الكأس المقدسة للذكاء الاصطناعي في العملات الرقمية: استكشاف الطليعة للتدريب اللامركزي

في سلسلة القيمة الكاملة للذكاء الاصطناعي، يعتبر تدريب النموذج هو المرحلة الأكثر استهلاكًا للموارد وأعلى مستوى من التقنية، حيث يحدد بشكل مباشر الحد الأقصى لقدرات النموذج وفعالية التطبيق الفعلي. بالمقارنة مع الاستدعاء الخفيف في مرحلة الاستنتاج، يتطلب عملية التدريب استثمارات مستمرة من قوة الحوسبة واسعة النطاق، وعمليات معالجة بيانات معقدة، ودعم خوارزميات تحسين عالية الكثافة، مما يجعلها "الصناعة الثقيلة" الحقيقية لبناء أنظمة الذكاء الاصطناعي. من حيث نماذج البنية، يمكن تقسيم طرق التدريب إلى أربع فئات: التدريب المركزي، التدريب الموزع، التعلم الفيدرالي، والتدريب اللامركزي الذي يتم مناقشته بشكل أساسي في هذه المقالة.

يعتبر التدريب المركزي هو الطريقة التقليدية الأكثر شيوعًا، حيث يتم تنفيذ جميع عمليات التدريب من قبل مؤسسة واحدة داخل مجموعة عالية الأداء محليًا، حيث يتم تنسيق تشغيل جميع المكونات من الأجهزة، والبرمجيات الأساسية، ونظام جدولة المجموعة، إلى إطار التدريب بواسطة نظام تحكم موحد. تتيح هذه البنية التحتية العميقة المتكاملة تحقيق أقصى كفاءة في مشاركة الذاكرة، وتزامن التدرجات، وآليات تحمل الأخطاء، مما يجعلها مناسبة جدًا لتدريب نماذج كبيرة مثل GPT وGemini، حيث تتمتع بمزايا الكفاءة العالية والتحكم بالموارد، ولكنها في الوقت نفسه تواجه مشاكل احتكار البيانات، وحواجز الموارد، واستهلاك الطاقة، ومخاطر النقاط الفردية.

التدريب الموزع هو الطريقة الرئيسية الحالية لتدريب النماذج الكبيرة، حيث يتمثل جوهره في تفكيك مهام تدريب النموذج ثم توزيعها على عدة آلات للتنفيذ التعاوني، وذلك لتجاوز قيود الحوسبة والتخزين على جهاز واحد. على الرغم من أنه يتمتع بخصائص "اللامركزية" من الناحية الفيزيائية، إلا أن التحكم والجدولة والتزامن لا يزال تحت سيطرة مؤسسة مركزية، وغالباً ما يعمل في بيئة شبكة محلية سريعة، من خلال تقنية حافلة الربط السريع NVLink، حيث يتم تنسيق المهام الفرعية بشكل موحد بواسطة العقدة الرئيسية. تشمل الطرق الرئيسية ما يلي:

• توازي البيانات: كل عقدة تدرب معلمات بيانات مختلفة مع مشاركة الوزن النموذجي، يجب مطابقة أوزان النموذج
• التوازي النموذجي: نشر أجزاء مختلفة من النموذج على عقد مختلفة لتحقيق قابلية توسع قوية
• تنفيذ متسلسل على مراحل: زيادة معدل النقل
• التوازي المتجه: تقسيم دقيق لحساب المصفوفة، تحسين مستوى التوازي

التدريب الموزع هو مزيج من "التحكم المركزي + التنفيذ الموزع"، مشابهًا لكيفية توجيه نفس المدير عن بُعد لعدة "مكاتب" من الموظفين للتعاون في إكمال المهام. حاليًا، يتم تدريب جميع النماذج الكبيرة الرئيسية تقريبًا مثل (GPT-4 وGemini وLLaMA ) باستخدام هذه الطريقة.

اللامركزية التدريب تمثل مسارًا مستقبليًا أكثر انفتاحًا ومقاومة للرقابة. تتمثل الخصائص الأساسية في: عدة عقد غير موثوقة ( قد تكون أجهزة كمبيوتر منزلية أو وحدات معالجة الرسوميات السحابية أو أجهزة الحافة ) تعمل معًا لإنجاز مهام التدريب بدون منسق مركزي، وغالبًا ما يتم تحفيز توزيع المهام والتعاون من خلال البروتوكولات، وبمساعدة آلية تحفيز تشفيرية لضمان نزاهة المساهمات. تشمل التحديات الرئيسية التي تواجه هذا النموذج ما يلي:

• صعوبة التوافق بين الأجهزة المتنوعة وصعوبة تقسيم المهام: صعوبة التنسيق بين الأجهزة المتنوعة وانخفاض كفاءة تقسيم المهام
• اختناق كفاءة الاتصال: الاتصال الشبكي غير مستقر، واختناق مزامنة التدرج واضح
• نقص التنفيذ الموثوق: عدم وجود بيئة تنفيذ موثوقة، مما يجعل من الصعب التحقق مما إذا كانت العقدة تشارك حقًا في الحساب.
• نقص التنسيق الموحد: لا يوجد موجه مركزي، توزيع المهام، وآلية التراجع عن الاستثناءات معقدة

يمكن فهم التدريب اللامركزي على أنه: مجموعة من المتطوعين حول العالم، يساهمون كل منهم في قوة الحساب لتدريب النموذج بشكل متعاون، لكن "التدريب اللامركزي الكبير القابل للتطبيق حقًا" لا يزال يمثل تحديًا هندسيًا نظاميًا، يتضمن هيكل النظام، بروتوكولات الاتصال، أمان التشفير، الآليات الاقتصادية، والتحقق من النموذج على عدة مستويات، لكن ما إذا كان يمكن تحقيق "التعاون الفعال + تحفيز النزاهة + النتائج الصحيحة" لا يزال في مرحلة استكشاف النموذج الأولي المبكر.

التعلم الفيدرالي كمرحلة انتقالية بين التوزيع واللامركزية، يركز على الاحتفاظ بالبيانات محليًا، وتجميع معلمات النموذج مركزيًا، ويصلح للمواقف التي تركز على الامتثال للخصوصية ( مثل الطب والتمويل ). يحتوي التعلم الفيدرالي على بنية هندسية للتدريب الموزع وقدرة على التعاون المحلي، بينما يمتلك أيضًا مزايا توزيع البيانات في التدريب اللامركزي، لكنه لا يزال يعتمد على جهة تنسيق موثوقة، ولا يتمتع بخصائص مفتوحة تمامًا ومقاومة للرقابة. يمكن اعتباره نوعًا من "اللامركزية المتحكم فيها" في سيناريوهات الامتثال للخصوصية، حيث تكون مهام التدريب، وبنية الثقة، وآلية الاتصال معتدلة نسبيًا، مما يجعلها أكثر ملاءمة كهيكل نشر انتقالي في الصناعة.

اللامركزية تدريب الحدود، الفرص والواقع المسار

من حيث نمط التدريب، فإن التدريب اللامركزي ليس مناسبًا لجميع أنواع المهام. في بعض السيناريوهات، بسبب هيكل المهمة المعقد، ومتطلبات الموارد العالية جدًا، أو صعوبة التعاون، فإنه لا يناسب بطبيعته إتمامه بكفاءة بين العقد المتباينة وذات الثقة المنخفضة. على سبيل المثال، يعتمد تدريب النماذج الكبيرة غالبًا على ذاكرة عالية، وزمن استجابة منخفض، وعرض نطاق ترددي عالي، مما يجعل من الصعب تقسيمه ومزامنته بفعالية في الشبكة المفتوحة؛ كما أن المهام التي تتطلب خصوصية البيانات وقيود السيادة الشديدة ( مثل الرعاية الصحية والمالية، والبيانات الحساسة ) مقيدة بالامتثال القانوني والقيود الأخلاقية، وبالتالي لا يمكن مشاركتها بشكل مفتوح؛ بينما المهام التي تفتقر إلى أساس الحوافز التعاونية ( مثل نماذج الشركات المغلقة أو تدريب النماذج الأولية الداخلية ) تفتقر إلى الدافع للمشاركة الخارجية. هذه الحدود تشكل معًا القيود الواقعية الحالية للتدريب اللامركزي.

لكن هذا لا يعني أن التدريب اللامركزي هو فكرة زائفة. في الواقع، في أنواع المهام الخفيفة الهيكل، السهلة التوازي، والمحفزة، يظهر التدريب اللامركزي آفاق تطبيق واضحة. بما في ذلك، ولكن لا تقتصر على: ضبط LoRA، مهام بعد التدريب المتعلقة بمحاذاة السلوك مثل RLHF، DPO(، مهام تدريب وتصنيف البيانات عبر الحشود، تدريب نماذج أساسية صغيرة قابلة للتحكم في الموارد، وكذلك سيناريوهات التدريب التعاوني التي تشارك فيها الأجهزة الطرفية. تتمتع هذه المهام عمومًا بخصائص عالية من التوازي، وانخفاض الترابط، وقدرة على تحمل القدرة الحاسوبية غير المتجانسة، مما يجعلها مناسبة جدًا للتدريب التعاوني عبر الشبكات P2P، وبروتوكولات Swarm، والمحسنات الموزعة.

![كأس القدر في Crypto AI: استكشاف حدود التدريب اللامركزي])https://img-cdn.gateio.im/webp-social/moments-adb92bc4dfbaf26863cb0b4bb1081cd7.webp(

تحليل مشاريع التدريب الكلاسيكية اللامركزية

في الوقت الحالي، تشمل المشاريع البارزة في مجال التدريب اللامركزي والتعلم الفيدرالي على الحدود، كل من Prime Intellect و Pluralis.ai و Gensyn و Nous Research و Flock.io. من حيث الابتكار التكنولوجي وصعوبة التنفيذ الهندسي، قدمت Prime Intellect و Nous Research و Pluralis.ai العديد من الاستكشافات الأصلية في تصميم النظام والخوارزميات، مما يمثل الاتجاهات الرائدة في البحث النظري الحالي؛ بينما مسارات التنفيذ لـ Gensyn و Flock.io واضحة نسبياً، وقد بدأنا نرى تقدمًا هندسيًا أوليًا. سيتناول هذا المقال بالتفصيل التقنيات الأساسية والهياكل الهندسية وراء هذه المشاريع الخمسة، وسيناقش أيضًا الفروق والعلاقات التكاملية بينها في نظام تدريب الذكاء الاصطناعي اللامركزي.

) Prime Intellect: رائد الشبكات التعاونية للتعلم المعزز القابل للتحقق من مسار التدريب

تسعى Prime Intellect إلى بناء شبكة تدريب AI لا تتطلب الثقة، بحيث يمكن لأي شخص المشاركة في التدريب، والحصول على مكافآت موثوقة على مساهماته الحسابية. تأمل Prime Intellect من خلال ثلاثة وحدات PRIME-RL + TOPLOC + SHARDCAST، في بناء نظام تدريب AI اللامركزي الذي يتمتع بالتحقق، والانفتاح، وآلية تحفيز كاملة.

01، هيكل بروتوكول Prime Intellect وقيمة الوحدات الرئيسية

![كأس القدر للعملات الرقمية: استكشاف الطليعة للتدريب اللامركزي]###https://img-cdn.gateio.im/webp-social/moments-69eb6c2dab3d6284b890285c71e7a47f.webp(

)# 02، شرح آلية التدريب الأساسية ل Prime Intellect

PRIME-RL: هيكل مهمة التعلم المعزز غير المتزامن المفكك

PRIME-RL هو إطار عمل مخصص لنمذجة المهام وتنفيذها في سيناريوهات التدريب اللامركزي من قبل Prime Intellect، مصمم خصيصًا للشبكات غير المتجانسة والمشاركة غير المتزامنة. يستخدم التعلم المعزز كهدف تفضيلي، حيث يتم فك ترابط هيكلي بين عمليات التدريب والاستدلال ورفع الأوزان، مما يسمح لكل عقدة تدريب بإكمال دورة المهام بشكل مستقل محليًا، والتعاون من خلال واجهات معيارية وآليات التحقق والتجميع. مقارنةً بعمليات التعلم الخاضع للإشراف التقليدية، فإن PRIME-RL أكثر ملاءمة لتحقيق التدريب المرن في بيئات بدون جدولة مركزية، مما يقلل من تعقيد النظام، ويضع الأساس لدعم المهام المتعددة بالتوازي وتطور السياسات.

TOPLOC: آلية التحقق من سلوك التدريب الخفيف الوزن

TOPLOC###الملاحظة الموثوقة & فحص سياسة المحلية( هو آلية أساسية للتحقق من قابلية التدريب اقترحها Prime Intellect، تُستخدم لتحديد ما إذا كان العقدة قد أكملت حقًا التعلم الاستراتيجي الفعّال بناءً على بيانات الملاحظة. على عكس الحلول الثقيلة مثل ZKML، لا يعتمد TOPLOC على إعادة حساب نموذج كامل، بل ينجز التحقق الهيكلي الخفيف من خلال تحليل المسار المحلي للتناسق بين "سلسلة الملاحظات ↔ تحديث السياسة". إنها تحول لأول مرة سلوك المسارات أثناء عملية التدريب إلى كائنات قابلة للتحقق، مما يُعتبر ابتكارًا رئيسيًا لتحقيق توزيع مكافآت التدريب بدون ثقة، ويوفر مسارًا قابلاً للتطبيق لبناء شبكة تدريب تعاونية مُدارة، قابلة للتدقيق، وقابلة للتحفيز.

SHARDCAST: بروتوكول تجميع ونشر الأوزان غير المتزامنة

SHARDCAST هو بروتوكول لنشر وتجمع الأوزان تم تصميمه بواسطة Prime Intellect، وهو مُحسَّن خصيصًا لبيئات الشبكة الحقيقية غير المتزامنة، ذات عرض النطاق الترددي المحدود، وحالة العقد المتغيرة. يجمع بين آلية نشر gossip واستراتيجيات التزامن المحلي، مما يسمح للعديد من العقد بتقديم تحديثات جزئية بشكل مستمر في حالة غير متزامنة، مما يحقق التقارب التدريجي للأوزان والتطور متعدد النسخ. مقارنةً بأساليب AllReduce المركزية أو المتزامنة، يُحسِّن SHARDCAST بشكل كبير قابلية التوسع وقدرة التحمل في التدريب اللامركزي، وهو الأساس الرئيسي لبناء توافق الأوزان المستقر والتكرار التدريبي المستمر.

OpenDiLoCo: إطار الاتصال غير المتزامن النادر

OpenDiLoCo هو إطار عمل لتحسين الاتصالات تم تنفيذه بشكل مستقل ومفتوح المصدر من قبل فريق Prime Intellect بناءً على فكرة DiLoCo التي اقترحتها DeepMind، وهو مصمم خصيصًا لمواجهة التحديات الشائعة في التدريب اللامركزي مثل قيود النطاق الترددي، وتنوع الأجهزة، وعدم استقرار العقد. يعتمد هيكله على البيانات المتوازية، من خلال بناء هياكل طوبولوجية نادرة مثل Ring وExpander وSmall-World، مما يتجنب التكلفة العالية للتزامن العالمي في الاتصالات، ويعتمد فقط على العقد المجاورة المحلية لإكمال تدريب النموذج بشكل مشترك. بالجمع بين التحديث غير المتزامن وآلية تحمل الأخطاء، يسمح OpenDiLoCo لمجموعة GPUs الاستهلاكية والأجهزة الطرفية بالمشاركة بشكل مستقر في مهام التدريب، مما يزيد بشكل كبير من إمكانية المشاركة في التدريب التعاوني العالمي، وهو أحد البنى التحتية الأساسية للاتصالات لبناء شبكة تدريب لامركزية.

PCCL: مكتبة الاتصالات التعاونية

PCCL)Prime Collective Communication Library( هو مكتبة اتصالات خفيفة الوزن مصممة خصيصًا من قبل Prime Intellect لبيئة تدريب AI اللامركزية، تهدف إلى حل عنق الزجاجة في التكيف للمكتبات التقليدية مثل NCCL وGloo) في الأجهزة المتنوعة والشبكات ذات النطاق الترددي المنخفض. يدعم PCCL الهياكل النادرة، ضغط التدرج، المزامنة ذات الدقة المنخفضة واستعادة النقاط، ويمكن تشغيله على وحدات معالجة الرسوميات الاستهلاكية والعقد غير المستقرة، وهو المكون الأساسي الذي يدعم قدرة الاتصال غير المتزامن لبروتوكول OpenDiLoCo. لقد عزز بشكل كبير من تحمل النطاق الترددي لشبكة التدريب وتوافق الأجهزة، مما يفتح "آخر كيلومتر" من الأساس الاتصالي لبناء شبكة تدريب تعاونية مفتوحة حقًا وبدون ثقة.

(# 03، شبكة Prime Intellect للتحفيز وتوزيع الأدوار

بنيت Prime Intellect شبكة تدريب قابلة للتحقق وغير مصرح بها، تحتوي على آلية تحفيز اقتصادية، مما يسمح لأي شخص بالمشاركة في المهام والحصول على مكافآت بناءً على المساهمات الحقيقية. يعمل البروتوكول على أساس ثلاث فئات من الأدوار الأساسية:

• مُطلق المهمة: تحديد بيئة التدريب، النموذج الأولي، دالة المكافأة ومعايير التحقق
• عقد التدريب: تنفيذ التدريب المحلي، تقديم تحديثات الوزن ومسارات الملاحظة
• عقد التحقق: استخدام آلية TOPLOC للتحقق من صحة سلوك التدريب والمشاركة في حساب المكافآت وتجميع الاستراتيجيات

تشمل العمليات الأساسية للبروتوكول نشر المهام، تدريب العقد، التحقق من المسارات، تجميع الأوزان )SHARDCAST### وتوزيع المكافآت، مما يشكل حلقة تحفيزية تدور حول "سلوك التدريب الحقيقي".

(# 04، INTELLECT-2: إصدار أول نموذج تدريب قابل للتحقق من اللامركزية

أصدرت Prime Intellect INTELLECT-2 في مايو 2025، وهو الأول في العالم الذي تم تطويره بواسطة