- Rubrique
89k Popularité
42k Popularité
14k Popularité
4k Popularité
5k Popularité
29k Popularité
16k Popularité
22k Popularité
13k Popularité
3k Popularité
- Épingler
89k Popularité
42k Popularité
14k Popularité
4k Popularité
5k Popularité
29k Popularité
16k Popularité
22k Popularité
13k Popularité
3k Popularité
Exploration à la pointe de l'entraînement IA décentralisé : de Prime Intellect à Pluralis
Décentralisation entraînement : Exploration du Saint Graal dans le domaine de l'IA
Dans la chaîne de valeur complète de l'IA, l'entraînement des modèles est l'étape la plus consommatrice de ressources et avec le plus haut niveau technique, déterminant directement la limite de capacité des modèles et l'effet d'application réel. Par rapport à l'appel léger de la phase d'inférence, le processus d'entraînement nécessite un investissement continu en puissance de calcul à grande échelle, des processus de traitement des données complexes et un soutien d'algorithmes d'optimisation intensifs, représentant le véritable "secteur lourd" de la construction des systèmes d'IA. D'un point de vue des paradigmes d'architecture, les méthodes d'entraînement peuvent être divisées en quatre catégories : entraînement centralisé, entraînement distribué, apprentissage fédéré et entraînement décentralisé, qui est le sujet principal de cet article.
L'entraînement centralisé est la méthode traditionnelle la plus courante, réalisée par une seule institution au sein de clusters haute performance locaux, où l'ensemble du processus d'entraînement, des composants matériels, des logiciels de base, du système de gestion de cluster jusqu'au cadre d'entraînement, est coordonné par un système de contrôle unifié. Cette architecture de coopération profonde permet d'optimiser l'efficacité du partage de mémoire, de la synchronisation des gradients et des mécanismes de tolérance aux pannes, ce qui est particulièrement adapté à l'entraînement de modèles à grande échelle comme GPT et Gemini, offrant des avantages en termes d'efficacité et de contrôle des ressources, mais présente également des problèmes tels que le monopole des données, les barrières à l'entrée, la consommation d'énergie et les risques de points de défaillance.
L'entraînement distribué est la méthode principale pour l'entraînement des grands modèles, son cœur étant de décomposer la tâche d'entraînement du modèle pour la distribuer à plusieurs machines qui exécutent la tâche en coopération, afin de surmonter les goulots d'étranglement en matière de calcul et de stockage sur une seule machine. Bien qu'il présente des caractéristiques "distribuées" sur le plan physique, l'ensemble est toujours contrôlé, planifié et synchronisé par une institution centralisée, fonctionnant souvent dans un environnement de réseau local à haute vitesse, utilisant la technologie de bus de connexion haute vitesse NVLink, où le nœud principal coordonne uniformément les sous-tâches. Les méthodes principales comprennent :
L'entraînement distribué est une combinaison de "contrôle centralisé + exécution distribuée", analogue à un même patron dirigeant à distance plusieurs employés de "bureau" pour collaborer à l'accomplissement d'une tâche. Actuellement, presque tous les grands modèles dominants sont entraînés de cette manière.
La formation décentralisée représente un chemin futur plus ouvert et résistant à la censure. Ses caractéristiques clés sont les suivantes : plusieurs nœuds qui ne se font pas confiance ( peuvent être des ordinateurs personnels, des GPU cloud ou des dispositifs edge ) travaillant ensemble sans coordonnateur central, généralement en utilisant des protocoles pour diriger la distribution des tâches et la coopération, tout en s'appuyant sur des mécanismes d'incitation cryptographique pour garantir l'honnêteté des contributions. Les principaux défis auxquels ce modèle est confronté comprennent :
La formation décentralisée peut être comprise comme : un groupe de bénévoles du monde entier, chacun contribuant à la puissance de calcul pour former le modèle de manière collaborative, mais "la véritable formation décentralisée à grande échelle vraiment réalisable" reste un défi d'ingénierie systémique, impliquant l'architecture système, les protocoles de communication, la sécurité cryptographique, les mécanismes économiques, la validation des modèles et plusieurs autres niveaux. Cependant, la question de savoir si cela peut être "collaboratif et efficace + inciter à l'honnêteté + produire des résultats corrects" est encore à un stade précoce d'exploration de prototypes.
L'apprentissage fédéré, en tant que forme de transition entre la distribution et la Décentralisation, met l'accent sur la conservation locale des données et l'agrégation centralisée des paramètres du modèle. Il est adapté aux scénarios axés sur la conformité à la vie privée, tels que la santé et la finance (. L'apprentissage fédéré possède une structure d'ingénierie pour l'entraînement distribué et des capacités de collaboration locale, tout en bénéficiant de l'avantage de la dispersion des données dans l'entraînement décentralisé. Cependant, il dépend toujours d'une partie coordonnatrice de confiance et ne possède pas des caractéristiques totalement ouvertes et résistantes à la censure. Il peut être considéré comme une solution de "Décentralisation contrôlée" dans les scénarios de conformité à la vie privée, avec des tâches d'entraînement, une structure de confiance et des mécanismes de communication relativement modérés, ce qui le rend plus adapté comme architecture de déploiement transitoire dans l'industrie.
Décentralisation des limites de la formation, opportunités et voies réalistes
D'un point de vue du paradigme d'entraînement, la Décentralisation de l'entraînement n'est pas adaptée à tous les types de tâches. Dans certains scénarios, en raison de la complexité de la structure des tâches, des besoins en ressources extrêmement élevés ou de la difficulté de la collaboration, elle n'est naturellement pas adaptée pour être réalisée efficacement entre des nœuds hétérogènes et de confiance. Par exemple, l'entraînement de grands modèles dépend souvent d'une mémoire vidéo élevée, d'une faible latence et d'une bande passante élevée, ce qui rend difficile la découpe et la synchronisation efficaces sur un réseau ouvert ; les tâches fortement contraintes par la confidentialité des données et la souveraineté sont limitées par la conformité légale et les contraintes éthiques, ce qui empêche le partage ouvert ; tandis que les tâches dépourvues de base d'incitation à la collaboration manquent de motivation externe à la participation. Ces frontières constituent ensemble les limites réelles de l'entraînement décentralisé actuel.
Mais cela ne signifie pas que l'entraînement décentralisé est une fausse proposition. En fait, dans des types de tâches légers, facilement parallélisables et incitatifs, l'entraînement décentralisé montre des perspectives d'application claires. Cela inclut, mais sans s'y limiter : le réglage fin LoRA, les tâches d'entraînement post-alignment comportemental ) telles que RLHF, DPO (, les tâches d'entraînement et d'annotation par crowdsourcing, l'entraînement de petits modèles de base contrôlables en ressources, ainsi que des scénarios d'entraînement collaboratif impliquant des dispositifs périphériques. Ces tâches présentent généralement des caractéristiques de haute parallélisabilité, de faible couplage et de tolérance à la puissance de calcul hétérogène, ce qui les rend très adaptées à l'entraînement collaboratif via des réseaux P2P, des protocoles Swarm, des optimisateurs distribués, etc.
![Le Saint Graal de l'IA Crypto : exploration de pointe de l'entraînement décentralisé])https://img-cdn.gateio.im/webp-social/moments-adb92bc4dfbaf26863cb0b4bb1081cd7.webp(
Décentralisation entraînement classique projet analyse
Actuellement, dans le domaine de pointe de la formation décentralisée et de l'apprentissage fédéré, les projets blockchain représentatifs incluent principalement Prime Intellect, Pluralis.ai, Gensyn, Nous Research et Flock.io. En termes d'innovation technique et de difficulté de mise en œuvre, Prime Intellect, Nous Research et Pluralis.ai ont proposé de nombreuses explorations originales dans l'architecture du système et la conception d'algorithmes, représentant les directions de recherche théorique à la pointe; tandis que les voies de mise en œuvre de Gensyn et Flock.io sont relativement claires, montrant des progrès d'ingénierie préliminaires. Cet article analysera successivement les technologies clés et les architectures d'ingénierie derrière ces cinq projets, et explorera davantage leurs différences et relations complémentaires dans le système de formation AI décentralisé.
) Prime Intellect : un pionnier des réseaux collaboratifs d'apprentissage renforcé vérifiables par la trajectoire d'entraînement.
Prime Intellect s'engage à construire un réseau d'entraînement AI sans confiance, permettant à quiconque de participer à l'entraînement et de recevoir des récompenses fiables pour ses contributions computationnelles. Prime Intellect espère créer un système d'entraînement AI décentralisé, vérifiable, ouvert et doté d'un mécanisme d'incitation complet grâce à trois modules : PRIME-RL + TOPLOC + SHARDCAST.
01、Structure de la pile de protocoles Prime Intellect et valeur des modules clés
![Saint Graal de Crypto AI : exploration de pointe de l'entraînement décentralisé]###https://img-cdn.gateio.im/webp-social/moments-69eb6c2dab3d6284b890285c71e7a47f.webp(
)# 02, Détails des mécanismes clés de formation de Prime Intellect
#PRIME-RL: Architecture de tâche de renforcement asynchrone découplée
PRIME-RL est un cadre de modélisation et d'exécution des tâches personnalisé par Prime Intellect pour des scénarios d'entraînement décentralisés, conçu spécifiquement pour des réseaux hétérogènes et des participants asynchrones. Il utilise l'apprentissage par renforcement comme objet d'adaptation prioritaire, déstructurant de manière systématique les processus d'entraînement, d'inférence et de téléchargement de poids, permettant à chaque nœud d'entraînement d'effectuer indépendamment la boucle de tâches localement et de collaborer via des interfaces normalisées avec des mécanismes de validation et d'agrégation. Par rapport aux processus d'apprentissage supervisé traditionnels, PRIME-RL est mieux adapté à la mise en œuvre d'un entraînement flexible dans un environnement sans planification centralisée, réduisant ainsi la complexité du système et posant les bases du soutien à la parallélisation des tâches multiples et à l'évolution des politiques.
#TOPLOC:Mécanisme de validation des comportements d'entraînement léger
TOPLOC###Observation de confiance et vérification de la localité( est un mécanisme central de vérifiabilité d'entraînement proposé par Prime Intellect, utilisé pour déterminer si un nœud a réellement effectué un apprentissage de stratégie efficace basé sur des données d'observation. Contrairement à des solutions lourdes comme ZKML, TOPLOC ne dépend pas du recalcul complet du modèle, mais analyse plutôt les trajectoires de cohérence locale entre "séquence d'observation ↔ mise à jour de stratégie" pour réaliser une vérification de structure légère. Il transforme pour la première fois les trajectoires de comportement pendant le processus d'entraînement en objets vérifiables, ce qui constitue une innovation clé pour réaliser une distribution de récompenses d'entraînement sans confiance, offrant une voie réalisable pour construire un réseau d'entraînement collaboratif décentralisé, auditable et incitatif.
#SHARDCAST: Protocole de propagation et d'agrégation de poids asynchrone
SHARDCAST est un protocole de propagation et d'agrégation de poids conçu par Prime Intellect, optimisé pour des environnements réseau réels asynchrones, à bande passante limitée et avec des états de nœud changeants. Il combine un mécanisme de propagation de type gossip et une stratégie de synchronisation locale, permettant à plusieurs nœuds de soumettre continuellement des mises à jour partielles dans des états non synchronisés, réalisant ainsi la convergence progressive des poids et l'évolution de plusieurs versions. Par rapport aux méthodes AllReduce centralisées ou synchronisées, SHARDCAST améliore considérablement l'évolutivité et la tolérance aux pannes de l'entraînement décentralisé, constituant la base essentielle pour établir un consensus de poids stable et pour l'itération continue de l'entraînement.
#OpenDiLoCo: Cadre de communication asynchrone sparse
OpenDiLoCo est un cadre d'optimisation de la communication, réalisé de manière indépendante et open source par l'équipe Prime Intellect sur la base du concept DiLoCo proposé par DeepMind. Il est spécialement conçu pour relever les défis courants tels que les limitations de bande passante, l'hétérogénéité des appareils et l'instabilité des nœuds dans l'entraînement décentralisé. Son architecture est basée sur la parallélisation des données, en construisant des structures topologiques éparses telles que Ring, Expander et Small-World, évitant ainsi les coûts de communication élevés liés à la synchronisation globale, et permettant l'entraînement collaboratif des modèles en ne s'appuyant que sur des nœuds voisins locaux. En combinant des mises à jour asynchrones et un mécanisme de tolérance aux pannes, OpenDiLoCo permet aux GPU grand public et aux appareils périphériques de participer de manière stable aux tâches d'entraînement, améliorant considérablement la participation à l'entraînement collaboratif mondial, et constitue l'une des infrastructures de communication clés pour la construction de réseaux d'entraînement décentralisés.
#PCCL: Bibliothèque de communication collaborative
PCCL)Prime Collective Communication Library( est une bibliothèque de communication légère conçue sur mesure par Prime Intellect pour un environnement d'entraînement AI décentralisé, visant à résoudre les goulots d'étranglement d'adaptation des bibliothèques de communication traditionnelles sur des dispositifs hétérogènes et des réseaux à faible bande passante. PCCL prend en charge la topologie éparse, la compression de gradient, la synchronisation à faible précision et la reprise à partir de points de contrôle, et peut fonctionner sur des GPU grand public et des nœuds instables, constituant le composant de base des capacités de communication asynchrone du protocole OpenDiLoCo. Il améliore considérablement la tolérance à la bande passante et la compatibilité des dispositifs du réseau d'entraînement, ouvrant ainsi la "dernière ligne droite" des infrastructures de communication pour construire un véritable réseau d'entraînement collaboratif ouvert et sans confiance.
)# 03、Prime Intellect incitation réseau et répartition des rôles
Prime Intellect a construit un réseau d'entraînement sans permission, vérifiable et doté d'un mécanisme d'incitation économique, permettant à quiconque de participer à des tâches et de recevoir des récompenses en fonction de contributions réelles. Le protocole fonctionne sur la base de trois catégories de rôles clés:
Le processus central de l'accord comprend la publication de tâches, l'entraînement des nœuds, la validation des trajectoires, l'agrégation des poids ###SHARDCAST( et la distribution des récompenses, formant un cycle d'incitation autour du "comportement d'entraînement réel".
![Le Saint Graal de Crypto AI : exploration à la pointe de l'entraînement décentralisé])https://img-cdn.gateio.im/webp-social/moments-b11af8d10db6e8baa0c19e87aa18dd82.webp(
)# 04, INTELLECT-2 : Lancement du premier modèle d'entraînement décentralisé vérifiable
Prime Intellect a lancé INTELLECT-2 en mai 2025, le premier grand modèle d'apprentissage par renforcement au monde formé par des nœuds décentralisés, asynchrones et sans confiance, avec une taille de paramètre atteignant 32B. Le modèle INTELLECT-2 a été formé en collaboration par plus de 100 nœuds hétérogènes GPU répartis sur trois continents, utilisant une architecture entièrement asynchrone, avec une durée d'entraînement de plus de 400 heures, démontrant la faisabilité et la stabilité du réseau de collaboration asynchrone. Ce modèle représente non seulement une percée en termes de performance, mais aussi la proposition de Prime Intellect ".