Phi tập trung đào tạo: Khám phá mô hình mới trong lĩnh vực AI
Trong toàn bộ chuỗi giá trị của trí tuệ nhân tạo, việc huấn luyện mô hình là giai đoạn tiêu tốn tài nguyên nhiều nhất và có ngưỡng kỹ thuật cao nhất, trực tiếp quyết định giới hạn khả năng của mô hình và hiệu quả ứng dụng thực tế. So với giai đoạn suy luận nhẹ nhàng, quá trình huấn luyện cần đầu tư sức mạnh tính toán quy mô lớn liên tục, quy trình xử lý dữ liệu phức tạp và hỗ trợ từ các thuật toán tối ưu hóa cường độ cao, thực sự là "công nghiệp nặng" trong việc xây dựng hệ thống AI. Xét từ góc độ kiến trúc, phương pháp huấn luyện có thể được chia thành bốn loại: huấn luyện tập trung, huấn luyện phân tán, học liên bang và huấn luyện phi tập trung mà bài viết này sẽ tập trung thảo luận.
Đào tạo tập trung là phương pháp truyền thống phổ biến nhất, được thực hiện bởi một tổ chức duy nhất trong một cụm hiệu suất cao tại chỗ, hoàn thành tất cả các quy trình đào tạo, từ phần cứng, phần mềm nền tảng, hệ thống phân bổ cụm, đến tất cả các thành phần của khung đào tạo đều được điều phối hoạt động bởi một hệ thống kiểm soát thống nhất. Kiến trúc hợp tác sâu sắc này cho phép chia sẻ bộ nhớ, đồng bộ hóa độ dốc và cơ chế chịu lỗi đạt hiệu quả tối ưu, rất phù hợp cho việc đào tạo các mô hình quy mô lớn như GPT, Gemini, với ưu điểm hiệu suất cao, tài nguyên có thể kiểm soát, nhưng đồng thời cũng tồn tại các vấn đề như độc quyền dữ liệu, rào cản tài nguyên, tiêu thụ năng lượng và rủi ro điểm đơn.
Huấn luyện phân tán là phương pháp phổ biến hiện nay trong việc huấn luyện các mô hình lớn, với cốt lõi là phân tách nhiệm vụ huấn luyện mô hình và phân phối chúng cho nhiều máy để thực hiện phối hợp, nhằm vượt qua các nút thắt về tính toán và lưu trữ trên một máy. Mặc dù về mặt vật lý có đặc điểm "Phi tập trung", nhưng tổng thể vẫn do các tổ chức trung tâm kiểm soát, điều phối và đồng bộ, thường hoạt động trong môi trường mạng cục bộ tốc độ cao, thông qua công nghệ bus liên kết tốc độ cao NVLink, do nút chính đồng bộ hóa các nhiệm vụ con. Các phương pháp chính bao gồm:
Dữ liệu song song: mỗi nút huấn luyện các tham số dữ liệu khác nhau, cần phải phù hợp với trọng số mô hình
Mô hình song song: Triển khai các phần khác nhau của mô hình trên các nút khác nhau, đạt được khả năng mở rộng mạnh mẽ.
Đường ống song song: Thực hiện tuần tự theo từng giai đoạn, tăng thông lượng
Phân tán tensor: Tinh chỉnh phân đoạn tính toán ma trận, nâng cao độ granularity của song song
Đào tạo phân tán là sự kết hợp giữa "kiểm soát tập trung + thực hiện phân tán", tương tự như một ông chủ điều khiển từ xa nhiều nhân viên "văn phòng" hợp tác hoàn thành nhiệm vụ. Hiện nay, hầu hết các mô hình lớn chính ( GPT-4, Gemini, LLaMA và các mô hình khác ) đều được đào tạo bằng cách này.
Phi tập trung đào tạo thì đại diện cho con đường tương lai với tính mở và khả năng chống kiểm duyệt hơn. Đặc điểm cốt lõi của nó là: nhiều nút không tin cậy ( có thể là máy tính gia đình, GPU đám mây hoặc thiết bị biên ) hợp tác hoàn thành nhiệm vụ đào tạo mà không cần điều phối viên trung tâm, thường thông qua giao thức điều khiển phân phối nhiệm vụ và hợp tác, và nhờ vào cơ chế khuyến khích mã hóa để đảm bảo tính trung thực của sự đóng góp. Những thách thức chính mà mô hình này phải đối mặt bao gồm:
Khó khăn về thiết bị dị thể và phân chia: Khó khăn trong việc phối hợp thiết bị dị thể, hiệu quả phân chia nhiệm vụ thấp.
Nút thắt hiệu suất truyền thông: Giao tiếp mạng không ổn định, nút thắt đồng bộ độ dốc rõ ràng
Thiếu thực thi tin cậy: Thiếu môi trường thực thi tin cậy, khó xác minh xem nút có thực sự tham gia tính toán hay không.
Thiếu sự phối hợp thống nhất: không có bộ điều phối trung ương, phân phát nhiệm vụ, cơ chế quay lại bất thường phức tạp
Phi tập trung đào tạo có thể hiểu là: một nhóm tình nguyện viên toàn cầu, mỗi người đóng góp sức mạnh tính toán để hợp tác đào tạo mô hình, nhưng "đào tạo phi tập trung quy mô lớn thực sự khả thi" vẫn là một thách thức kỹ thuật hệ thống, liên quan đến kiến trúc hệ thống, giao thức truyền thông, an ninh mật mã, cơ chế kinh tế, xác minh mô hình và nhiều khía cạnh khác, nhưng liệu có thể "hợp tác hiệu quả + khuyến khích sự trung thực + kết quả đúng" vẫn đang ở giai đoạn khám phá nguyên mẫu sớm.
Học liên bang, như một hình thái chuyển tiếp giữa phân tán và Phi tập trung, nhấn mạnh việc giữ dữ liệu tại chỗ và tập trung tập hợp các tham số mô hình, phù hợp với các tình huống chú trọng đến tuân thủ quyền riêng tư như y tế, tài chính (. Học liên bang có cấu trúc kỹ thuật đào tạo phân tán và khả năng hợp tác cục bộ, đồng thời cũng có lợi thế phân tán dữ liệu của đào tạo Phi tập trung, nhưng vẫn phụ thuộc vào bên điều phối đáng tin cậy, không có đặc tính hoàn toàn mở và kháng kiểm duyệt. Có thể coi đây là một giải pháp "Phi tập trung có kiểm soát" trong các tình huống tuân thủ quyền riêng tư, tương đối ôn hòa trong nhiệm vụ đào tạo, cấu trúc tin cậy và cơ chế giao tiếp, thích hợp hơn để triển khai tạm thời trong ngành công nghiệp.
Phi tập trung đào tạo các ranh giới, cơ hội và con đường thực tế
Từ góc độ mô hình huấn luyện, Phi tập trung huấn luyện không phù hợp với tất cả các loại nhiệm vụ. Trong một số tình huống, do cấu trúc nhiệm vụ phức tạp, yêu cầu tài nguyên cực cao hoặc khó khăn trong phối hợp, nó tự nhiên không phù hợp để hoàn thành hiệu quả giữa các nút không đồng nhất và không tin cậy. Chẳng hạn, huấn luyện mô hình lớn thường phụ thuộc vào bộ nhớ đồ họa cao, độ trễ thấp và băng thông cao, khó có thể phân chia và đồng bộ hiệu quả trong mạng mở; các nhiệm vụ có tính riêng tư dữ liệu và hạn chế chủ quyền mạnh mẽ ) như y tế, tài chính, dữ liệu nhạy cảm ( bị hạn chế bởi tuân thủ pháp lý và ràng buộc đạo đức, không thể chia sẻ công khai; trong khi đó, các nhiệm vụ thiếu đi cơ sở khuyến khích hợp tác ) như mô hình đóng nguồn của doanh nghiệp hoặc huấn luyện nguyên mẫu nội bộ ( thì thiếu động lực tham gia từ bên ngoài. Những ranh giới này cùng nhau tạo thành những giới hạn thực tế hiện tại của huấn luyện Phi tập trung.
Nhưng điều này không có nghĩa là đào tạo phi tập trung là một giả thuyết sai lầm. Thực tế, trong các loại nhiệm vụ có cấu trúc nhẹ, dễ song song và có thể kích thích, đào tạo phi tập trung thể hiện triển vọng ứng dụng rõ ràng. Bao gồm nhưng không giới hạn: tinh chỉnh LoRA, các nhiệm vụ đào tạo hậu như RLHF, DPO), nhiệm vụ đào tạo và gán nhãn dữ liệu từ đám đông, đào tạo các mô hình cơ bản nhỏ có thể kiểm soát tài nguyên, cũng như các kịch bản đào tạo hợp tác với sự tham gia của thiết bị biên. Những nhiệm vụ này thường có tính song song cao, độ liên kết thấp và khả năng dung nạp sức mạnh tính toán không đồng nhất, rất phù hợp để thực hiện đào tạo hợp tác thông qua mạng P2P, giao thức Swarm, bộ tối ưu phân tán và các phương thức khác.
Phi tập trung đào tạo phân tích dự án cổ điển
Hiện tại, trong lĩnh vực tiên phong của đào tạo phi tập trung và học liên bang, các dự án blockchain tiêu biểu chủ yếu bao gồm Prime Intellect, Pluralis.ai, Gensyn, Nous Research và Flock.io. Xét về tính đổi mới công nghệ và độ khó triển khai kỹ thuật, Prime Intellect, Nous Research và Pluralis.ai đã đưa ra nhiều khám phá nguyên bản trong thiết kế hệ thống và thuật toán, đại diện cho hướng nghiên cứu lý thuyết hiện tại; trong khi đó, con đường triển khai của Gensyn và Flock.io tương đối rõ ràng, đã có thể thấy những tiến bộ kỹ thuật ban đầu. Bài viết này sẽ lần lượt phân tích các công nghệ cốt lõi và kiến trúc kỹ thuật của năm dự án này, và sẽ thảo luận thêm về sự khác biệt và mối quan hệ bổ sung của chúng trong hệ thống đào tạo AI phi tập trung.
( Prime Intellect: Đường đi huấn luyện có thể xác minh được của mạng lưới hợp tác học tăng cường tiên phong
Prime Intellect cam kết xây dựng một mạng lưới đào tạo AI phi tập trung, cho phép bất kỳ ai tham gia đào tạo và nhận được phần thưởng đáng tin cậy cho những đóng góp tính toán của họ. Prime Intellect hy vọng thông qua ba mô-đun PRIME-RL + TOPLOC + SHARDCAST, xây dựng một hệ thống đào tạo AI phi tập trung có tính khả thi, mở và đầy đủ cơ chế khuyến khích.
)# 01、Cấu trúc ngăn xếp giao thức Prime Intellect và giá trị của các mô-đun chính
![Giáo chén của Crypto AI: Khám phá tiên phong về đào tạo Phi tập trung]###https://img-cdn.gateio.im/webp-social/moments-69eb6c2dab3d6284b890285c71e7a47f.webp###
(# 02、Giải thích chi tiết cơ chế đào tạo Prime Intellect
#PRIME-RL: Kiến trúc nhiệm vụ học tăng cường không đồng bộ tách rời
PRIME-RL là khung mô hình hóa và thực hiện nhiệm vụ được tùy chỉnh cho các kịch bản đào tạo Phi tập trung của Prime Intellect, được thiết kế đặc biệt cho mạng lưới dị dạng và sự tham gia bất đồng bộ. Nó sử dụng học tăng cường làm đối tượng ưu tiên thích ứng, cấu trúc giải quyết quy trình đào tạo, suy diễn và tải trọng lên, cho phép mỗi nút đào tạo có thể hoàn thành vòng lặp nhiệm vụ độc lập tại địa phương, và phối hợp với cơ chế xác minh và tập hợp thông qua giao diện tiêu chuẩn hóa. So với quy trình học có giám sát truyền thống, PRIME-RL thích hợp hơn để thực hiện đào tạo linh hoạt trong môi trường không có trung tâm điều phối, vừa giảm thiểu độ phức tạp của hệ thống, vừa đặt nền tảng cho việc hỗ trợ đa nhiệm song song và tiến hóa chiến lược.
#TOPLOC:Cơ chế xác minh hành vi đào tạo nhẹ
TOPLOC)Trusted Observation & Policy-Locality Check### là cơ chế cốt lõi về khả năng xác minh trong đào tạo được đưa ra bởi Prime Intellect, được sử dụng để xác định xem một nút có thật sự hoàn thành việc học chiến lược hiệu quả dựa trên dữ liệu quan sát hay không. Khác với các giải pháp nặng như ZKML, TOPLOC không phụ thuộc vào việc tính toán lại toàn bộ mô hình, mà thông qua việc phân tích quỹ đạo nhất quán cục bộ giữa "chuỗi quan sát ↔ cập nhật chiến lược" để hoàn thành xác minh cấu trúc nhẹ. Đây là lần đầu tiên hành vi quỹ đạo trong quá trình đào tạo được chuyển đổi thành đối tượng có thể xác minh, là sự đổi mới then chốt để thực hiện việc phân phối phần thưởng đào tạo mà không cần tin cậy, cung cấp một con đường khả thi để xây dựng mạng lưới đào tạo hợp tác phi tập trung có thể kiểm toán và có thể khuyến khích.
#SHARDCAST: Giao thức tổng hợp và truyền tải trọng số không đồng bộ
SHARDCAST là giao thức phát tán và tổng hợp trọng số được thiết kế bởi Prime Intellect, tối ưu hóa cho môi trường mạng thực tế không đồng bộ, băng thông hạn chế và trạng thái nút thay đổi. Nó kết hợp cơ chế phát tán gossip với chiến lược đồng bộ cục bộ, cho phép nhiều nút tiếp tục gửi cập nhật một phần trong trạng thái không đồng bộ, đạt được sự hội tụ dần dần của trọng số và tiến hóa đa phiên bản. So với các phương pháp AllReduce tập trung hoặc đồng bộ, SHARDCAST cải thiện đáng kể khả năng mở rộng và khả năng chịu lỗi của đào tạo Phi tập trung, là nền tảng cốt lõi để xây dựng sự đồng thuận trọng số ổn định và đào tạo liên tục.
#OpenDiLoCo: Khung giao tiếp không đồng bộ thưa
OpenDiLoCo là một khung tối ưu hóa giao tiếp được nhóm Prime Intellect phát triển độc lập và mã nguồn mở dựa trên khái niệm DiLoCo do DeepMind đưa ra, được thiết kế đặc biệt để đối phó với các thách thức phổ biến trong đào tạo Phi tập trung như hạn chế băng thông, thiết bị không đồng nhất và độ không ổn định của các nút. Kiến trúc của nó dựa trên dữ liệu song song, thông qua việc xây dựng các cấu trúc topo thưa như Ring, Expander, Small-World, đã tránh được chi phí giao tiếp cao của việc đồng bộ toàn cầu, chỉ cần dựa vào các nút láng giềng cục bộ để hoàn thành việc đào tạo hợp tác mô hình. Kết hợp cập nhật không đồng bộ và cơ chế chịu lỗi điểm dừng, OpenDiLoCo cho phép GPU tiêu dùng và thiết bị biên cũng có thể tham gia ổn định vào các nhiệm vụ đào tạo, nâng cao đáng kể khả năng tham gia vào đào tạo hợp tác toàn cầu, là một trong những cơ sở hạ tầng giao tiếp quan trọng để xây dựng mạng lưới đào tạo Phi tập trung.
#PCCL: Thư viện giao tiếp hợp tác
PCCL(Prime Collective Communication Library) là thư viện giao tiếp nhẹ được Prime Intellect thiết kế riêng cho môi trường đào tạo AI Phi tập trung, nhằm giải quyết các nút thắt trong việc thích ứng của các thư viện giao tiếp truyền thống( như NCCL, Gloo) trong các thiết bị không đồng nhất và mạng băng thông thấp. PCCL hỗ trợ topo thưa, nén gradient, đồng bộ độ chính xác thấp và khôi phục điểm dừng, có thể chạy trên GPU tiêu dùng và các nút không ổn định, là thành phần cơ sở hỗ trợ khả năng giao tiếp bất đồng bộ của giao thức OpenDiLoCo. Nó nâng cao đáng kể khả năng chịu đựng băng thông của mạng đào tạo và tính tương thích của thiết bị, mở ra "kilomet cuối cùng" của cơ sở hạ tầng giao tiếp để xây dựng mạng đào tạo hợp tác thực sự mở và không cần tin cậy.
(# 03、Prime Intellect kích thích mạng lưới và phân công vai trò
Prime Intellect đã xây dựng một mạng lưới huấn luyện không cần giấy phép, có thể xác minh và có cơ chế khuyến khích kinh tế, cho phép bất kỳ ai tham gia vào nhiệm vụ và nhận phần thưởng dựa trên đóng góp thực sự. Giao thức hoạt động dựa trên ba loại vai trò cốt lõi:
Người khởi tạo nhiệm vụ: định nghĩa môi trường đào tạo, mô hình ban đầu, hàm phần thưởng và tiêu chuẩn xác minh
Nút huấn luyện: thực hiện huấn luyện cục bộ, nộp cập nhật trọng số và theo dõi quỹ đạo
Node xác thực: Sử dụng cơ chế TOPLOC để xác minh tính xác thực của hành vi đào tạo, và tham gia vào tính toán phần thưởng và tổng hợp chiến lược
Quy trình cốt lõi của giao thức bao gồm việc phát hành nhiệm vụ, đào tạo nút, xác minh quỹ đạo, tổng hợp trọng số )SHARDCAST### và phát thưởng, tạo thành một vòng khuyến khích xoay quanh "hành vi đào tạo thực tế".
(# 04、INTELLECT-2: Phát hành mô hình đào tạo phi tập trung có thể xác minh đầu tiên
Prime Intellect đã phát hành INTELLECT-2 vào tháng 5 năm 2025, đây là mô hình học sâu lớn đầu tiên trên thế giới được đào tạo bởi các nút phi tập trung, không cần tin cậy và đồng bộ. Quy mô tham số đạt 32B. Mô hình INTELLECT-2 được hoàn thành thông qua việc hợp tác đào tạo của hơn 100 nút GPU đồng nhất trải rộng trên ba châu lục, sử dụng
This page may contain third-party content, which is provided for information purposes only (not representations/warranties) and should not be considered as an endorsement of its views by Gate, nor as financial or professional advice. See Disclaimer for details.
Phi tập trung AI đào tạo: Công nghệ và thách thức của mạng hợp tác mở thế hệ tiếp theo
Phi tập trung đào tạo: Khám phá mô hình mới trong lĩnh vực AI
Trong toàn bộ chuỗi giá trị của trí tuệ nhân tạo, việc huấn luyện mô hình là giai đoạn tiêu tốn tài nguyên nhiều nhất và có ngưỡng kỹ thuật cao nhất, trực tiếp quyết định giới hạn khả năng của mô hình và hiệu quả ứng dụng thực tế. So với giai đoạn suy luận nhẹ nhàng, quá trình huấn luyện cần đầu tư sức mạnh tính toán quy mô lớn liên tục, quy trình xử lý dữ liệu phức tạp và hỗ trợ từ các thuật toán tối ưu hóa cường độ cao, thực sự là "công nghiệp nặng" trong việc xây dựng hệ thống AI. Xét từ góc độ kiến trúc, phương pháp huấn luyện có thể được chia thành bốn loại: huấn luyện tập trung, huấn luyện phân tán, học liên bang và huấn luyện phi tập trung mà bài viết này sẽ tập trung thảo luận.
Đào tạo tập trung là phương pháp truyền thống phổ biến nhất, được thực hiện bởi một tổ chức duy nhất trong một cụm hiệu suất cao tại chỗ, hoàn thành tất cả các quy trình đào tạo, từ phần cứng, phần mềm nền tảng, hệ thống phân bổ cụm, đến tất cả các thành phần của khung đào tạo đều được điều phối hoạt động bởi một hệ thống kiểm soát thống nhất. Kiến trúc hợp tác sâu sắc này cho phép chia sẻ bộ nhớ, đồng bộ hóa độ dốc và cơ chế chịu lỗi đạt hiệu quả tối ưu, rất phù hợp cho việc đào tạo các mô hình quy mô lớn như GPT, Gemini, với ưu điểm hiệu suất cao, tài nguyên có thể kiểm soát, nhưng đồng thời cũng tồn tại các vấn đề như độc quyền dữ liệu, rào cản tài nguyên, tiêu thụ năng lượng và rủi ro điểm đơn.
Huấn luyện phân tán là phương pháp phổ biến hiện nay trong việc huấn luyện các mô hình lớn, với cốt lõi là phân tách nhiệm vụ huấn luyện mô hình và phân phối chúng cho nhiều máy để thực hiện phối hợp, nhằm vượt qua các nút thắt về tính toán và lưu trữ trên một máy. Mặc dù về mặt vật lý có đặc điểm "Phi tập trung", nhưng tổng thể vẫn do các tổ chức trung tâm kiểm soát, điều phối và đồng bộ, thường hoạt động trong môi trường mạng cục bộ tốc độ cao, thông qua công nghệ bus liên kết tốc độ cao NVLink, do nút chính đồng bộ hóa các nhiệm vụ con. Các phương pháp chính bao gồm:
Đào tạo phân tán là sự kết hợp giữa "kiểm soát tập trung + thực hiện phân tán", tương tự như một ông chủ điều khiển từ xa nhiều nhân viên "văn phòng" hợp tác hoàn thành nhiệm vụ. Hiện nay, hầu hết các mô hình lớn chính ( GPT-4, Gemini, LLaMA và các mô hình khác ) đều được đào tạo bằng cách này.
Phi tập trung đào tạo thì đại diện cho con đường tương lai với tính mở và khả năng chống kiểm duyệt hơn. Đặc điểm cốt lõi của nó là: nhiều nút không tin cậy ( có thể là máy tính gia đình, GPU đám mây hoặc thiết bị biên ) hợp tác hoàn thành nhiệm vụ đào tạo mà không cần điều phối viên trung tâm, thường thông qua giao thức điều khiển phân phối nhiệm vụ và hợp tác, và nhờ vào cơ chế khuyến khích mã hóa để đảm bảo tính trung thực của sự đóng góp. Những thách thức chính mà mô hình này phải đối mặt bao gồm:
Phi tập trung đào tạo có thể hiểu là: một nhóm tình nguyện viên toàn cầu, mỗi người đóng góp sức mạnh tính toán để hợp tác đào tạo mô hình, nhưng "đào tạo phi tập trung quy mô lớn thực sự khả thi" vẫn là một thách thức kỹ thuật hệ thống, liên quan đến kiến trúc hệ thống, giao thức truyền thông, an ninh mật mã, cơ chế kinh tế, xác minh mô hình và nhiều khía cạnh khác, nhưng liệu có thể "hợp tác hiệu quả + khuyến khích sự trung thực + kết quả đúng" vẫn đang ở giai đoạn khám phá nguyên mẫu sớm.
Học liên bang, như một hình thái chuyển tiếp giữa phân tán và Phi tập trung, nhấn mạnh việc giữ dữ liệu tại chỗ và tập trung tập hợp các tham số mô hình, phù hợp với các tình huống chú trọng đến tuân thủ quyền riêng tư như y tế, tài chính (. Học liên bang có cấu trúc kỹ thuật đào tạo phân tán và khả năng hợp tác cục bộ, đồng thời cũng có lợi thế phân tán dữ liệu của đào tạo Phi tập trung, nhưng vẫn phụ thuộc vào bên điều phối đáng tin cậy, không có đặc tính hoàn toàn mở và kháng kiểm duyệt. Có thể coi đây là một giải pháp "Phi tập trung có kiểm soát" trong các tình huống tuân thủ quyền riêng tư, tương đối ôn hòa trong nhiệm vụ đào tạo, cấu trúc tin cậy và cơ chế giao tiếp, thích hợp hơn để triển khai tạm thời trong ngành công nghiệp.
Phi tập trung đào tạo các ranh giới, cơ hội và con đường thực tế
Từ góc độ mô hình huấn luyện, Phi tập trung huấn luyện không phù hợp với tất cả các loại nhiệm vụ. Trong một số tình huống, do cấu trúc nhiệm vụ phức tạp, yêu cầu tài nguyên cực cao hoặc khó khăn trong phối hợp, nó tự nhiên không phù hợp để hoàn thành hiệu quả giữa các nút không đồng nhất và không tin cậy. Chẳng hạn, huấn luyện mô hình lớn thường phụ thuộc vào bộ nhớ đồ họa cao, độ trễ thấp và băng thông cao, khó có thể phân chia và đồng bộ hiệu quả trong mạng mở; các nhiệm vụ có tính riêng tư dữ liệu và hạn chế chủ quyền mạnh mẽ ) như y tế, tài chính, dữ liệu nhạy cảm ( bị hạn chế bởi tuân thủ pháp lý và ràng buộc đạo đức, không thể chia sẻ công khai; trong khi đó, các nhiệm vụ thiếu đi cơ sở khuyến khích hợp tác ) như mô hình đóng nguồn của doanh nghiệp hoặc huấn luyện nguyên mẫu nội bộ ( thì thiếu động lực tham gia từ bên ngoài. Những ranh giới này cùng nhau tạo thành những giới hạn thực tế hiện tại của huấn luyện Phi tập trung.
Nhưng điều này không có nghĩa là đào tạo phi tập trung là một giả thuyết sai lầm. Thực tế, trong các loại nhiệm vụ có cấu trúc nhẹ, dễ song song và có thể kích thích, đào tạo phi tập trung thể hiện triển vọng ứng dụng rõ ràng. Bao gồm nhưng không giới hạn: tinh chỉnh LoRA, các nhiệm vụ đào tạo hậu như RLHF, DPO), nhiệm vụ đào tạo và gán nhãn dữ liệu từ đám đông, đào tạo các mô hình cơ bản nhỏ có thể kiểm soát tài nguyên, cũng như các kịch bản đào tạo hợp tác với sự tham gia của thiết bị biên. Những nhiệm vụ này thường có tính song song cao, độ liên kết thấp và khả năng dung nạp sức mạnh tính toán không đồng nhất, rất phù hợp để thực hiện đào tạo hợp tác thông qua mạng P2P, giao thức Swarm, bộ tối ưu phân tán và các phương thức khác.
Phi tập trung đào tạo phân tích dự án cổ điển
Hiện tại, trong lĩnh vực tiên phong của đào tạo phi tập trung và học liên bang, các dự án blockchain tiêu biểu chủ yếu bao gồm Prime Intellect, Pluralis.ai, Gensyn, Nous Research và Flock.io. Xét về tính đổi mới công nghệ và độ khó triển khai kỹ thuật, Prime Intellect, Nous Research và Pluralis.ai đã đưa ra nhiều khám phá nguyên bản trong thiết kế hệ thống và thuật toán, đại diện cho hướng nghiên cứu lý thuyết hiện tại; trong khi đó, con đường triển khai của Gensyn và Flock.io tương đối rõ ràng, đã có thể thấy những tiến bộ kỹ thuật ban đầu. Bài viết này sẽ lần lượt phân tích các công nghệ cốt lõi và kiến trúc kỹ thuật của năm dự án này, và sẽ thảo luận thêm về sự khác biệt và mối quan hệ bổ sung của chúng trong hệ thống đào tạo AI phi tập trung.
( Prime Intellect: Đường đi huấn luyện có thể xác minh được của mạng lưới hợp tác học tăng cường tiên phong
Prime Intellect cam kết xây dựng một mạng lưới đào tạo AI phi tập trung, cho phép bất kỳ ai tham gia đào tạo và nhận được phần thưởng đáng tin cậy cho những đóng góp tính toán của họ. Prime Intellect hy vọng thông qua ba mô-đun PRIME-RL + TOPLOC + SHARDCAST, xây dựng một hệ thống đào tạo AI phi tập trung có tính khả thi, mở và đầy đủ cơ chế khuyến khích.
)# 01、Cấu trúc ngăn xếp giao thức Prime Intellect và giá trị của các mô-đun chính
![Giáo chén của Crypto AI: Khám phá tiên phong về đào tạo Phi tập trung]###https://img-cdn.gateio.im/webp-social/moments-69eb6c2dab3d6284b890285c71e7a47f.webp###
(# 02、Giải thích chi tiết cơ chế đào tạo Prime Intellect
#PRIME-RL: Kiến trúc nhiệm vụ học tăng cường không đồng bộ tách rời
PRIME-RL là khung mô hình hóa và thực hiện nhiệm vụ được tùy chỉnh cho các kịch bản đào tạo Phi tập trung của Prime Intellect, được thiết kế đặc biệt cho mạng lưới dị dạng và sự tham gia bất đồng bộ. Nó sử dụng học tăng cường làm đối tượng ưu tiên thích ứng, cấu trúc giải quyết quy trình đào tạo, suy diễn và tải trọng lên, cho phép mỗi nút đào tạo có thể hoàn thành vòng lặp nhiệm vụ độc lập tại địa phương, và phối hợp với cơ chế xác minh và tập hợp thông qua giao diện tiêu chuẩn hóa. So với quy trình học có giám sát truyền thống, PRIME-RL thích hợp hơn để thực hiện đào tạo linh hoạt trong môi trường không có trung tâm điều phối, vừa giảm thiểu độ phức tạp của hệ thống, vừa đặt nền tảng cho việc hỗ trợ đa nhiệm song song và tiến hóa chiến lược.
#TOPLOC:Cơ chế xác minh hành vi đào tạo nhẹ
TOPLOC)Trusted Observation & Policy-Locality Check### là cơ chế cốt lõi về khả năng xác minh trong đào tạo được đưa ra bởi Prime Intellect, được sử dụng để xác định xem một nút có thật sự hoàn thành việc học chiến lược hiệu quả dựa trên dữ liệu quan sát hay không. Khác với các giải pháp nặng như ZKML, TOPLOC không phụ thuộc vào việc tính toán lại toàn bộ mô hình, mà thông qua việc phân tích quỹ đạo nhất quán cục bộ giữa "chuỗi quan sát ↔ cập nhật chiến lược" để hoàn thành xác minh cấu trúc nhẹ. Đây là lần đầu tiên hành vi quỹ đạo trong quá trình đào tạo được chuyển đổi thành đối tượng có thể xác minh, là sự đổi mới then chốt để thực hiện việc phân phối phần thưởng đào tạo mà không cần tin cậy, cung cấp một con đường khả thi để xây dựng mạng lưới đào tạo hợp tác phi tập trung có thể kiểm toán và có thể khuyến khích.
#SHARDCAST: Giao thức tổng hợp và truyền tải trọng số không đồng bộ
SHARDCAST là giao thức phát tán và tổng hợp trọng số được thiết kế bởi Prime Intellect, tối ưu hóa cho môi trường mạng thực tế không đồng bộ, băng thông hạn chế và trạng thái nút thay đổi. Nó kết hợp cơ chế phát tán gossip với chiến lược đồng bộ cục bộ, cho phép nhiều nút tiếp tục gửi cập nhật một phần trong trạng thái không đồng bộ, đạt được sự hội tụ dần dần của trọng số và tiến hóa đa phiên bản. So với các phương pháp AllReduce tập trung hoặc đồng bộ, SHARDCAST cải thiện đáng kể khả năng mở rộng và khả năng chịu lỗi của đào tạo Phi tập trung, là nền tảng cốt lõi để xây dựng sự đồng thuận trọng số ổn định và đào tạo liên tục.
#OpenDiLoCo: Khung giao tiếp không đồng bộ thưa
OpenDiLoCo là một khung tối ưu hóa giao tiếp được nhóm Prime Intellect phát triển độc lập và mã nguồn mở dựa trên khái niệm DiLoCo do DeepMind đưa ra, được thiết kế đặc biệt để đối phó với các thách thức phổ biến trong đào tạo Phi tập trung như hạn chế băng thông, thiết bị không đồng nhất và độ không ổn định của các nút. Kiến trúc của nó dựa trên dữ liệu song song, thông qua việc xây dựng các cấu trúc topo thưa như Ring, Expander, Small-World, đã tránh được chi phí giao tiếp cao của việc đồng bộ toàn cầu, chỉ cần dựa vào các nút láng giềng cục bộ để hoàn thành việc đào tạo hợp tác mô hình. Kết hợp cập nhật không đồng bộ và cơ chế chịu lỗi điểm dừng, OpenDiLoCo cho phép GPU tiêu dùng và thiết bị biên cũng có thể tham gia ổn định vào các nhiệm vụ đào tạo, nâng cao đáng kể khả năng tham gia vào đào tạo hợp tác toàn cầu, là một trong những cơ sở hạ tầng giao tiếp quan trọng để xây dựng mạng lưới đào tạo Phi tập trung.
#PCCL: Thư viện giao tiếp hợp tác
PCCL(Prime Collective Communication Library) là thư viện giao tiếp nhẹ được Prime Intellect thiết kế riêng cho môi trường đào tạo AI Phi tập trung, nhằm giải quyết các nút thắt trong việc thích ứng của các thư viện giao tiếp truyền thống( như NCCL, Gloo) trong các thiết bị không đồng nhất và mạng băng thông thấp. PCCL hỗ trợ topo thưa, nén gradient, đồng bộ độ chính xác thấp và khôi phục điểm dừng, có thể chạy trên GPU tiêu dùng và các nút không ổn định, là thành phần cơ sở hỗ trợ khả năng giao tiếp bất đồng bộ của giao thức OpenDiLoCo. Nó nâng cao đáng kể khả năng chịu đựng băng thông của mạng đào tạo và tính tương thích của thiết bị, mở ra "kilomet cuối cùng" của cơ sở hạ tầng giao tiếp để xây dựng mạng đào tạo hợp tác thực sự mở và không cần tin cậy.
(# 03、Prime Intellect kích thích mạng lưới và phân công vai trò
Prime Intellect đã xây dựng một mạng lưới huấn luyện không cần giấy phép, có thể xác minh và có cơ chế khuyến khích kinh tế, cho phép bất kỳ ai tham gia vào nhiệm vụ và nhận phần thưởng dựa trên đóng góp thực sự. Giao thức hoạt động dựa trên ba loại vai trò cốt lõi:
Quy trình cốt lõi của giao thức bao gồm việc phát hành nhiệm vụ, đào tạo nút, xác minh quỹ đạo, tổng hợp trọng số )SHARDCAST### và phát thưởng, tạo thành một vòng khuyến khích xoay quanh "hành vi đào tạo thực tế".
(# 04、INTELLECT-2: Phát hành mô hình đào tạo phi tập trung có thể xác minh đầu tiên
Prime Intellect đã phát hành INTELLECT-2 vào tháng 5 năm 2025, đây là mô hình học sâu lớn đầu tiên trên thế giới được đào tạo bởi các nút phi tập trung, không cần tin cậy và đồng bộ. Quy mô tham số đạt 32B. Mô hình INTELLECT-2 được hoàn thành thông qua việc hợp tác đào tạo của hơn 100 nút GPU đồng nhất trải rộng trên ba châu lục, sử dụng