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 consume más recursos y tiene la mayor barrera técnica, determinando directamente el límite de capacidad del modelo y el efecto de aplicación real. En comparación con la llamada ligera de la fase de inferencia, el proceso de entrenamiento requiere una inversión continua de potencia de cálculo a gran escala, un complejo proceso de manejo 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 de los paradigmas de arquitectura, 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 artículo.

El entrenamiento centralizado es la forma tradicional más común, completando todo el proceso de entrenamiento en un clúster de alto rendimiento local por una única institución, desde el hardware, el software de base, el sistema de programación del clúster, hasta todos los componentes del marco de entrenamiento, todos coordinados por un sistema de control unificado. Esta arquitectura de profunda colaboración permite que la eficiencia del intercambio de memoria, la sincronización de gradientes y los mecanismos de tolerancia a fallos alcancen su máximo, siendo muy adecuada para el entrenamiento de modelos a gran escala como GPT y Gemini, con ventajas de alta eficiencia y recursos controlables, pero al mismo tiempo presenta problemas como monopolio de datos, barreras de recursos, consumo de energía y riesgos de punto único.

El entrenamiento distribuido es el método principal para el entrenamiento de grandes modelos en la actualidad, y su núcleo radica en 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 de una sola máquina. A pesar de que físicamente presenta características de "descentralización", en general, sigue siendo controlado y coordinado por una institución centralizada, y suele operar en un entorno de red local de alta velocidad, utilizando tecnología de bus de interconexión de alta velocidad NVLink, donde el nodo principal coordina uniformemente las sub-tareas. Los métodos principales incluyen:

• Paralelismo de datos: cada nodo entrena diferentes datos compartiendo parámetros, es necesario que coincidan los pesos del modelo
• Paralelismo de modelos: desplegar diferentes partes del modelo en diferentes nodos para lograr una fuerte escalabilidad
• Paralelismo de tuberías: ejecución en serie por fases, mejora del rendimiento
• Paralelismo de tensores: segmentación refinada de cálculos matriciales, mejora de la granularidad de la paralelización

El entrenamiento distribuido es una combinación de "control centralizado + ejecución distribuida", análogo a un mismo jefe que dirige de forma remota la colaboración de varios empleados de "oficinas" para completar tareas. Actualmente, casi todos los grandes modelos de vanguardia (GPT-4, Gemini, LLaMA, etc. ) se entrenan de esta manera.

La Descentralización en el entrenamiento representa un camino futuro más abierto y resistente a la censura. Su característica central es que: múltiples nodos que no se fían entre sí ( pueden ser computadoras domésticas, GPU en la nube o dispositivos perimetrales ) que colaboran en la realización de tareas de entrenamiento sin un coordinador central, generalmente impulsados por protocolos para la distribución de tareas y colaboración, y utilizando mecanismos de incentivos criptográficos para garantizar la honestidad de las contribuciones. Los principales desafíos que enfrenta este modelo incluyen:

• Dificultades en la heterogeneidad de dispositivos y en la segmentación: 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 en la red es inestable, el cuello de botella en la sincronización de gradientes es evidente
• Ejecución confiable faltante: 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 retroceso de excepciones es complejo

La capacitación en Descentralización se puede entender como: un grupo de voluntarios de todo el mundo, cada uno contribuyendo con potencia de cálculo para colaborar en el entrenamiento del modelo, pero "la verdadera Descentralización a gran escala que es viable" sigue siendo un desafío ingenieril sistemático, que implica múltiples niveles como arquitectura del sistema, protocolos de comunicación, seguridad criptográfica, mecanismos económicos, y validación del modelo. Sin embargo, si se puede lograr "colaboración efectiva + incentivos para la honestidad + resultados correctos" todavía se encuentra en la etapa de exploración de prototipos tempranos.

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 priorizan el cumplimiento de la privacidad, como la medicina y las finanzas (. El aprendizaje federado posee la estructura de ingeniería del entrenamiento distribuido y la capacidad de colaboración local, al mismo tiempo que mantiene la ventaja de la dispersión de datos del entrenamiento descentralizado, pero aún depende de un coordinador de confianza y no posee las características de apertura total y resistencia 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, siendo más adecuada como una arquitectura de implementación transitoria en la industria.

![El Santo Grial de Crypto AI: Exploración de vanguardia en entrenamiento Descentralización])https://img-cdn.gateio.im/webp-social/moments-a8004f094fff74515470052b3a24617c.webp(

Descentralización entrenamiento de los límites, oportunidades y caminos reales

Desde la perspectiva del paradigma de entrenamiento, la Descentralización del entrenamiento no es adecuada para todos los tipos de tareas. En ciertos escenarios, debido a la complejidad de la estructura de la tarea, la alta demanda de recursos o la dificultad de colaboración, no es naturalmente adecuada para completarse de manera eficiente entre nodos heterogéneos y de confianza. Por ejemplo, el entrenamiento de modelos grandes a menudo depende de una alta memoria de video, baja latencia y un ancho de banda alto, lo que dificulta la segmentación y sincronización efectivas en una red abierta; tareas con fuertes restricciones de privacidad y soberanía de datos ), como las de salud, finanzas y datos confidenciales (, están restringidas por la conformidad legal y las restricciones éticas, lo que impide su apertura y compartición; mientras que tareas ) que carecen de incentivos de colaboración, como el modelo de código cerrado de la empresa o el entrenamiento de prototipos internos (, carecen de motivación externa para la participación. Estas fronteras constituyen conjuntamente las limitaciones reales del entrenamiento descentralizado actual.

Pero esto no significa que la formación descentralizada sea un falso dilema. De hecho, en tipos de tareas que son ligeras en estructura, fáciles de paralelizar y que pueden ser incentivadas, la formación descentralizada muestra perspectivas de aplicación claras. Incluyendo, pero no limitado a: ajuste fino de LoRA, tareas de post-entrenamiento de alineación de comportamiento ) como RLHF, DPO (, tareas de entrenamiento y etiquetado mediante crowdsourcing de datos, entrenamiento de modelos básicos pequeños con recursos controlables, así como escenarios de entrenamiento colaborativo que involucran dispositivos de borde. Estas tareas generalmente tienen características de alta paralelización, baja acoplamiento y tolerancia a diferentes potencias de cómputo, lo que las hace muy adecuadas para la formación colaborativa a través de redes P2P, protocolos Swarm, optimizadores distribuidos, entre otros.

![El Santo Grial de Crypto AI: Exploraciones de vanguardia en la Descentralización del entrenamiento])https://img-cdn.gateio.im/webp-social/moments-adb92bc4dfbaf26863cb0b4bb1081cd7.webp(

Descentralización entrenamiento clásico de proyectos análisis

Actualmente, en el campo de vanguardia de la Descentralización de entrenamiento y aprendizaje federado, los proyectos de blockchain más representativos incluyen Prime Intellect, Pluralis.ai, Gensyn, Nous Research y Flock.io. Desde la perspectiva de innovación tecnológica y dificultad de implementación, Prime Intellect, Nous Research y Pluralis.ai han propuesto muchas 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 ver los primeros avances en la ingeniería. Este artículo analizará sucesivamente las tecnologías clave y la arquitectura de ingeniería detrás de estos cinco proyectos, y explorará además 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 que no requiere confianza, permitiendo que cualquier persona participe en el entrenamiento y reciba recompensas confiables por sus contribuciones computacionales. Prime Intellect espera construir un sistema de entrenamiento de IA descentralizado con verificabilidad, apertura y un mecanismo de incentivos completo a través de los tres módulos PRIME-RL + TOPLOC + SHARDCAST.

01、Estructura del stack de protocolos Prime Intellect y valor de los módulos clave

![El Santo Grial de Crypto AI: Exploración de vanguardia en entrenamiento Descentralización]###https://img-cdn.gateio.im/webp-social/moments-69eb6c2dab3d6284b890285c71e7a47f.webp(

)# 02、Explicación detallada del mecanismo clave de entrenamiento de Prime Intellect

PRIME-RL: Arquitectura de tareas de aprendizaje por refuerzo 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 participación asíncrona. Utiliza el aprendizaje por refuerzo como objeto de adaptación preferente, desacoplando estructuralmente los procesos de entrenamiento, inferencia y carga de pesos, permitiendo que cada nodo de entrenamiento complete de manera independiente el ciclo de tareas de forma local y colabore a través de interfaces estandarizadas con mecanismos de validación y agregación. En comparación con el proceso de aprendizaje supervisado tradicional, PRIME-RL es más adecuado para implementar entrenamiento flexible en un entorno 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###Observación Confiable y Verificación de Política-Localidad( 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 del modelo completo, sino que completa la verificación de estructura ligera analizando la trayectoria de consistencia local entre "secuencia de observación ↔ actualización de estrategia". Por primera vez, transforma la trayectoria de comportamiento durante el proceso de entrenamiento en un objeto verificable, lo que representa una innovación clave para lograr una asignación de recompensas de entrenamiento sin necesidad de confianza, y proporciona un camino viable para construir una red de entrenamiento colaborativo descentralizada que sea auditable e incentivada.

SHARDCAST: Protocolo de agregación y propagación de pesos asíncronos

SHARDCAST es el protocolo de propagación y agregación de pesos diseñado por Prime Intellect, optimizado específicamente para entornos de red reales que son asíncronos, con ancho de banda limitado y estados de nodos variables. Combina un mecanismo de propagación de gossip con estrategias de sincronización local, permitiendo que múltiples nodos continúen enviando 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 capacidad de tolerancia a fallos del entrenamiento descentralizado, siendo la base fundamental para construir un consenso de pesos estable y para la iteración de entrenamiento continua.

OpenDiLoCo: Marco de comunicación asíncrona escasa

OpenDiLoCo es un marco de optimización de comunicación implementado de manera independiente y de código abierto por el equipo de Prime Intellect, basado en la filosofía DiLoCo propuesta por DeepMind, diseñado específicamente para enfrentar los desafíos comunes de limitación de ancho de banda, heterogeneidad de dispositivos y inestabilidad de nodos en el entrenamiento descentralizado. Su arquitectura se basa en la paralelización de datos, construyendo estructuras topológicas dispersas como Ring, Expander y Small-World, evitando los altos costos de comunicación de la sincronización global, y completando el entrenamiento colaborativo del modelo confiando únicamente en los nodos vecinos locales. Combinando actualizaciones asíncronas y un mecanismo de tolerancia a fallos, OpenDiLoCo permite que las GPU de consumo y los dispositivos de borde también participen de manera estable en las tareas de entrenamiento, mejorando significativamente la capacidad de participación en el entrenamiento colaborativo global, siendo una de las infraestructuras de comunicación clave para construir redes de entrenamiento descentralizado.

PCCL: Biblioteca de Comunicación Colaborativa

PCCL)Prime Collective Communication Library( es una biblioteca de comunicación ligera diseñada por Prime Intellect para un entorno de entrenamiento de IA Descentralización, destinada a resolver los cuellos de botella de adaptación en dispositivos heterogéneos y redes de bajo ancho de banda que presentan bibliotecas de comunicación tradicionales) como NCCL y Gloo(. PCCL admite topologías dispersas, compresión de gradientes, sincronización de baja precisión y recuperación de puntos de control, puede ejecutarse en GPU de nivel de consumo y nodos inestables, siendo el componente subyacente que respalda la capacidad de comunicación asíncrona del protocolo OpenDiLoCo. Mejora significativamente la tolerancia al ancho de banda de la red de entrenamiento y la compatibilidad del dispositivo, abriendo la "última milla" de la infraestructura de comunicación para construir una red de entrenamiento colaborativo verdaderamente abierta y sin confianza.

![El santo grial de Crypto AI: exploración de vanguardia en entrenamiento descentralizado])https://img-cdn.gateio.im/webp-social/moments-b11af8d10db6e8baa0c19e87aa18dd82.webp(

)# 03、Red de incentivos Prime Intellect 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 recibir recompensas basadas en contribuciones reales. El protocolo funciona sobre 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 observar trayectorias
• Nodos de validación: utilizar el mecanismo TOPLOC para verificar la autenticidad 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 entrenamientos de Descentralización])https://img-cdn.gateio.im/webp-social/moments-0a322ea8b70c3d00d8d99606559c1864.webp(

)# 04, INTELLECT-2: Lanzamiento del primer modelo de entrenamiento descentralizado verificable

Prime Intellect lanzó INTELLECT-2 en mayo de 2025, que es el primer sistema del mundo basado en la descentralización.