es el método tradicional más común, realizado por una sola entidad en un clúster local de alto rendimiento, completando todo el proceso de entrenamiento, desde el hardware, el software de base, el sistema de programación de clústeres, hasta todos los componentes del marco de entrenamiento, todos coordinados por un sistema de control unificado. Esta arquitectura de profunda colaboración permite que la compartición de memoria, la sincronización de gradientes y los mecanismos de tolerancia a fallos alcancen su máxima eficiencia, siendo muy adecuada para el entrenamiento de modelos a gran escala como GPT y Gemini, con ventajas de alta eficiencia y recursos controlables, pero también presenta problemas como el monopolio de datos, barreras de recursos, consumo de energía y riesgos de punto único.
El entrenamiento distribuido es la forma principal de entrenamiento de modelos grandes en la actualidad, su núcleo es descomponer la tarea de entrenamiento del modelo y distribuirla a múltiples máquinas para su ejecución colaborativa, con el fin de superar los cuellos de botella de cálculo y almacenamiento en una sola máquina. A pesar de que físicamente tiene características de "Descentralización", en general todavía está controlado y coordinado por una institución centralizada, y a menudo opera en un entorno de red local de alta velocidad, utilizando la tecnología de bus de interconexión de alta velocidad NVLink, donde el nodo principal coordina unificado las subtareas. Los métodos principales incluyen:
El entrenamiento distribuido es una combinación de "control centralizado + ejecución distribuida", análoga a un mismo jefe dirigiendo de forma remota la colaboración de varios empleados de "oficinas" para completar tareas. Actualmente, casi todos los modelos grandes principales se entrenan de esta manera.
La Descentralización del entrenamiento representa un camino futuro más abierto y resistente a la censura. Sus características clave son: múltiples nodos que no se fían entre sí ( pueden ser computadoras personales, GPU en la nube o dispositivos de borde ) que colaboran para completar tareas de entrenamiento sin un coordinador central, generalmente a través de protocolos que impulsan la distribución de tareas y la colaboración, y utilizando mecanismos de incentivos criptográficos para asegurar la honestidad en las contribuciones. Los principales desafíos que enfrenta este modelo incluyen:
La capacitación en Descentralización se puede entender como: un grupo de voluntarios de todo el mundo que contribuyen con su potencia de cálculo para entrenar modelos de manera colaborativa, pero "la verdadera capacitación descentralizada a gran escala que es viable" sigue siendo un desafío ingenieril sistemático, que involucra múltiples niveles como la arquitectura del sistema, protocolos de comunicación, seguridad criptográfica, mecanismos económicos y verificación de modelos. Sin embargo, si se puede lograr "colaboración efectiva + incentivo a la honestidad + resultados correctos" todavía se encuentra en una etapa temprana de exploración de prototipos.
El aprendizaje federado, como una forma de transición entre la distribución y la Descentralización, enfatiza la retención local de datos y la agregación centralizada de parámetros del modelo, siendo adecuado para escenarios que requieren cumplimiento de privacidad como la medicina y las finanzas (. El aprendizaje federado tiene una estructura de ingeniería de entrenamiento distribuido y capacidades de colaboración local, al mismo tiempo que combina las ventajas de dispersión de datos del entrenamiento Descentralizado, pero todavía depende de partes coordinadoras confiables y no posee características completamente abiertas y resistentes a la censura. Se puede considerar como una solución de "Descentralización controlada" en escenarios de cumplimiento de privacidad, siendo relativamente moderada en las tareas de entrenamiento, la estructura de confianza y los mecanismos de comunicación, lo que la hace más adecuada como una arquitectura de despliegue transicional en la industria.
Descentralización entrenamiento de los límites, oportunidades y caminos reales
Desde la perspectiva del paradigma de entrenamiento, la Descentralización del entrenamiento no es aplicable a todos los tipos de tareas. En ciertos escenarios, debido a la complejidad de la estructura de la tarea, a las altas demandas de recursos o a la dificultad de colaboración, no es naturalmente adecuada para completarse de manera eficiente entre nodos heterogéneos y sin confianza. Por ejemplo, el entrenamiento de modelos grandes a menudo depende de alta memoria de video, baja latencia y ancho de banda alto, lo que dificulta su división y sincronización efectiva en una red abierta; las tareas con fuertes limitaciones de privacidad de datos y soberanía están restringidas por la conformidad legal y las restricciones éticas, lo que impide su apertura y compartición; mientras que las tareas que carecen de incentivos a la colaboración carecen de motivación externa para la participación. Estas fronteras constituyen conjuntamente las limitaciones reales del entrenamiento descentralizado actual.
Pero esto no significa que el entrenamiento de Descentralización sea un falso problema. De hecho, en tipos de tareas que son ligeras en estructura, fáciles de paralelizar y que pueden ser incentivadas, el entrenamiento de Descentralización muestra perspectivas de aplicación claras. Incluyendo, pero no limitado a: ajuste fino de LoRA, tareas de entrenamiento posterior de alineación de comportamiento, tareas de entrenamiento y etiquetado de crowdsourcing de datos, entrenamiento de modelos base pequeños y controlables en recursos, así como escenarios de entrenamiento colaborativo con la participación de dispositivos en el borde. Estas tareas generalmente presentan características de alta paralelización, bajo acoplamiento y tolerancia a la potencia de cálculo heterogénea, lo que las hace muy adecuadas para el entrenamiento colaborativo a través de redes P2P, protocolos Swarm, optimizadores distribuidos, entre otros.
![El Santo Grial de Crypto AI: Exploración de vanguardia en entrenamiento descentralizado])https://img-cdn.gateio.im/webp-social/moments-a8004f094fff74515470052b3a24617c.webp(
Descentralización entrenamiento clásico proyecto análisis
Actualmente, en el campo de la Descentralización de entrenamientos y el aprendizaje federado, los proyectos de blockchain más representativos incluyen Prime Intellect, Pluralis.ai, Gensyn, Nous Research y Flock.io. Desde la perspectiva de la innovación técnica y la dificultad de implementación, Prime Intellect, Nous Research y Pluralis.ai han propuesto una mayor cantidad de exploraciones originales en el diseño de sistemas y algoritmos, representando las direcciones de vanguardia de la investigación teórica actual; mientras que los caminos de implementación de Gensyn y Flock.io son relativamente claros, ya se pueden observar avances iniciales en la ingeniería. Este artículo analizará sucesivamente las tecnologías centrales y las arquitecturas de ingeniería detrás de estos cinco proyectos, y explorará más a fondo sus diferencias y relaciones complementarias en el sistema de entrenamiento de IA descentralizada.
) Prime Intellect: pionero de redes colaborativas de aprendizaje reforzado verificables por trayectoria de entrenamiento.
Prime Intellect se dedica a construir una red de entrenamiento de IA sin necesidad de confianza, permitiendo que cualquiera pueda participar en el entrenamiento y recibir recompensas confiables por su contribución computacional. Prime Intellect espera, a través de los tres módulos PRIME-RL + TOPLOC + SHARDCAST, construir un sistema de entrenamiento de IA con descentralización que tenga verificabilidad, apertura y un mecanismo de incentivos completo.
01、Estructura del stack de protocolos Prime Intellect y valor de los módulos clave
![El Santo Grial de Crypto AI: Exploración de vanguardia en Descentralización del entrenamiento]###https://img-cdn.gateio.im/webp-social/moments-adb92bc4dfbaf26863cb0b4bb1081cd7.webp(
)# 02, Explicación detallada del mecanismo clave de entrenamiento de Prime Intellect
PRIME-RL: Arquitectura de tarea de aprendizaje reforzado asíncrono desacoplado
PRIME-RL es un marco de modelado y ejecución de tareas personalizado por Prime Intellect para escenarios de entrenamiento de Descentralización, diseñado específicamente para redes heterogéneas y participantes asíncronos. Utiliza el aprendizaje por refuerzo como objeto de adaptación preferido, desacoplando estructuralmente los procesos de entrenamiento, inferencia y carga de pesos, lo que permite que cada nodo de entrenamiento complete de forma independiente el ciclo de tareas localmente y colabore a través de interfaces estandarizadas con mecanismos de validación y agregación. En comparación con los procesos de aprendizaje supervisado tradicionales, PRIME-RL es más adecuado para realizar entrenamiento flexible en entornos sin programación central, lo que reduce la complejidad del sistema y sienta las bases para apoyar la paralelización de múltiples tareas y la evolución de estrategias.
TOPLOC:Mecanismo de verificación de comportamiento de entrenamiento ligero
TOPLOC es un mecanismo central de verificabilidad de entrenamiento propuesto por Prime Intellect, utilizado para determinar si un nodo realmente ha completado un aprendizaje de estrategia efectivo basado en datos de observación. A diferencia de soluciones pesadas como ZKML, TOPLOC no depende del recálculo completo del modelo, sino que completa la verificación de estructura ligera analizando las trayectorias de consistencia local entre "secuencias de observación ↔ actualización de estrategia". Por primera vez, transforma las trayectorias de comportamiento durante el proceso de entrenamiento en objetos verificables, lo que representa una innovación clave para lograr una asignación de recompensas de entrenamiento sin necesidad de confianza, proporcionando un camino viable para construir una red de entrenamiento colaborativa descentralizada que sea auditable e incentivadora.
SHARDCAST: Protocolo de agregación y propagación de pesos asíncronos
SHARDCAST es un protocolo de propagación y agregación de pesos diseñado por Prime Intellect, optimizado específicamente para entornos de red reales que son asíncronos, tienen ancho de banda limitado y estados de nodo variables. Combina mecanismos de propagación de gossip con estrategias de sincronización local, permitiendo que múltiples nodos continúen sometiendo actualizaciones parciales en estados desincronizados, logrando la convergencia progresiva de pesos y la evolución de múltiples versiones. En comparación con los métodos centralizados o síncronos de AllReduce, SHARDCAST mejora significativamente la escalabilidad y la tolerancia a fallos del entrenamiento descentralizado, siendo la base fundamental para construir un consenso estable de pesos y una iteración de entrenamiento continua.
OpenDiLoCo: Marco de comunicación asíncrona dispersa
OpenDiLoCo es un marco de optimización de comunicación desarrollado e implementado de forma independiente y de código abierto por el equipo de Prime Intellect, basado en el concepto DiLoCo propuesto por DeepMind, diseñado específicamente para enfrentar desafíos comunes en el entrenamiento descentralizado, como las limitaciones de ancho de banda, la heterogeneidad de dispositivos y la inestabilidad de nodos. Su arquitectura se basa en la paralelización de datos, construyendo estructuras topológicas dispersas como Ring, Expander y Small-World, evitando el alto costo de comunicación de la sincronización global, y completando el entrenamiento colaborativo del modelo solo con nodos vecinos locales. Combinando actualizaciones asíncronas y un mecanismo de tolerancia a fallos, OpenDiLoCo permite que GPUs de consumo y dispositivos de borde participen de manera estable en tareas de entrenamiento, mejorando significativamente la participación en el entrenamiento colaborativo global, siendo una de las infraestructuras de comunicación clave para construir redes de entrenamiento descentralizadas.
PCCL: Biblioteca de comunicación colaborativa
PCCL es una biblioteca de comunicación ligera diseñada por Prime Intellect para entornos de entrenamiento de IA Descentralización, destinada a resolver los cuellos de botella de adaptación de las bibliotecas de comunicación tradicionales en dispositivos heterogéneos y redes de bajo ancho de banda. PCCL soporta topologías dispersas, compresión de gradientes, sincronización de baja precisión y recuperación de puntos de control, puede funcionar en GPU de consumo y nodos inestables, y es un componente subyacente que respalda la capacidad de comunicación asíncrona del protocolo OpenDiLoCo. Mejora significativamente la tolerancia al ancho de banda y la compatibilidad de dispositivos de la red de entrenamiento, abriendo la "última milla" de la infraestructura de comunicación para construir una verdadera red de entrenamiento colaborativo abierta y sin necesidad de confianza.
03、Prime Intellect red de incentivos y división de roles
Prime Intellect ha construido una red de entrenamiento sin permisos, verificable y con un mecanismo de incentivos económicos, que permite a cualquier persona participar en tareas y obtener recompensas basadas en contribuciones reales. El protocolo funciona basado en tres tipos de roles centrales:
El proceso central del protocolo incluye la publicación de tareas, el entrenamiento de nodos, la verificación de trayectorias, la agregación de pesos ###SHARDCAST( y la distribución de recompensas, formando un ciclo de incentivos en torno a "comportamientos de entrenamiento reales".
![El Santo Grial de Crypto AI: Exploración de vanguardia en entrenamiento descentralizado])https://img-cdn.gateio.im/webp-social/moments-69eb6c2dab3d6284b890285c71e7a47f.webp(
)# 04、INTELLECT-2: Lanzamiento del primer modelo de entrenamiento descentralizado verificable
Prime Intellect lanzó INTELLECT-2 en mayo de 2025, el primer modelo de aprendizaje profundo del mundo entrenado por nodos descentralizados asincrónicos y sin necesidad de confianza, con una escala de parámetros de 32B. El modelo INTELLECT-2 fue entrenado de manera colaborativa por más de 100 nodos heterogéneos GPU distribuidos en tres continentes, utilizando una arquitectura completamente asincrónica, con una duración de entrenamiento de más de 400 horas, demostrando la viabilidad y estabilidad de la red de colaboración asincrónica. Este modelo no solo representa un avance en rendimiento, sino que también es la primera implementación sistemática del paradigma "entrenamiento es consenso" propuesto por Prime Intellect. INTELLECT-2 integra módulos de protocolo clave como PRIME-RL, TOPLOC y SHARDCAST, marcando la primera vez que una red de entrenamiento descentralizada logra la apertura, la verificabilidad y un ciclo de incentivos económicos en el proceso de entrenamiento.
En términos de rendimiento, INTELLECT-2 se basa en QwQ-32B y se entrena en generaciones.