O Santo Graal da Crypto AI: Exploração na vanguarda do treinamento Descentralização

Na cadeia de valor total da IA, o treinamento de modelos é a etapa que consome mais recursos e tem a maior barreira técnica, determinando diretamente o limite de capacidade do modelo e os efeitos práticos da aplicação. Em comparação com a chamada leve na fase de inferência, o processo de treinamento requer um investimento contínuo de grande escala em poder de computação, processos complexos de manipulação de dados e suporte de algoritmos de otimização de alta intensidade, sendo a verdadeira "indústria pesada" na construção de sistemas de IA. Do ponto de vista dos paradigmas de arquitetura, os métodos de treinamento podem ser divididos em quatro categorias: treinamento centralizado, treinamento distribuído, aprendizado federado e treinamento descentralizado, que é o foco principal deste artigo.

O treinamento centralizado é a forma tradicional mais comum, realizado por uma única entidade em um cluster de alto desempenho local, onde todo o processo de treinamento, desde hardware, software de base, sistema de agendamento de cluster, até todos os componentes do framework de treinamento, é coordenado por um sistema de controle unificado. Essa arquitetura de profunda colaboração permite que a eficiência do compartilhamento de memória, sincronização de gradientes e mecanismos de tolerância a falhas atinja o seu melhor, sendo muito adequada para o treinamento de modelos em larga escala como GPT e Gemini, apresentando vantagens de alta eficiência e recursos controláveis, mas ao mesmo tempo enfrentando problemas como monopólio de dados, barreiras de recursos, consumo de energia e riscos de ponto único.

O treinamento distribuído é a principal forma de treinamento de grandes modelos atualmente, e seu núcleo é dividir as tarefas de treinamento do modelo e distribuí-las para várias máquinas que executam em conjunto, a fim de superar os gargalos de computação e armazenamento em uma única máquina. Embora possua características "distribuídas" em termos físicos, o todo ainda é controlado e agendado por instituições centralizadas que sincronizam frequentemente em um ambiente de rede local de alta velocidade, utilizando a tecnologia de barramento de interconexão de alta velocidade NVLink, com o nó principal coordenando uniformemente as subtarefas. Os métodos principais incluem:

• Paralelismo de dados: cada nó treina diferentes dados com parâmetros compartilhados, é necessário corresponder os pesos do modelo
• Paralelismo de modelo: implantar diferentes partes do modelo em diferentes nós, alcançando forte escalabilidade
• Pipeline em paralelo: execução em série faseada, aumentando a taxa de transferência
• Paralelismo de Tensor: Segmentação refinada do cálculo de matrizes, aumentando o grau de paralelismo

O treinamento distribuído é uma combinação de "controle centralizado + execução distribuída", semelhante a um mesmo chefe a comandar remotamente a cooperação de vários funcionários de "escritórios" para completar tarefas. Atualmente, quase todos os principais modelos grandes são treinados dessa maneira.

A Descentralização do treinamento representa um caminho futuro com mais abertura e características de resistência à censura. Sua característica central é: múltiplos nós que não confiam uns nos outros ( podem ser computadores pessoais, GPUs em nuvem ou dispositivos de borda ) que colaboram para completar tarefas de treinamento sem um coordenador central, geralmente através de protocolos que impulsionam a distribuição de tarefas e colaboração, e usando mecanismos de incentivo criptográfico para garantir a honestidade das contribuições. Os principais desafios enfrentados por esse modelo incluem:

• Dificuldade na heterogeneidade e segmentação de dispositivos: alta dificuldade na coordenação de dispositivos heterogêneos, baixa eficiência na segmentação de tarefas
• Gargalo de eficiência de comunicação: comunicação de rede instável, gargalo de sincronização de gradientes evidente
• Execução confiável ausente: falta de um ambiente de execução confiável, dificultando a verificação se os nós realmente participam do cálculo
• Falta de coordenação unificada: sem um despachador central, a distribuição de tarefas e o mecanismo de reversão de anomalias são complexos

A formação descentralizada pode ser entendida como: um grupo de voluntários globais, cada um contribuindo com poder de cálculo para treinar o modelo em colaboração, mas "a verdadeira formação descentralizada em grande escala que é viável" ainda representa um desafio de engenharia sistêmica, envolvendo arquitetura de sistema, protocolos de comunicação, segurança criptográfica, mecanismos econômicos, validação de modelos e vários outros níveis, mas a questão de saber se "colaboração eficaz + incentivo à honestidade + resultados corretos" ainda está em uma fase inicial de exploração de protótipos.

O aprendizado federado, como uma forma de transição entre distribuído e Descentralização, enfatiza a retenção local de dados e a agregação centralizada de parâmetros do modelo, sendo adequado para cenários que priorizam a conformidade com a privacidade, como saúde e finanças (. O aprendizado federado possui a estrutura de engenharia do treinamento distribuído e a capacidade de colaboração local, ao mesmo tempo em que possui a vantagem da dispersão de dados do treinamento Descentralizado, mas ainda depende de partes confiáveis de coordenação e não possui características de total abertura e resistência à censura. Pode ser visto como uma solução de "Descentralização controlada" em cenários de conformidade com a privacidade, sendo relativamente moderado em termos de tarefas de treinamento, estrutura de confiança e mecanismos de comunicação, sendo mais adequado como uma arquitetura de implantação transitória na indústria.

![Crypto AI的圣杯：Descentralização训练的前沿探索])https://img-cdn.gateio.im/webp-social/moments-54f873467039017a5be1545c4b2aa6b5.webp(

Descentralização treinamento das fronteiras, oportunidades e caminhos reais

Do ponto de vista do paradigma de treinamento, a Descentralização do treinamento não é adequada para todos os tipos de tarefas. Em certos cenários, devido à complexidade da estrutura da tarefa, à alta demanda por recursos ou à grande dificuldade de colaboração, ela não é naturalmente adequada para ser concluída de forma eficiente entre nós heterogêneos e sem confiança. Por exemplo, o treinamento de grandes modelos geralmente depende de alta memória, baixa latência e largura de banda alta, sendo difícil realizar cortes e sincronizações eficazes em uma rede aberta; tarefas com forte privacidade de dados e restrições de soberania estão limitadas por conformidade legal e restrições éticas, não podendo ser compartilhadas abertamente; e tarefas que carecem de uma base de incentivo à colaboração carecem de motivação externa para participação. Essas fronteiras juntas constituem as limitações reais do treinamento descentralizado atualmente.

Mas isso não significa que a Descentralização do treinamento seja um falso dilema. Na verdade, em tipos de tarefas que são leves em estrutura, fáceis de paralelizar e que podem ser incentivadas, a Descentralização do treinamento mostra perspectivas de aplicação claras. Incluindo, mas não se limitando a: ajuste fino LoRA, tarefas de treinamento pós-alinhamento comportamental ) como RLHF, DPO(, tarefas de treinamento e rotulagem por crowdsourcing de dados, treinamento de pequenos modelos básicos com controle de recursos, e cenários de treinamento colaborativo com a participação de dispositivos de borda. Essas tarefas geralmente possuem alta paralelização, baixa acoplamento e são tolerantes a heterogeneidade de poder computacional, sendo muito adequadas para treinamento colaborativo através de redes P2P, protocolos Swarm, otimizadores distribuídos, entre outros.

![O Santo Graal do Crypto AI: Exploração de Fronteira em Treinamento Descentralização])https://img-cdn.gateio.im/webp-social/moments-a8004f094fff74515470052b3a24617c.webp(

Descentralização treinamento clássicos projetos análise

Atualmente, na vanguarda dos campos de treinamento descentralizado e aprendizado federado, os principais projetos de blockchain representativos incluem Prime Intellect, Pluralis.ai, Gensyn, Nous Research e Flock.io. Do ponto de vista da inovação tecnológica e da dificuldade de implementação de engenharia, Prime Intellect, Nous Research e Pluralis.ai propuseram muitas explorações originais em arquitetura de sistema e design de algoritmos, representando as direções de pesquisa teórica na vanguarda atual; enquanto Gensyn e Flock.io têm caminhos de implementação relativamente claros, já sendo possível observar progressos iniciais em engenharia. Este artigo irá analisar sequencialmente as tecnologias centrais e as arquiteturas de engenharia por trás desses cinco projetos, e explorar ainda mais suas diferenças e relações complementares no sistema de treinamento de IA descentralizado.

) Prime Intellect: Trajetórias de treinamento verificáveis de redes colaborativas de aprendizado reforçado pioneiras

A Prime Intellect está empenhada em construir uma rede de treinamento de IA sem necessidade de confiança, permitindo que qualquer pessoa participe do treinamento e receba recompensas confiáveis por suas contribuições computacionais. A Prime Intellect pretende desenvolver um sistema de treinamento de IA descentralizado, com verificabilidade, abertura e um mecanismo de incentivos completo, através dos três módulos PRIME-RL + TOPLOC + SHARDCAST.

01、Estrutura da pilha de protocolos Prime Intellect e valor dos módulos chave

![O Santo Graal da Crypto AI: Exploração na vanguarda do treinamento descentralizado]###https://img-cdn.gateio.im/webp-social/moments-adb92bc4dfbaf26863cb0b4bb1081cd7.webp(

)# 02, Explicação detalhada dos mecanismos chave de treinamento do Prime Intellect

PRIME-RL: Arquitetura de Tarefas de Aprendizagem por Reforço Assíncrona Desacoplada

PRIME-RL é uma estrutura de modelagem e execução de tarefas personalizada pela Prime Intellect para cenários de Descentralização, projetada especificamente para redes heterogêneas e participação assíncrona. Ele utiliza aprendizado por reforço como objeto de adaptação prioritária, desconectando estruturalmente os processos de treinamento, inferência e upload de pesos, permitindo que cada nó de treinamento complete ciclos de tarefas de forma independente em local e colabore com mecanismos de validação e agregação através de interfaces padronizadas. Em comparação com processos tradicionais de aprendizado supervisionado, o PRIME-RL é mais adequado para implementar treinamento flexível em ambientes sem agendamento centralizado, reduzindo a complexidade do sistema e estabelecendo uma base para suportar paralelismo de múltiplas tarefas e evolução de estratégias.

TOPLOC:Mecanismo de verificação de comportamento de treino leve

TOPLOC###Observação Confiável & Verificação de Localidade( é um mecanismo central de verificabilidade de treinamento proposto pela Prime Intellect, usado para determinar se um nó realmente completou o aprendizado de estratégias efetivas com base nos dados de observação. Diferente de soluções pesadas como ZKML, o TOPLOC não depende do recálculo do modelo completo, mas sim da análise da trajetória de consistência local entre "sequência de observação ↔ atualização de estratégia" para completar a verificação de estrutura leve. Ele transforma pela primeira vez a trajetória de comportamento durante o processo de treinamento em um objeto verificável, sendo a inovação chave para a distribuição de recompensas de treinamento sem necessidade de confiança, proporcionando um caminho viável para a construção de uma rede de treinamento colaborativo descentralizada, auditável e incentivada.

SHARDCAST: Protocolo de Agregação e Propagação de Peso Assíncrono

SHARDCAST é um protocolo de propagação e agregação de pesos projetado pela Prime Intellect, otimizado para ambientes de rede reais que são assíncronos, com largura de banda limitada e estados de nó variáveis. Ele combina um mecanismo de propagação gossip com uma estratégia de sincronização local, permitindo que múltiplos nós submetam continuamente partes de atualizações em estados não sincronizados, realizando a convergência progressiva dos pesos e a evolução de múltiplas versões. Comparado aos métodos centralizados ou síncronos de AllReduce, SHARDCAST melhora significativamente a escalabilidade e a tolerância a falhas do treinamento Descentralização, sendo a base fundamental para a construção de um consenso de pesos estável e iterações de treinamento contínuas.

OpenDiLoCo: Estrutura de Comunicação Assíncrona Espessa

OpenDiLoCo é uma estrutura de otimização de comunicação independente e de código aberto, implementada pela equipe Prime Intellect com base no conceito DiLoCo, projetada especificamente para enfrentar desafios comuns em treinamentos descentralizados, como largura de banda limitada, heterogeneidade de dispositivos e instabilidade de nós. Sua arquitetura é baseada em paralelismo de dados, evitando o alto custo de comunicação da sincronização global ao construir topologias esparsas como Ring, Expander e Small-World, completando o treinamento colaborativo do modelo apenas com a dependência de nós vizinhos locais. Combinando atualizações assíncronas e um mecanismo de tolerância a falhas, OpenDiLoCo permite que GPUs de consumo e dispositivos de borda participem de forma estável nas tarefas de treinamento, aumentando significativamente a participação na colaboração global em treinamentos, sendo uma das infraestruturas de comunicação-chave para a construção de uma rede de treinamentos descentralizados.

PCCL: Biblioteca de Comunicação Colaborativa

PCCL)Prime Collective Communication Library( é uma biblioteca de comunicação leve desenvolvida pela Prime Intellect para um ambiente de treinamento de IA descentralizado, com o objetivo de resolver os gargalos de adaptação das bibliotecas de comunicação tradicionais em dispositivos heterogêneos e redes de baixa largura de banda. O PCCL suporta topologias esparsas, compressão de gradientes, sincronização de baixa precisão e recuperação de ponto de verificação, podendo ser executado em GPUs de consumo e em nós instáveis, sendo o componente subjacente que apoia a capacidade de comunicação assíncrona do protocolo OpenDiLoCo. Ele melhora significativamente a tolerância à largura de banda da rede de treinamento e a compatibilidade dos dispositivos, abrindo o "último quilômetro" da infraestrutura de comunicação para construir uma rede de treinamento colaborativo verdadeiramente aberta e sem confiança.

![O Santo Graal da Crypto AI: Exploração na Fronteira do Treinamento Descentralizado])https://img-cdn.gateio.im/webp-social/moments-69eb6c2dab3d6284b890285c71e7a47f.webp(

)# 03, Rede de Incentivo Prime Intellect e Distribuição de Funções

A Prime Intellect construiu uma rede de treinamento sem permissão, verificável e com um mecanismo de incentivos econômicos, permitindo que qualquer pessoa participe de tarefas e receba recompensas com base em contribuições reais. O protocolo opera com base em três tipos de papéis centrais:

• Iniciador da tarefa: definir o ambiente de treino, modelo inicial, função de recompensa e critérios de validação
• Nós de treino: executar treino local, submeter atualizações de pesos e trajetórias de observação
• Nós de validação: usar o mecanismo TOPLOC para verificar a autenticidade do comportamento de treinamento e participar do cálculo de recompensas e agregação de estratégias

O fluxo central do protocolo inclui a publicação de tarefas, treinamento de nós, validação de trajetórias, agregação de pesos ###SHARDCAST( e distribuição de recompensas, formando um ciclo de incentivo em torno de "comportamento de treinamento real".

![Crypto AI的圣杯：Descentralização训练的前沿探索])https://img-cdn.gateio.im/webp-social/moments-b11af8d10db6e8baa0c19e87aa18dd82.webp(

)# 04, INTELLECT-2: Lançamento do primeiro modelo de treinamento descentralizado e verificável

A Prime Intellect lançou o INTELLECT-2 em maio de 2025, que é o primeiro grande modelo de aprendizado por reforço do mundo treinado por nós descentralizados, assíncronos e sem confiança. O modelo INTELLECT-2 foi treinado colaborativamente por mais de 100 nós heterogêneos de GPU espalhados por três continentes, utilizando uma arquitetura completamente assíncrona, com mais de 400 horas de treinamento, demonstrando a viabilidade e estabilidade de uma rede de colaboração assíncrona. Este modelo não é apenas um marco em termos de desempenho, mas também representa o paradigma "treinamento é consenso" proposto pela Prime Intellect.