Descentralização treinamento: Exploração de um novo paradigma na área de IA

Na cadeia de valor total da inteligência artificial, o treinamento de modelos é a etapa que consome mais recursos e apresenta a maior barreira técnica, decidindo diretamente o limite de capacidade dos modelos e os efeitos práticos da aplicação. Comparado com a chamada leve da fase de inferência, o processo de treinamento exige um investimento contínuo de grande escala em poder computacional, um fluxo de processamento de dados complexo e suporte de algoritmos de otimização de alta intensidade, sendo a verdadeira "indústria pesada" na construção de sistemas de IA. Do ponto de vista do paradigma arquitetónico, os métodos de treinamento podem ser divididos em quatro categorias: treinamento centralizado, treinamento distribuído, aprendizado federado e o treinamento descentralizado, que será discutido em detalhe neste artigo.

O treinamento centralizado é a forma tradicional mais comum, realizado por uma única instituição em um cluster de alto desempenho local, onde todo o processo de treinamento, desde o 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 colaboração profunda maximiza a eficiência do compartilhamento de memória, sincronização de gradientes e mecanismos de tolerância a falhas, sendo muito adequada para o treinamento de modelos em larga escala como o GPT e o Gemini, apresentando vantagens de alta eficiência e controle de recursos, mas também enfrenta problemas como monopólio de dados, barreiras de recursos, consumo de energia e risco de ponto único.

O treinamento distribuído é a forma principal de treinamento de grandes modelos atualmente. Seu núcleo consiste em dividir a tarefa de treinamento do modelo e distribuí-la para várias máquinas para execução colaborativa, a fim de superar os gargalos de computação e armazenamento de uma única máquina. Embora fisicamente possua características de "descentralização", o todo ainda é controlado e agendado por uma entidade centralizada, frequentemente operando 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 sub-tarefas. Os métodos principais incluem:

• Paralelismo de dados: cada nó treina diferentes parâmetros de dados compartilhados, sendo necessário corresponder os pesos do modelo
• Paralelismo de modelos: implantar diferentes partes do modelo em diferentes nós, alcançando uma forte escalabilidade
• Pipeline paralela: execução em série por fases, aumentando a taxa de transferência
• Paralelismo de tensores: divisão refinada do cálculo matricial, aumentando a granularidade da paralelização

O treinamento distribuído é uma combinação de "controle centralizado + execução distribuída", semelhante a um mesmo chefe a comandar remotamente a colaboração de vários funcionários de "escritórios" para concluir tarefas. Atualmente, quase todos os principais grandes modelos (GPT-4, Gemini, LLaMA, etc. ) são treinados dessa forma.

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

• Dificuldade na heterogeneidade e divisão de dispositivos: a coordenação de dispositivos heterogêneos é difícil, a eficiência na divisão de tarefas é baixa
• Gargalo de eficiência de comunicação: comunicação de rede instável, gargalo de sincronização de gradiente evidente
• Falta de execução confiável: falta de um ambiente de execução confiável, dificultando a verificação se o nó realmente participa do cálculo.
• Falta de coordenação unificada: sem um despachador central, a distribuição de tarefas e os mecanismos de retrocesso de exceções são complexos.

A formação descentralizada pode ser entendida como: um grupo de voluntários globais, cada um contribuindo com poder de computação para treinar modelos de forma colaborativa, mas a "verdadeira formação descentralizada em larga escala viável" continua a ser um desafio sistemático de engenharia, envolvendo arquitetura de sistemas, protocolos de comunicação, segurança criptográfica, mecanismos econômicos, validação de modelos e outros vários níveis, mas a questão de saber se pode "colaborar de forma eficaz + incentivar a honestidade + garantir resultados corretos" ainda está na fase inicial de exploração de protótipos.

A aprendizagem federada, como uma forma de transição entre distribuído e Descentralização, enfatiza a retenção local de dados e a agregação centralizada de parâmetros de modelo, sendo adequada para cenários que priorizam a conformidade de privacidade, como saúde e finanças (. A aprendizagem federada possui a estrutura de engenharia do treinamento distribuído e a capacidade de colaboração local, ao mesmo tempo que oferece as vantagens da dispersão de dados do treinamento Descentralização, mas ainda depende de uma parte confiável de coordenação, não apresentando características totalmente abertas e resistentes à censura. Pode ser vista como uma solução de "Descentralização controlada" em cenários de conformidade de privacidade, sendo relativamente moderada em termos de tarefas de treinamento, estrutura de confiança e mecanismos de comunicação, sendo mais adequada como uma arquitetura de implantação transitória na indústria.

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, às altas demandas de recursos ou à dificuldade de colaboração, não é naturalmente apropriada para ser realizada de forma eficiente entre nós heterogêneos e sem confiança. Por exemplo, o treinamento de grandes modelos geralmente depende de alta memória, baixa latência e alta largura de banda, sendo difícil de dividir e sincronizar efetivamente em uma rede aberta; tarefas ) com fortes restrições de privacidade e soberania de dados, como saúde, finanças e dados confidenciais (, são limitadas por conformidade legal e restrições éticas, não podendo ser compartilhadas abertamente; e tarefas ) que carecem de incentivos de colaboração, como modelos fechados de empresas ou treinamento interno de protótipos (, carecem de motivação para a participação externa. Essas fronteiras constituem as limitações reais do treinamento descentralizado atualmente.

Mas isso não significa que a formação descentralizada seja um falso dilema. Na verdade, em tipos de tarefas que são leves em estrutura, fáceis de paralelizar e incentiváveis, a formação descentralizada demonstra uma clara perspectiva de aplicação. Incluindo, mas não se limitando a: ajuste fino LoRA, tarefas de pós-treinamento de alinhamento comportamental ) como RLHF, DPO (, tarefas de treinamento e rotulagem por crowdsourcing de dados, treinamento de modelos básicos pequenos 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 tolerância a poder computacional heterogêneo, sendo muito adequadas para treinamento colaborativo por meio de redes P2P, protocolos Swarm, otimizadores distribuídos, entre outros.

![O Santo Graal da Crypto AI: Exploração na vanguarda do treinamento Descentralização])https://img-cdn.gateio.im/webp-social/moments-a8004f094fff74515470052b3a24617c.webp(

Descentralização Treinamento Clássico de Projetos Analisados

Atualmente, na vanguarda da Descentralização de treinamento e aprendizado federado, os principais projetos de blockchain representativos incluem Prime Intellect, Pluralis.ai, Gensyn, Nous Research e Flock.io. Em termos de inovação técnica e 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 de ponta atuais; enquanto os caminhos de implementação de Gensyn e Flock.io são relativamente claros, já é possível ver os primeiros progressos na engenharia. Este artigo irá analisar sucessivamente 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.

![Crypto AI的圣杯：Descentralização训练的前沿探索])https://img-cdn.gateio.im/webp-social/moments-adb92bc4dfbaf26863cb0b4bb1081cd7.webp(

) Prime Intellect: Pioneiro de redes colaborativas de aprendizado reforçado com trajetórias de treinamento verificáveis

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, através dos três módulos PRIME-RL + TOPLOC + SHARDCAST, construir um sistema de treinamento de IA com descentralização, verificabilidade, abertura e um mecanismo de incentivos completo.

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

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

)# 02, Detalhes do mecanismo chave de treinamento do Prime Intellect

#PRIME-RL: Estrutura de Tarefas de Aprendizagem Reforçada 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. Ela utiliza aprendizado por reforço como objeto de adaptação prioritária, desacoplando estruturalmente os processos de treinamento, inferência e upload de pesos, permitindo que cada nó de treinamento complete o ciclo de tarefas de forma independente em localmente e colabore com mecanismos de validação e agregação através de interfaces padronizadas. Em comparação com os processos tradicionais de aprendizado supervisionado, o PRIME-RL é mais adequado para implementar treinamento flexível em um ambiente sem agendamento centralizado, reduzindo a complexidade do sistema e estabelecendo uma base para suportar a paralelização de múltiplas tarefas e a evolução de estratégias.

#TOPLOC:Mecanismo de validação de comportamento de treinamento 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 um aprendizado de estratégia eficaz com base em dados de observação. Ao contrário de soluções pesadas como ZKML, o TOPLOC não depende do recálculo do modelo completo, mas sim analisa a trajetória de consistência local entre "sequência de observação ↔ atualização de estratégia" para completar a verificação da estrutura leve. Ele transforma pela primeira vez as trajetórias de comportamento durante o processo de treinamento em objetos verificáveis, sendo uma inovação chave para realizar a alocação de recompensas de treinamento sem necessidade de confiança, proporcionando um caminho viável para construir uma rede de treinamento colaborativo descentralizada que seja auditável e incentivável.

#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 com assincronismo, largura de banda limitada e estados de nós em constante mudança. Ele combina um mecanismo de propagação gossip com uma estratégia de sincronização local, permitindo que vários nós continuem a submeter atualizações parciais em estados não sincronizados, alcançando a convergência progressiva dos pesos e a evolução de múltiplas versões. Comparado aos métodos AllReduce centralizados ou sincronizados, o SHARDCAST melhora significativamente a escalabilidade e a tolerância a falhas do treinamento Descentralização, sendo a base central para construir um consenso de pesos estável e iterações de treinamento contínuas.

#OpenDiLoCo: Framework de Comunicação Assíncrona Esparsa

OpenDiLoCo é uma estrutura de otimização de comunicação implementada de forma independente e de código aberto pela equipe Prime Intellect, com base na filosofia DiLoCo proposta pela DeepMind, projetada especificamente para enfrentar os desafios comuns em treinamento descentralizado, como largura de banda limitada, heterogeneidade de dispositivos e instabilidade de nós. Sua arquitetura é baseada em paralelismo de dados, construindo estruturas topológicas esparsas como Ring, Expander e Small-World, evitando os altos custos de comunicação da sincronização global, dependendo apenas de nós vizinhos locais para completar o treinamento colaborativo do modelo. Combinando atualizações assíncronas e um mecanismo de tolerância a falhas, o OpenDiLoCo permite que GPUs de consumo e dispositivos de borda participem de tarefas de treinamento de forma estável, melhorando significativamente a participação no treinamento colaborativo global, sendo uma das infraestruturas de comunicação chave para construir redes de treinamento descentralizadas.

#PCCL: Biblioteca de Comunicação Colaborativa

PCCL)Prime Collective Communication Library( é uma biblioteca de comunicação leve projetada pela Prime Intellect para ambientes de treinamento de IA descentralizados, com o objetivo de resolver os gargalos de adaptação das bibliotecas de comunicação tradicionais) como NCCL, Gloo( 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 pontos de verificação, podendo operar em GPUs de consumo e nós instáveis, sendo um componente subjacente que suporta 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 caminho para a comunicação da "última milha" na construção de uma rede de treinamento colaborativo verdadeiramente aberta e sem confiança.

)# 03、Prime Intellect incentivos na rede e divisão de papéis

A Prime Intellect construiu uma rede de treinamento sem permissões, 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 categorias de papéis principais:

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

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

![O Santo Graal da Crypto AI: Exploração de Fronteira em Treinamento Descentralizado])https://img-cdn.gateio.im/webp-social/moments-b11af8d10db6e8baa0c19e87aa18dd82.webp(

)# 04, INTELLECT-2: Lançamento do primeiro modelo de treinamento descentralizado 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 de nós descentralizados, assíncronos e sem confiança, com uma escala de parâmetros de 32B. O modelo INTELLECT-2 foi treinado em colaboração por mais de 100 nós heterogêneos de GPU distribuídos por três continentes, usando