Evolução do Paradigma de Treinamento de IA: da Controle Centralizado à Revolução Tecnológica da Descentralização e Colaboração
Na cadeia de valor total da IA, o treinamento de modelos é a etapa que consome mais recursos e tem a maior barreira técnica, decidindo diretamente o limite de capacidade do modelo e o efeito prático da aplicação. Comparado com a chamada leve da fase de inferência, o processo de treinamento requer um investimento contínuo em poder computacional em larga escala, processos de tratamento de dados complexos e suporte de algoritmos de otimização de alta intensidade, sendo a verdadeira "indústria pesada" na construção de sistemas de IA. Do ponto de vista da arquitetura, os métodos de treinamento podem ser divididos em quatro categorias: treinamento centralizado, treinamento distribuído, aprendizado federado e o treinamento descentralizado, que é o foco deste artigo.
A formação centralizada é a forma tradicional mais comum, realizada por uma única entidade em um cluster de alto desempenho local, onde todo o processo de formação é completado, desde o hardware, software de base, sistema de agendamento de cluster, até todos os componentes do framework de treinamento, que são coordenados por um sistema de controle unificado. Essa arquitetura de profunda colaboração torna a eficiência do compartilhamento de memória, sincronização de gradientes e mecanismos de tolerância a falhas ideal, sendo muito adequada para o treinamento de modelos em grande escala como GPT e Gemini, apresentando vantagens de alta eficiência e recursos controláveis, mas também enfrentando problemas como monopólio de dados, barreiras de recursos, consumo de energia e risco de ponto único.
O treinamento distribuído é a principal forma de treinamento de grandes modelos atualmente, e seu núcleo consiste em dividir a tarefa de treinamento do modelo e distribuí-la para várias máquinas que executam em conjunto, a fim de superar os gargalos de computação e armazenamento de uma única máquina. Embora possua características "distribuídas" em termos físicos, o conjunto ainda é controlado e agendado por uma entidade centralizada que realiza a sincronização, frequentemente operando em ambientes 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, os parâmetros são compartilhados e é necessário corresponder os pesos do modelo.
Paralelismo de modelo: implantar diferentes partes do modelo em diferentes nós, alcançando uma forte escalabilidade;
Pipeline paralelo: execução em série por fases, aumentando a taxa de transferência;
Paralelismo de tensores: segmentação refinada do cálculo de matrizes, aumentando o grau de paralelismo.
O treino distribuído é uma combinação de "controle centralizado + execução distribuída", semelhante a um mesmo chefe a comandar remotamente a colaboração de vários funcionários em "escritórios" para completar tarefas. Atualmente, quase todos os principais modelos são treinados dessa forma.
Descentralização do treinamento representa um caminho futuro com maior abertura e características de resistência à censura. Sua característica central é: múltiplos nós que não confiam entre si colaboram para concluir tarefas de treinamento sem um coordenador central, geralmente através de protocolos que impulsionam a distribuição de tarefas e colaboração, e contando com mecanismos de incentivo criptográfico para garantir a honestidade das contribuições. Os principais desafios enfrentados por esse modelo incluem:
Dificuldades de heterogeneidade e divisão de dispositivos: alta dificuldade de coordenação de dispositivos heterogêneos, baixa eficiência na divisão de tarefas;
Gargalos na eficiência da comunicação: comunicação de rede instável, gargalos na sincronização de gradientes são evidentes;
Falta de Execução Confiável: Falta de um ambiente de execução confiável, difícil de verificar se o nó realmente participa do cálculo;
Falta de coordenação unificada: sem um despachador central, a distribuição de tarefas e o mecanismo de retrocesso de anomalias são complexos.
Descentralização do treinamento pode ser entendida como: um grupo de voluntários globais, cada um contribuindo com poder computacional para treinar modelos em colaboração, mas "o verdadeiro treinamento descentralizado em larga escala viável" ainda é um desafio de engenharia sistêmica, envolvendo arquitetura de sistemas, protocolos de comunicação, segurança criptográfica, mecanismos econômicos, validação de modelos e vários outros níveis, mas a possibilidade de "colaboração eficaz + incentivo à honestidade + resultados corretos" ainda está em fase de exploração de protótipos iniciais.
A aprendizagem federada, como uma forma de transição entre a distribuição e a Descentralização, enfatiza a preservação local dos dados e a agregação centralizada dos parâmetros do modelo, sendo adequada para cenários que valorizam a conformidade com a privacidade. A aprendizagem federada possui a estrutura de engenharia do treinamento distribuído e a capacidade de colaboração local, ao mesmo tempo que mantém a vantagem da dispersão de dados do treinamento descentralizado, mas ainda depende de um agente de coordenação confiável, não possuindo características completamente abertas e resistentes à censura. Pode ser vista como uma solução de "Descentralização controlada" em cenários de conformidade com a 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.
Tabela de comparação panorâmica dos paradigmas de treino de IA
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 de recursos ou à dificuldade de colaboração, não é naturalmente adequado para ser concluído de forma eficiente entre nós heterogêneos e sem confiança. Por exemplo, o treinamento de grandes modelos geralmente depende de alta memória de vídeo, baixa latência e largura de banda alta, tornando difícil dividir e sincronizar efetivamente em uma rede aberta; tarefas com forte privacidade de dados e restrições de soberania são limitadas por conformidade legal e restrições éticas, não podendo ser compartilhadas abertamente; enquanto tarefas que carecem de incentivos à colaboração não têm motivação para a participação externa. Essas fronteiras constituem as limitações reais do treinamento descentralizado atualmente.
Mas isso não significa que a Descentralização do treinamento seja um falso problema. Na verdade, em tipos de tarefas que são leves em estrutura, fáceis de paralelizar e incentiváveis, a Descentralização do treinamento mostra perspectivas de aplicação claras. Incluindo, mas não se limitando a: ajuste fino LoRA, tarefas de treinamento pós-alinhamento comportamental, tarefas de treinamento e anotação de dados por meio de crowdsourcing, treinamento de pequenos modelos de base com controle de recursos, e cenários de treinamento colaborativo com a participação de dispositivos de borda. Essas tarefas geralmente possuem características de alta paralelização, baixa acoplamento e tolerância a capacidade computacional heterogênea, sendo muito adequadas para treinamento colaborativo através de redes P2P, protocolos Swarm, otimizadores distribuídos, entre outros.
Visão geral da adaptabilidade de tarefas de treinamento de Descentralização
Atualmente, no campo de treinamento descentralizado e aprendizado federado, os projetos de blockchain representativos incluem principalmente 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 na arquitetura do sistema e no design de algoritmos, representando as direções de pesquisa teórica de ponta; enquanto os caminhos de implementação de Gensyn e Flock.io são relativamente claros, já sendo possível observar os primeiros progressos em engenharia. Este artigo irá analisar, um a um, as tecnologias centrais e a arquitetura 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: Pioneiro de Redes Colaborativas de Aprendizagem Reforçada com Trajetórias de Treinamento Verificáveis
A Prime Intellect está empenhada em construir uma rede de treino de IA que não requer confiança, permitindo que qualquer pessoa participe do treino e receba recompensas confiáveis por suas contribuições computacionais. A Prime Intellect espera, através dos três módulos PRIME-RL + TOPLOC + SHARDCAST, construir um sistema de treino de IA com descentralização que possua verificabilidade, abertura e um mecanismo de incentivos completo.
Um, Estrutura da Pilha de Protocolos Prime Intellect e Valor dos Módulos Chave
Dois, Detalhes dos mecanismos chave de treino 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 de treinamento, 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 possa completar ciclos de tarefa de forma independente em local, 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 central, reduzindo a complexidade do sistema e estabelecendo uma base para suportar multitarefas paralelas e evolução de estratégias.
TOPLOC: mecanismo leve de validação de comportamento de treinamento
TOPLOC é um mecanismo central de verificabilidade de treinamento proposto pela Prime Intellect, utilizado para determinar se um nó realmente completou um aprendizado de estratégia eficaz com base em dados de observação. Diferentemente 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 de estrutura leve. Ele transforma pela primeira vez as trajetórias de comportamento durante o processo de treinamento em objetos verificáveis, sendo uma inovação chave para a distribuição de recompensas de treinamento sem confiança, e fornece um caminho viável para a construção de uma rede de treinamento colaborativo descentralizada que seja auditável e incentivada.
SHARDCAST: Protocolo de agregação e propagação de pesos assíncronos
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 continuem a submeter atualizações parciais em estados não sincronizados, alcançando a convergência progressiva de pesos e a evolução de múltiplas versões. Em comparação com métodos centralizados ou síncronos de AllReduce, o SHARDCAST melhora significativamente a escalabilidade e a capacidade de tolerância a falhas do treinamento Descentralização, sendo a base fundamental para construir um consenso de pesos estável e iterações de treinamento contínuas.
OpenDiLoCo: estrutura 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. É projetada especificamente para enfrentar desafios comuns em treinamentos descentralizados, como limitações de largura de banda, 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 o alto custo de comunicação da sincronização global, dependendo apenas dos nós vizinhos locais para realizar 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, aumentando significativamente a participatividade no treinamento colaborativo global, sendo uma das infraestruturas de comunicação essenciais para a construção de redes de treinamento descentralizadas.
PCCL: Biblioteca de Comunicação Colaborativa
PCCL é uma biblioteca de comunicação leve desenvolvida pela Prime Intellect para ambientes de treinamento de IA descentralizados, com o objetivo de resolver o gargalo 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 pontos de interrupção, podendo ser executado em GPUs de consumo e em nós instáveis, sendo um componente de suporte para a capacidade de comunicação assíncrona do protocolo OpenDiLoCo. Ele melhora significativamente a tolerância à largura de banda da rede de treinamento e a compatibilidade entre dispositivos, abrindo a "última milha" da infraestrutura de comunicação para construir uma rede de treinamento colaborativo verdadeiramente aberta e sem confiança.
Três, Rede de Incentivos Prime Intellect e Divisão de Papéis
A Prime Intellect construiu uma rede de treinamento verificável, sem permissão e com mecanismos de incentivo econômico, 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 de tarefas: definir o ambiente de treino, modelo inicial, função de recompensa e critérios de validação
Nós de treinamento: executar treinamento local, enviar 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 e distribuição de recompensas, formando um ciclo de incentivo em torno do "comportamento real de treinamento".
Quatro, 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 de reforço treinado por nós descentralizados, assíncronos e sem necessidade de confiança no mundo, com uma escala de parâmetros de 32B. O modelo INTELLECT-2 foi treinado em colaboração por mais de 100 nós heterogêneos de GPU espalhados por três continentes, utilizando uma arquitetura totalmente assíncrona, com um tempo de treinamento superior a 400 horas, demonstrando a viabilidade e a estabilidade da rede de colaboração assíncrona. Este modelo não só representa um avanço em termos de desempenho, mas também é a primeira implementação sistemática do paradigma "treinamento é consenso" proposto pela Prime Intellect. O INTELLECT-2 integra o PRIME
Esta página pode conter conteúdos de terceiros, que são fornecidos apenas para fins informativos (sem representações/garantias) e não devem ser considerados como uma aprovação dos seus pontos de vista pela Gate, nem como aconselhamento financeiro ou profissional. Consulte a Declaração de exoneração de responsabilidade para obter mais informações.
Explorar a Descentralização do Treinamento de IA: A Revolução Tecnológica da Controle Centralizado para a Colaboração Global
Evolução do Paradigma de Treinamento de IA: da Controle Centralizado à Revolução Tecnológica da Descentralização e Colaboração
Na cadeia de valor total da IA, o treinamento de modelos é a etapa que consome mais recursos e tem a maior barreira técnica, decidindo diretamente o limite de capacidade do modelo e o efeito prático da aplicação. Comparado com a chamada leve da fase de inferência, o processo de treinamento requer um investimento contínuo em poder computacional em larga escala, processos de tratamento de dados complexos e suporte de algoritmos de otimização de alta intensidade, sendo a verdadeira "indústria pesada" na construção de sistemas de IA. Do ponto de vista da arquitetura, os métodos de treinamento podem ser divididos em quatro categorias: treinamento centralizado, treinamento distribuído, aprendizado federado e o treinamento descentralizado, que é o foco deste artigo.
A formação centralizada é a forma tradicional mais comum, realizada por uma única entidade em um cluster de alto desempenho local, onde todo o processo de formação é completado, desde o hardware, software de base, sistema de agendamento de cluster, até todos os componentes do framework de treinamento, que são coordenados por um sistema de controle unificado. Essa arquitetura de profunda colaboração torna a eficiência do compartilhamento de memória, sincronização de gradientes e mecanismos de tolerância a falhas ideal, sendo muito adequada para o treinamento de modelos em grande escala como GPT e Gemini, apresentando vantagens de alta eficiência e recursos controláveis, mas também enfrentando problemas como monopólio de dados, barreiras de recursos, consumo de energia e risco de ponto único.
O treinamento distribuído é a principal forma de treinamento de grandes modelos atualmente, e seu núcleo consiste em dividir a tarefa de treinamento do modelo e distribuí-la para várias máquinas que executam em conjunto, a fim de superar os gargalos de computação e armazenamento de uma única máquina. Embora possua características "distribuídas" em termos físicos, o conjunto ainda é controlado e agendado por uma entidade centralizada que realiza a sincronização, frequentemente operando em ambientes 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:
O treino distribuído é uma combinação de "controle centralizado + execução distribuída", semelhante a um mesmo chefe a comandar remotamente a colaboração de vários funcionários em "escritórios" para completar tarefas. Atualmente, quase todos os principais modelos são treinados dessa forma.
Descentralização do treinamento representa um caminho futuro com maior abertura e características de resistência à censura. Sua característica central é: múltiplos nós que não confiam entre si colaboram para concluir tarefas de treinamento sem um coordenador central, geralmente através de protocolos que impulsionam a distribuição de tarefas e colaboração, e contando com mecanismos de incentivo criptográfico para garantir a honestidade das contribuições. Os principais desafios enfrentados por esse modelo incluem:
Descentralização do treinamento pode ser entendida como: um grupo de voluntários globais, cada um contribuindo com poder computacional para treinar modelos em colaboração, mas "o verdadeiro treinamento descentralizado em larga escala viável" ainda é um desafio de engenharia sistêmica, envolvendo arquitetura de sistemas, protocolos de comunicação, segurança criptográfica, mecanismos econômicos, validação de modelos e vários outros níveis, mas a possibilidade de "colaboração eficaz + incentivo à honestidade + resultados corretos" ainda está em fase de exploração de protótipos iniciais.
A aprendizagem federada, como uma forma de transição entre a distribuição e a Descentralização, enfatiza a preservação local dos dados e a agregação centralizada dos parâmetros do modelo, sendo adequada para cenários que valorizam a conformidade com a privacidade. A aprendizagem federada possui a estrutura de engenharia do treinamento distribuído e a capacidade de colaboração local, ao mesmo tempo que mantém a vantagem da dispersão de dados do treinamento descentralizado, mas ainda depende de um agente de coordenação confiável, não possuindo características completamente abertas e resistentes à censura. Pode ser vista como uma solução de "Descentralização controlada" em cenários de conformidade com a 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.
Tabela de comparação panorâmica dos paradigmas de treino de IA
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 de recursos ou à dificuldade de colaboração, não é naturalmente adequado para ser concluído de forma eficiente entre nós heterogêneos e sem confiança. Por exemplo, o treinamento de grandes modelos geralmente depende de alta memória de vídeo, baixa latência e largura de banda alta, tornando difícil dividir e sincronizar efetivamente em uma rede aberta; tarefas com forte privacidade de dados e restrições de soberania são limitadas por conformidade legal e restrições éticas, não podendo ser compartilhadas abertamente; enquanto tarefas que carecem de incentivos à colaboração não têm motivação para a participação externa. Essas fronteiras constituem as limitações reais do treinamento descentralizado atualmente.
Mas isso não significa que a Descentralização do treinamento seja um falso problema. Na verdade, em tipos de tarefas que são leves em estrutura, fáceis de paralelizar e incentiváveis, a Descentralização do treinamento mostra perspectivas de aplicação claras. Incluindo, mas não se limitando a: ajuste fino LoRA, tarefas de treinamento pós-alinhamento comportamental, tarefas de treinamento e anotação de dados por meio de crowdsourcing, treinamento de pequenos modelos de base com controle de recursos, e cenários de treinamento colaborativo com a participação de dispositivos de borda. Essas tarefas geralmente possuem características de alta paralelização, baixa acoplamento e tolerância a capacidade computacional heterogênea, sendo muito adequadas para treinamento colaborativo através de redes P2P, protocolos Swarm, otimizadores distribuídos, entre outros.
Visão geral da adaptabilidade de tarefas de treinamento de Descentralização
Descentralização treinamento clássicos projetos análise
Atualmente, no campo de treinamento descentralizado e aprendizado federado, os projetos de blockchain representativos incluem principalmente 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 na arquitetura do sistema e no design de algoritmos, representando as direções de pesquisa teórica de ponta; enquanto os caminhos de implementação de Gensyn e Flock.io são relativamente claros, já sendo possível observar os primeiros progressos em engenharia. Este artigo irá analisar, um a um, as tecnologias centrais e a arquitetura 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: Pioneiro de Redes Colaborativas de Aprendizagem Reforçada com Trajetórias de Treinamento Verificáveis
A Prime Intellect está empenhada em construir uma rede de treino de IA que não requer confiança, permitindo que qualquer pessoa participe do treino e receba recompensas confiáveis por suas contribuições computacionais. A Prime Intellect espera, através dos três módulos PRIME-RL + TOPLOC + SHARDCAST, construir um sistema de treino de IA com descentralização que possua verificabilidade, abertura e um mecanismo de incentivos completo.
Um, Estrutura da Pilha de Protocolos Prime Intellect e Valor dos Módulos Chave
Dois, Detalhes dos mecanismos chave de treino 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 de treinamento, 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 possa completar ciclos de tarefa de forma independente em local, 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 central, reduzindo a complexidade do sistema e estabelecendo uma base para suportar multitarefas paralelas e evolução de estratégias.
TOPLOC: mecanismo leve de validação de comportamento de treinamento
TOPLOC é um mecanismo central de verificabilidade de treinamento proposto pela Prime Intellect, utilizado para determinar se um nó realmente completou um aprendizado de estratégia eficaz com base em dados de observação. Diferentemente 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 de estrutura leve. Ele transforma pela primeira vez as trajetórias de comportamento durante o processo de treinamento em objetos verificáveis, sendo uma inovação chave para a distribuição de recompensas de treinamento sem confiança, e fornece um caminho viável para a construção de uma rede de treinamento colaborativo descentralizada que seja auditável e incentivada.
SHARDCAST: Protocolo de agregação e propagação de pesos assíncronos
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 continuem a submeter atualizações parciais em estados não sincronizados, alcançando a convergência progressiva de pesos e a evolução de múltiplas versões. Em comparação com métodos centralizados ou síncronos de AllReduce, o SHARDCAST melhora significativamente a escalabilidade e a capacidade de tolerância a falhas do treinamento Descentralização, sendo a base fundamental para construir um consenso de pesos estável e iterações de treinamento contínuas.
OpenDiLoCo: estrutura 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. É projetada especificamente para enfrentar desafios comuns em treinamentos descentralizados, como limitações de largura de banda, 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 o alto custo de comunicação da sincronização global, dependendo apenas dos nós vizinhos locais para realizar 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, aumentando significativamente a participatividade no treinamento colaborativo global, sendo uma das infraestruturas de comunicação essenciais para a construção de redes de treinamento descentralizadas.
PCCL: Biblioteca de Comunicação Colaborativa
PCCL é uma biblioteca de comunicação leve desenvolvida pela Prime Intellect para ambientes de treinamento de IA descentralizados, com o objetivo de resolver o gargalo 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 pontos de interrupção, podendo ser executado em GPUs de consumo e em nós instáveis, sendo um componente de suporte para a capacidade de comunicação assíncrona do protocolo OpenDiLoCo. Ele melhora significativamente a tolerância à largura de banda da rede de treinamento e a compatibilidade entre dispositivos, abrindo a "última milha" da infraestrutura de comunicação para construir uma rede de treinamento colaborativo verdadeiramente aberta e sem confiança.
Três, Rede de Incentivos Prime Intellect e Divisão de Papéis
A Prime Intellect construiu uma rede de treinamento verificável, sem permissão e com mecanismos de incentivo econômico, 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:
O fluxo central do protocolo inclui a publicação de tarefas, treinamento de nós, validação de trajetórias, agregação de pesos e distribuição de recompensas, formando um ciclo de incentivo em torno do "comportamento real de treinamento".
Quatro, 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 de reforço treinado por nós descentralizados, assíncronos e sem necessidade de confiança no mundo, com uma escala de parâmetros de 32B. O modelo INTELLECT-2 foi treinado em colaboração por mais de 100 nós heterogêneos de GPU espalhados por três continentes, utilizando uma arquitetura totalmente assíncrona, com um tempo de treinamento superior a 400 horas, demonstrando a viabilidade e a estabilidade da rede de colaboração assíncrona. Este modelo não só representa um avanço em termos de desempenho, mas também é a primeira implementação sistemática do paradigma "treinamento é consenso" proposto pela Prime Intellect. O INTELLECT-2 integra o PRIME