Le Saint Graal de Crypto AI : exploration de pointe de la formation décentralisée

Dans l'ensemble de la chaîne de valeur de l'IA, l'entraînement des modèles est la phase la plus consommatrice de ressources et celle avec le plus haut seuil technologique, déterminant directement la capacité maximale des modèles et l'efficacité de leur application réelle. 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 de données complexes et un soutien d'algorithmes d'optimisation intensifs, constituant le véritable "heavy industry" de la construction des systèmes d'IA. D'un point de vue architectural, les méthodes d'entraînement peuvent être classées en quatre catégories : entraînement centralisé, entraînement distribué, apprentissage fédéré et entraînement décentralisé, qui est le sujet central de cet article.

L'entraînement centralisé est la méthode traditionnelle la plus courante, réalisée par une seule institution au sein d'un cluster haute performance local, où tous les processus d'entraînement, depuis le matériel, le logiciel de base, le système de gestion de cluster jusqu'à tous les composants du cadre d'entraînement, sont coordonnés par un système de contrôle unifié. Cette architecture de collaboration profonde permet d'optimiser l'efficacité du partage de mémoire, de la synchronisation des gradients et des mécanismes de tolérance aux pannes, ce qui la rend très adaptée 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 le risque de point unique.

L'entraînement distribué est la méthode dominante pour l'entraînement de grands modèles actuellement. Son principe fondamental consiste à décomposer les tâches d'entraînement du modèle et à les répartir sur plusieurs machines pour une exécution collaborative, afin de surmonter les limitations de calcul et de stockage d'un seul appareil. Bien qu'elle présente des caractéristiques "distribuées" sur le plan physique, l'ensemble reste contrôlé, planifié et synchronisé par une institution centralisée, fonctionnant souvent dans un environnement de réseau local à haute vitesse, utilisant la technologie de bus interconnexion haute vitesse NVLink, avec un nœud principal coordonnant uniformément les sous-tâches. Les méthodes dominantes incluent :

• Données parallèles : chaque nœud entraîne différents paramètres de données partagés, nécessitant une correspondance des poids du modèle.
• Parallélisme de modèle : déployer différentes parties du modèle sur différents nœuds pour réaliser une forte extensibilité.
• Pipeline parallèle : exécution séquentielle en plusieurs étapes, augmentation du débit
• Parallélisme tensoriel : segmentation fine du calcul matriciel, amélioration du degré de parallélisme

L'entraînement distribué est une combinaison de "contrôle centralisé + exécution distribuée", comparable à un même patron dirigeant à distance plusieurs employés de "bureaux" collaborant pour accomplir une tâche. Actuellement, presque tous les grands modèles dominants (GPT-4, Gemini, LLaMA, etc. ) sont entraînés de cette manière.

La formation décentralisée représente un chemin futur plus ouvert et résistant à la censure. Ses caractéristiques essentielles sont les suivantes : plusieurs nœuds qui ne se font pas confiance, (, peuvent être des ordinateurs personnels, des GPU cloud ou des dispositifs en périphérie, ), qui collaborent pour accomplir des tâches de formation sans coordinateur central, généralement par le biais de protocoles qui pilotent la distribution et la coopération des tâches, et en utilisant des mécanismes d'incitation cryptographiques pour garantir l'honnêteté des contributions. Les principaux défis auxquels ce modèle est confronté incluent :

• Hétérogénéité des dispositifs et difficulté de découpage : la coordination des dispositifs hétérogènes est difficile, l'efficacité du découpage des tâches est faible.
• Goulot d'étranglement de l'efficacité de communication : communication réseau instable, goulot d'étranglement de synchronisation de gradient évident
• Exécution fiable manquante : manque d'environnement d'exécution fiable, difficile de vérifier si les nœuds participent réellement au calcul.
• Manque de coordination unifiée : pas de répartiteur central, distribution des tâches et mécanisme de rollback des exceptions complexe

L'entraînement décentralisé peut être compris comme : un groupe de bénévoles du monde entier contribuant chacun leur puissance de calcul pour entraîner un modèle de manière collaborative, mais "un véritable entraînement décentralisé à grande échelle réalisable" reste un défi d'ingénierie systémique, impliquant architecture système, protocoles de communication, sécurité cryptographique, mécanismes économiques, validation de modèles et plusieurs autres niveaux. Cependant, la question de savoir si cela peut être "collaboratif et efficace + inciter à l'honnêteté + 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 préservation des données localement et l'agrégation centralisée des paramètres du modèle, ce qui le rend adapté aux scénarios axés sur la conformité en matière de confidentialité, comme dans le domaine médical et financier. L'apprentissage fédéré possède une structure d'ingénierie d'entraînement distribué et des capacités de collaboration locale, tout en bénéficiant de l'avantage de la répartition des données dans l'entraînement décentralisé, mais il dépend toujours d'un acteur de coordination de confiance et ne possède pas de caractéristiques totalement ouvertes et résistantes à la censure. Il peut être considéré comme une solution "de Décentralisation contrôlée" dans des scénarios de conformité en matière de confidentialité, avec des tâches d'entraînement, une structure de confiance et des mécanismes de communication relativement modérés, ce qui le rend plus approprié en tant qu'architecture de déploiement transitoire pour l'industrie.

Décentralisation des limites, des opportunités et des chemins réalistes de l'entraînement

D'un point de vue des paradigmes 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 collaboration, elle n'est naturellement pas adaptée pour être réalisée de manière efficace entre des nœuds hétérogènes et non fiables. Par exemple, l'entraînement de grands modèles dépend souvent de la haute mémoire vidéo, de la faible latence et de la bande passante élevée, ce qui rend difficile leur découpage et leur synchronisation efficaces dans un réseau ouvert ; les tâches avec de fortes restrictions sur la confidentialité des données et la souveraineté, telles que ( dans le domaine médical, financier, et les données sensibles ), sont limitées par des contraintes juridiques et éthiques, ce qui empêche le partage ouvert ; tandis que les tâches qui manquent de motivation à la collaboration, comme ( l'entraînement de modèles propriétaires d'entreprise ou de prototypes internes ), manquent de dynamisme externe. Ces frontières constituent ensemble les limitations réelles de l'entraînement décentralisé actuel.

Mais cela ne signifie pas que l'entraînement décentralisé est un faux problème. En fait, dans les types de tâches légères, facilement parallélisables et incitatives, 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-formation alignées sur le comportement comme RLHF, DPO(, les tâches d'entraînement et d'annotation via la foule de données, l'entraînement de petits modèles de base avec des ressources contrôlables, ainsi que les scénarios d'entraînement collaboratif impliquant des dispositifs périphériques. Ces tâches possèdent 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 Crypto AI : exploration à la 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 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 technologique et de difficulté de mise en œuvre, Prime Intellect, Nous Research et Pluralis.ai ont proposé de nombreuses explorations originales en matière d'architecture système et de conception d'algorithmes, représentant les directions de recherche théorique à la pointe actuelle ; tandis que les chemins de mise en œuvre de Gensyn et Flock.io sont relativement clairs, avec des progrès d'ingénierie préliminaires déjà visibles. 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 cadre des systèmes d'entraînement AI décentralisés.

) Prime Intellect : un pionnier des réseaux collaboratifs d'apprentissage renforcé vérifiables par les trajectoires d'entraînement

Prime Intellect s'engage à construire un réseau de formation IA sans confiance, permettant à quiconque de participer à la formation et d'obtenir des récompenses fiables pour sa contribution computationnelle. Prime Intellect souhaite, à travers les trois modules PRIME-RL + TOPLOC + SHARDCAST, construire un système d'entraînement IA décentralisé, avec vérifiabilité, ouverture et mécanisme d'incitation complet.

(# 01、Structure de la pile de protocoles Prime Intellect et valeur des modules clés

![Le Saint Graal de l'IA Crypto : Exploration à la pointe de l'entraînement décentralisé])https://img-cdn.gateio.im/webp-social/moments-69eb6c2dab3d6284b890285c71e7a47f.webp###

02, Explication détaillée 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 de tâches sur mesure pour des scénarios d'entraînement décentralisés, conçu par Prime Intellect, spécifiquement pour des réseaux hétérogènes et des participations asynchrones. Il utilise l'apprentissage par renforcement comme objet d'adaptation prioritaire, découplant structurellement les processus d'entraînement, d'inférence et de téléchargement de poids, permettant à chaque nœud d'entraînement d'accomplir indépendamment la boucle de tâches en local, et de collaborer via une interface normalisée avec des mécanismes de validation et d'agrégation. Par rapport aux processus d'apprentissage supervisé traditionnels, PRIME-RL est mieux adapté pour réaliser un entraînement flexible dans des environnements sans planification centrale, réduisant ainsi la complexité du système et posant les bases pour le soutien à des tâches parallèles multiples et à l'évolution des stratégies.

TOPLOC:Mécanisme de validation des comportements d'entraînement léger

TOPLOC(Observation de Confiance et Vérification de Localité) est un mécanisme central de vérifiabilité d'entraînement proposé par Prime Intellect, utilisé pour déterminer si un nœud a réellement complété 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 les trajectoires de cohérence locale entre "séquences d'observation ↔ mises à jour de stratégie" pour réaliser une vérification de structure légère. Il transforme pour la première fois les trajectoires comportementales durant le processus d'entraînement en objets vérifiables, ce qui constitue une innovation clé pour permettre une distribution de récompenses d'entraînement sans confiance, offrant une voie viable 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 nœuds changeants. Il combine un mécanisme de propagation gossip et une stratégie de synchronisation locale, permettant à plusieurs nœuds de soumettre en continu des mises à jour partielles dans des états désynchronisés, réalisant ainsi une convergence progressive des poids et une évolution multiversion. 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 une itération d'entraînement continue.

OpenDiLoCo: Cadre de communication asynchrone sparse

OpenDiLoCo est un cadre d'optimisation de communication développé et open source par l'équipe Prime Intellect, basé sur le concept DiLoCo proposé par DeepMind, spécialement conçu pour relever les défis courants tels que les limitations de bande passante, l'hétérogénéité des dispositifs et l'instabilité des nœuds dans l'entraînement décentralisé. Son architecture repose sur la parallélisation des données, en construisant des structures topologiques éparses telles que Ring, Expander, Small-World, évitant ainsi les coûts de communication élevés liés à la synchronisation globale, et permettant d'effectuer un entraînement collaboratif du modèle en se basant uniquement sur des nœuds voisins locaux. En combinant des mises à jour asynchrones et un mécanisme de tolérance aux pannes, OpenDiLoCo permet à des GPU grand public et à des dispositifs périphériques de participer de manière stable aux tâches d'entraînement, améliorant considérablement la participation à l'entraînement collaboratif à l'échelle mondiale, et constitue l'une des infrastructures de communication clés pour la construction d'un réseau d'entraînement décentralisé.

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 goulets d'étranglement d'adaptation des bibliothèques de communication traditionnelles ) telles que NCCL et Gloo( sur des appareils hétérogènes et des réseaux à faible bande passante. PCCL prend en charge la topologie éparse, la compression des gradients, la synchronisation de faible précision et la reprise après coupure, 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 des réseaux d'entraînement et la compatibilité des appareils, ouvrant la voie à la "dernière ligne droite" des infrastructures de communication pour construire un véritable réseau d'entraînement collaboratif ouvert et sans confiance.

![Le Saint Graal de l'IA Crypto : exploration de pointe de l'entraînement décentralisé])https://img-cdn.gateio.im/webp-social/moments-b11af8d10db6e8baa0c19e87aa18dd82.webp(

)# 03、Prime Intellect incitation réseau et répartition des rôles

Prime Intellect a construit un réseau d'entraînement sans autorisation, vérifiable et doté d'un mécanisme d'incitation économique, permettant à quiconque de participer à des tâches et d'obtenir des récompenses en fonction de contributions réelles. Le protocole fonctionne sur la base de trois rôles clés :

• Initiateur de la tâche : définir l'environnement d'entraînement, le modèle initial, la fonction de récompense et les critères de validation
• Nœud d'entraînement : exécuter un entraînement local, soumettre des mises à jour de poids et des trajectoires d'observation
• Nœuds de validation : utiliser le mécanisme TOPLOC pour vérifier la véracité des comportements d'entraînement et participer au calcul des récompenses et à l'agrégation des stratégies.

Le processus central du protocole comprend la publication des tâches, l'entraînement des nœuds, la vérification des trajectoires, l'agrégation des poids ( SHARDCAST ) et la distribution des récompenses, constituant un cercle incitatif autour du "comportement d'entraînement réel".

![Le Saint Graal de Crypto AI : Exploration de pointe de l'entraînement décentralisé]###https://img-cdn.gateio.im/webp-social/moments-0a322ea8b70c3d00d8d99606559c1864.webp(

)# 04, INTELLECT-2 : Publication du premier modèle d'entraînement décentralisé vérifiable

Prime Intellect a lancé INTELLECT-2 en mai 2025, le premier au monde basé sur des anomalies.