Sự tiến hóa của mô hình huấn luyện AI: Cách mạng công nghệ từ kiểm soát tập trung đến hợp tác phi tập trung
Trong toàn bộ chuỗi giá trị của AI, đào tạo mô hình là giai đoạn tiêu tốn tài nguyên nhiều nhất và có rào cản kỹ thuật cao nhất, quyết định trực tiếp giới hạn khả năng của mô hình và hiệu quả ứng dụng thực tế. So với việc gọi nhẹ nhàng ở giai đoạn suy luận, quá trình đào tạo cần đầu tư sức mạnh tính toán quy mô lớn liên tục, quy trình xử lý dữ liệu phức tạp và hỗ trợ thuật toán tối ưu hóa cường độ cao, là "ngành công nghiệp nặng" thực sự trong việc xây dựng hệ thống AI. Từ góc độ kiểu kiến trúc, phương thức đào tạo có thể được chia thành bốn loại: đào tạo tập trung, đào tạo phân tán, học liên bang và đào tạo 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 địa phương, hoàn thành toàn bộ quy trình đào tạo, từ phần cứng, phần mềm cơ sở, hệ thống lập lịch cụm, đến tất cả các thành phần của khung đào tạo đều được điều phối và vận hành bởi một hệ thống kiểm soát thống nhất. Kiến trúc phối hợp sâu sắc này giúp hiệu quả của chia sẻ bộ nhớ, đồng bộ hóa độ dốc và cơ chế chịu lỗi đạt được mức tối ưu, rất phù hợp cho việc đào tạo các mô hình quy mô lớn như GPT, Gemini, có ưu điểm là hiệu suất cao và 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.
Đào tạo phân tán là phương pháp chính hiện nay trong đào tạo mô hình lớn, cốt lõi của nó là phân tách nhiệm vụ đào tạo mô hình, sau đó phân phối đến nhiều máy để thực hiện đồng thời, nhằm vượt qua những hạn chế 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 được các cơ quan trung ương 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 NVLink tốc độ cao, 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 chia sẻ, cần phải khớp trọng số mô hình
Song song mô hình: 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 giai đoạn, nâng cao thông lượng;
Phân tán tensor: Chia nhỏ tinh vi phép toán ma trận, nâng cao độ tinh vi của sự song song.
Đào tạo phân tán là sự kết hợp của "kiểm soát tập trung + thực hiện phân tán", tương tự như việc 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 phổ biến đều hoàn thành đào tạo theo cách này.
Phi tập trung đào tạo thì đại diện cho một con đường tương lai có tính mở và khả năng chống kiểm duyệt hơn. Đặc điểm cốt lõi của nó là: nhiều nút không tin tưởng lẫn nhau phối hợp thực hiện nhiệm vụ đào tạo mà không cần một điều phối viên trung tâm, thường thông qua giao thức để thúc đẩy việc phân phối nhiệm vụ và hợp tác, và nhờ vào cơ chế khen thưởng mã hóa để đảm bảo tính trung thực của sự đóng góp. Mô hình này đang đối mặt với những thách thức chính bao gồm:
Thiết bị dị hợp và khó khăn trong việc phân chia: Khó khăn trong việc phối hợp thiết bị dị hợp, hiệu quả phân chia nhiệm vụ thấp;
Đ bottleneck hiệu suất giao tiếp: Giao tiếp mạng không ổn định, nút thắt đồng bộ độ dốc rõ ràng;
Thiếu thực thi đáng tin cậy: Thiếu môi trường thực thi đáng 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 tâm, việc phân phát nhiệm vụ và cơ chế hoàn nguyên 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 toàn mật mã, cơ chế kinh tế, xác thực mô hình và nhiều khía cạnh khác, nhưng liệu có thể "hợp tác hiệu quả + khuyến khích trung thực + kết quả chính xác" vẫn đang ở giai đoạn khám phá nguyên mẫu sớm.
Học liên bang, như một hình thức chuyển tiếp giữa phân phối và Phi tập trung, nhấn mạnh việc giữ dữ liệu tại địa phương và tập hợp các tham số mô hình. Nó phù hợp với các tình huống chú trọng đến sự tuân thủ quyền riêng tư. Học liên bang có cấu trúc kỹ thuật của việc đào tạo phân phối và khả năng hợp tác cục bộ, đồng thời 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 chống kiểm duyệt. Nó có thể được coi là một giải pháp "Phi tập trung có kiểm soát" trong các tình huống tuân thủ quyền riêng tư, với nhiệm vụ đào tạo, cấu trúc niềm tin và cơ chế giao tiếp đều tương đối ôn hòa, phù hợp hơn như một kiến trúc triển khai tạm thời trong ngành công nghiệp.
Bảng so sánh toàn cảnh các phương pháp đào tạo AI
Phi tập trung đào tạo của ranh giới, cơ hội và con đường thực tế
Từ góc độ mô hình đào tạo, đào tạo phi tập trung không phù hợp với tất cả các loại nhiệm vụ. Trong một số tình huống, do cấu trúc nhiệm vụ phức tạp, nhu cầu tài nguyên cực cao hoặc độ khó hợp tác lớn, nó tự nhiên không phù hợp để hoàn thành hiệu quả giữa các nút khác nhau, không tin cậy. Ví dụ, đào tạo mô hình lớn thường phụ thuộc vào bộ nhớ video cao, độ trễ thấp và băng thông cao, khó có thể chia sẻ và đồng bộ hiệu quả trong mạng mở; nhiệm vụ bị hạn chế bởi quyền riêng tư dữ liệu và hạn chế chủ quyền do quy định pháp lý và ràng buộc đạo đức, không thể chia sẻ một cách công khai; trong khi đó, các nhiệm vụ thiếu động lực hợp tác thì không có động lực tham gia từ bên ngoài. Những ranh giới này tạo thành những hạn chế thực tế hiện tại của đào tạo phi tập trung.
Nhưng điều này không có nghĩa là đào tạo phi tập trung là một giả thuyết sai. Thực tế, trong các loại nhiệm vụ có cấu trúc nhẹ, dễ song song, có thể khuyến khích, 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 sau liên quan đến căn chỉnh hành vi, nhiệm vụ đào tạo và gán nhãn crowdsourcing dữ liệu, đào tạo mô hình cơ bản nhỏ kiểm soát tài nguyên, cũng như các kịch bản đào tạo hợp tác có sự tham gia của thiết bị biên. Những nhiệm vụ này thường có tính song song cao, độ liên kết thấp và khả năng chịu đựng 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 nhiệm vụ thích ứng tổng quan bảng
Phi tập trung đào tạo dự án kinh điển phân tích
Hiện tại, trong lĩnh vực đào tạo phi tập trung và học tập 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 trong việc thực hiện kỹ thuật, Prime Intellect, Nous Research và Pluralis.ai đã đề xuất nhiều khám phá sáng tạo trong thiết kế hệ thống và thuật toán, đại diện cho hướng nghiên cứu lý thuyết tiên tiến hiện nay; trong khi đó, con đường thực hiện của Gensyn và Flock.io tương đối rõ ràng, đã có thể thấy được những tiến triển ban đầu trong việc kỹ thuật hóa. Bài viết này sẽ lần lượt phân tích các công nghệ cốt lõi và kiến trúc kỹ thuật phía sau năm dự án này, đồng thời 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: Người tiên phong mạng lưới hợp tác học tăng cường có thể xác minh được quỹ đạo đào tạo
Prime Intellect cam kết xây dựng một mạng lưới huấn luyện AI không cần tin tưởng, cho phép bất kỳ ai cũng có thể tham gia huấn luyện và nhận phần thưởng đáng tin cậy cho những đóng góp tính toán của họ. Prime Intellect mong muốn thông qua ba mô-đun PRIME-RL + TOPLOC + SHARDCAST, xây dựng một hệ thống huấn luyện AI Phi tập trung có tính khả thi, mở và đầy đủ cơ chế khuyến khích.
Một, Cấu trúc và giá trị của các mô-đun chính trong giao thức Prime Intellect
Hai, Giải thích chi tiết cơ chế huấn luyện Prime Intellect
PRIME-RL: Kiến trúc nhiệm vụ tăng cường phi tập trung đồng bộ hóa
PRIME-RL là khung mô hình hóa và thực hiện nhiệm vụ được Prime Intellect tùy chỉnh cho các tình huống đào tạo Phi tập trung, được thiết kế đặc biệt cho mạng lưới dị thể và sự tham gia không đồng bộ. Nó sử dụng học tăng cường như một đối tượng ưu tiên thích ứng, cấu trúc tách biệt quy trình đào tạo, suy diễn và tải lên trọng số, cho phép mỗi nút đào tạo hoàn thành vòng lặp nhiệm vụ độc lập tại chỗ, và phối hợp thông qua giao diện tiêu chuẩn hóa với cơ chế xác minh và tổng hợp. So với quy trình học giám sát truyền thống, PRIME-RL phù hợp hơn để thực hiện đào tạo linh hoạt trong môi trường không có điều phối trung tâm, vừa giảm 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 thực hành vi huấn luyện nhẹ
TOPLOC là cơ chế cốt lõi về khả năng xác minh được đề xuất bởi Prime Intellect, được sử dụng để xác định xem một nút có thực 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 thay vào đó, nó hoàn thành việc xác minh cấu trúc nhẹ bằng cách phân tích quỹ đạo nhất quán cục bộ giữa "chuỗi quan sát ↔ cập nhật chiến lược". Đây là lần đầu tiên hành vi quỹ đạo trong quá trình huấn luyện được chuyển đổi thành đối tượng có thể xác minh, là đổi mới then chốt để phân phối phần thưởng huấn luyện mà không cần tin cậy, cung cấp con đường khả thi để xây dựng mạng lưới huấn luyện hợp tác phi tập trung có thể kiểm toán và có tính khuyến khích.
SHARDCAST: Giao thức tổng hợp trọng số bất đồng bộ và truyền bá
SHARDCAST là giao thức phát tán và hợp nhất trọng số được thiết kế bởi Prime Intellect, được tối ưu hóa cho môi trường mạng thực tế với tính chất không đồng bộ, băng thông hạn chế và trạng thái nút thay đổi liên tục. Nó kết hợp cơ chế phát tán gossip với chiến lược đồng bộ cục bộ, cho phép nhiều nút tiếp tục gửi các cập nhật một phần trong trạng thái không đồng bộ, đạt được sự hội tụ trọng số dần dần và tiến hóa đa phiên bản. So với các phương pháp AllReduce tập trung hoặc đồng bộ, SHARDCAST nâng cao 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 vòng lặp đào tạo liên tục.
OpenDiLoCo: Khung giao tiếp bất đồng bộ thưa thớt
OpenDiLoCo là một khung tối ưu hóa giao tiếp được nhóm Prime Intellect độc lập thực hiện và mã nguồn mở dựa trên ý tưởng DiLoCo do DeepMind đề xuất, được thiết kế đặc biệt để giải quyết các thách thức thường gặp trong đào tạo phi tập trung như băng thông hạn chế, thiết bị không đồng nhất và nút không ổn định. Kiến trúc của nó dựa trên dữ liệu song song, thông qua việc xây dựng các cấu trúc hình học thưa như Ring, Expander, Small-World, tránh được chi phí truyền thông cao do đồng bộ toàn cầu, chỉ phụ thuộc vào các nút hàng xóm cục bộ để hoàn thành 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 truyền thông hợp tác
PCCL 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 thích ứng của thư viện giao tiếp truyền thống trong các thiết bị dị thể và mạng lưới băng thông thấp. PCCL hỗ trợ cấu trúc 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 nền tảng hỗ trợ khả năng giao tiếp bất đồng bộ của giao thức OpenDiLoCo. Nó cải thiện đáng kể khả năng chịu đựng băng thông của mạng đào tạo và tính tương thích thiết bị, mở ra "km cuối cùng" cho cơ sở hạ tầng giao tiếp trong việc xây dựng mạng đào tạo hợp tác thực sự mở và không cần tin cậy.
Ba, Mạng lưới khuyến khích Prime Intellect và phân công vai trò
Prime Intellect đã xây dựng một mạng lưới đào tạo 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 huấn luyện, mô hình ban đầu, hàm thưởng và tiêu chuẩn xác thực
Nút đào tạo: thực hiện đào tạo cục bộ, gửi cập nhật trọng số và theo dõi quan sát
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 phát hành nhiệm vụ, đào tạo nút, xác minh quỹ đạo, tổng hợp trọng số và phát thưởng, tạo thành một vòng khuyến khích xoay quanh "hành vi đào tạo thực sự".
Bốn, 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 thông qua hợp tác giữa các nút phi tập trung, không cần tin cậy và không đồng bộ, với quy mô tham số lên tới 32B. Mô hình INTELLECT-2 được hoàn thành thông qua việc hợp tác đào tạo của hơn 100 nút GPU phân tán trên ba châu lục, sử dụng kiến trúc hoàn toàn không đồng bộ, thời gian đào tạo vượt quá 400 giờ, cho thấy tính khả thi và ổn định của mạng lưới hợp tác không đồng bộ. Mô hình này không chỉ là một bước đột phá về hiệu suất mà còn là lần đầu tiên hệ thống hóa mô hình "đào tạo tức là đồng thuận" mà Prime Intellect đã đề xuất. INTELLECT-2 tích hợp PRIME
Trang này có thể chứa nội dung của bên thứ ba, được cung cấp chỉ nhằm mục đích thông tin (không phải là tuyên bố/bảo đảm) và không được coi là sự chứng thực cho quan điểm của Gate hoặc là lời khuyên về tài chính hoặc chuyên môn. Xem Tuyên bố từ chối trách nhiệm để biết chi tiết.
Khám phá đào tạo AI phi tập trung: Cuộc cách mạng công nghệ từ kiểm soát tập trung đến hợp tác toàn cầu
Sự tiến hóa của mô hình huấn luyện AI: Cách mạng công nghệ từ kiểm soát tập trung đến hợp tác phi tập trung
Trong toàn bộ chuỗi giá trị của AI, đào tạo mô hình là giai đoạn tiêu tốn tài nguyên nhiều nhất và có rào cản kỹ thuật cao nhất, quyết định trực tiếp giới hạn khả năng của mô hình và hiệu quả ứng dụng thực tế. So với việc gọi nhẹ nhàng ở giai đoạn suy luận, quá trình đào tạo cần đầu tư sức mạnh tính toán quy mô lớn liên tục, quy trình xử lý dữ liệu phức tạp và hỗ trợ thuật toán tối ưu hóa cường độ cao, là "ngành công nghiệp nặng" thực sự trong việc xây dựng hệ thống AI. Từ góc độ kiểu kiến trúc, phương thức đào tạo có thể được chia thành bốn loại: đào tạo tập trung, đào tạo phân tán, học liên bang và đào tạo 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 địa phương, hoàn thành toàn bộ quy trình đào tạo, từ phần cứng, phần mềm cơ sở, hệ thống lập lịch cụm, đến tất cả các thành phần của khung đào tạo đều được điều phối và vận hành bởi một hệ thống kiểm soát thống nhất. Kiến trúc phối hợp sâu sắc này giúp hiệu quả của chia sẻ bộ nhớ, đồng bộ hóa độ dốc và cơ chế chịu lỗi đạt được mức tối ưu, rất phù hợp cho việc đào tạo các mô hình quy mô lớn như GPT, Gemini, có ưu điểm là hiệu suất cao và 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.
Đào tạo phân tán là phương pháp chính hiện nay trong đào tạo mô hình lớn, cốt lõi của nó là phân tách nhiệm vụ đào tạo mô hình, sau đó phân phối đến nhiều máy để thực hiện đồng thời, nhằm vượt qua những hạn chế 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 được các cơ quan trung ương 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 NVLink tốc độ cao, do nút chính đồng bộ hóa các nhiệm vụ con. Các phương pháp chính bao gồm:
Đào tạo phân tán là sự kết hợp của "kiểm soát tập trung + thực hiện phân tán", tương tự như việc 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 phổ biến đều hoàn thành đào tạo theo cách này.
Phi tập trung đào tạo thì đại diện cho một con đường tương lai có tính mở và khả năng chống kiểm duyệt hơn. Đặc điểm cốt lõi của nó là: nhiều nút không tin tưởng lẫn nhau phối hợp thực hiện nhiệm vụ đào tạo mà không cần một điều phối viên trung tâm, thường thông qua giao thức để thúc đẩy việc phân phối nhiệm vụ và hợp tác, và nhờ vào cơ chế khen thưởng mã hóa để đảm bảo tính trung thực của sự đóng góp. Mô hình này đang đối mặt với những thách thức chính 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 toàn mật mã, cơ chế kinh tế, xác thực mô hình và nhiều khía cạnh khác, nhưng liệu có thể "hợp tác hiệu quả + khuyến khích trung thực + kết quả chính xác" vẫn đang ở giai đoạn khám phá nguyên mẫu sớm.
Học liên bang, như một hình thức chuyển tiếp giữa phân phối và Phi tập trung, nhấn mạnh việc giữ dữ liệu tại địa phương và tập hợp các tham số mô hình. Nó phù hợp với các tình huống chú trọng đến sự tuân thủ quyền riêng tư. Học liên bang có cấu trúc kỹ thuật của việc đào tạo phân phối và khả năng hợp tác cục bộ, đồng thời 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 chống kiểm duyệt. Nó có thể được coi là một giải pháp "Phi tập trung có kiểm soát" trong các tình huống tuân thủ quyền riêng tư, với nhiệm vụ đào tạo, cấu trúc niềm tin và cơ chế giao tiếp đều tương đối ôn hòa, phù hợp hơn như một kiến trúc triển khai tạm thời trong ngành công nghiệp.
Bảng so sánh toàn cảnh các phương pháp đào tạo AI
Phi tập trung đào tạo của ranh giới, cơ hội và con đường thực tế
Từ góc độ mô hình đào tạo, đào tạo phi tập trung không phù hợp với tất cả các loại nhiệm vụ. Trong một số tình huống, do cấu trúc nhiệm vụ phức tạp, nhu cầu tài nguyên cực cao hoặc độ khó hợp tác lớn, nó tự nhiên không phù hợp để hoàn thành hiệu quả giữa các nút khác nhau, không tin cậy. Ví dụ, đào tạo mô hình lớn thường phụ thuộc vào bộ nhớ video cao, độ trễ thấp và băng thông cao, khó có thể chia sẻ và đồng bộ hiệu quả trong mạng mở; nhiệm vụ bị hạn chế bởi quyền riêng tư dữ liệu và hạn chế chủ quyền do quy định pháp lý và ràng buộc đạo đức, không thể chia sẻ một cách công khai; trong khi đó, các nhiệm vụ thiếu động lực hợp tác thì không có động lực tham gia từ bên ngoài. Những ranh giới này tạo thành những hạn chế thực tế hiện tại của đào tạo phi tập trung.
Nhưng điều này không có nghĩa là đào tạo phi tập trung là một giả thuyết sai. Thực tế, trong các loại nhiệm vụ có cấu trúc nhẹ, dễ song song, có thể khuyến khích, 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 sau liên quan đến căn chỉnh hành vi, nhiệm vụ đào tạo và gán nhãn crowdsourcing dữ liệu, đào tạo mô hình cơ bản nhỏ kiểm soát tài nguyên, cũng như các kịch bản đào tạo hợp tác có sự tham gia của thiết bị biên. Những nhiệm vụ này thường có tính song song cao, độ liên kết thấp và khả năng chịu đựng 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 nhiệm vụ thích ứng tổng quan bảng
Phi tập trung đào tạo dự án kinh điển phân tích
Hiện tại, trong lĩnh vực đào tạo phi tập trung và học tập 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 trong việc thực hiện kỹ thuật, Prime Intellect, Nous Research và Pluralis.ai đã đề xuất nhiều khám phá sáng tạo trong thiết kế hệ thống và thuật toán, đại diện cho hướng nghiên cứu lý thuyết tiên tiến hiện nay; trong khi đó, con đường thực hiện của Gensyn và Flock.io tương đối rõ ràng, đã có thể thấy được những tiến triển ban đầu trong việc kỹ thuật hóa. Bài viết này sẽ lần lượt phân tích các công nghệ cốt lõi và kiến trúc kỹ thuật phía sau năm dự án này, đồng thời 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: Người tiên phong mạng lưới hợp tác học tăng cường có thể xác minh được quỹ đạo đào tạo
Prime Intellect cam kết xây dựng một mạng lưới huấn luyện AI không cần tin tưởng, cho phép bất kỳ ai cũng có thể tham gia huấn luyện và nhận phần thưởng đáng tin cậy cho những đóng góp tính toán của họ. Prime Intellect mong muốn thông qua ba mô-đun PRIME-RL + TOPLOC + SHARDCAST, xây dựng một hệ thống huấn luyện AI Phi tập trung có tính khả thi, mở và đầy đủ cơ chế khuyến khích.
Một, Cấu trúc và giá trị của các mô-đun chính trong giao thức Prime Intellect
Hai, Giải thích chi tiết cơ chế huấn luyện Prime Intellect
PRIME-RL: Kiến trúc nhiệm vụ tăng cường phi tập trung đồng bộ hóa
PRIME-RL là khung mô hình hóa và thực hiện nhiệm vụ được Prime Intellect tùy chỉnh cho các tình huống đào tạo Phi tập trung, được thiết kế đặc biệt cho mạng lưới dị thể và sự tham gia không đồng bộ. Nó sử dụng học tăng cường như một đối tượng ưu tiên thích ứng, cấu trúc tách biệt quy trình đào tạo, suy diễn và tải lên trọng số, cho phép mỗi nút đào tạo hoàn thành vòng lặp nhiệm vụ độc lập tại chỗ, và phối hợp thông qua giao diện tiêu chuẩn hóa với cơ chế xác minh và tổng hợp. So với quy trình học giám sát truyền thống, PRIME-RL phù hợp hơn để thực hiện đào tạo linh hoạt trong môi trường không có điều phối trung tâm, vừa giảm 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 thực hành vi huấn luyện nhẹ
TOPLOC là cơ chế cốt lõi về khả năng xác minh được đề xuất bởi Prime Intellect, được sử dụng để xác định xem một nút có thực 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 thay vào đó, nó hoàn thành việc xác minh cấu trúc nhẹ bằng cách phân tích quỹ đạo nhất quán cục bộ giữa "chuỗi quan sát ↔ cập nhật chiến lược". Đây là lần đầu tiên hành vi quỹ đạo trong quá trình huấn luyện được chuyển đổi thành đối tượng có thể xác minh, là đổi mới then chốt để phân phối phần thưởng huấn luyện mà không cần tin cậy, cung cấp con đường khả thi để xây dựng mạng lưới huấn luyện hợp tác phi tập trung có thể kiểm toán và có tính khuyến khích.
SHARDCAST: Giao thức tổng hợp trọng số bất đồng bộ và truyền bá
SHARDCAST là giao thức phát tán và hợp nhất trọng số được thiết kế bởi Prime Intellect, được tối ưu hóa cho môi trường mạng thực tế với tính chất không đồng bộ, băng thông hạn chế và trạng thái nút thay đổi liên tục. Nó kết hợp cơ chế phát tán gossip với chiến lược đồng bộ cục bộ, cho phép nhiều nút tiếp tục gửi các cập nhật một phần trong trạng thái không đồng bộ, đạt được sự hội tụ trọng số dần dần và tiến hóa đa phiên bản. So với các phương pháp AllReduce tập trung hoặc đồng bộ, SHARDCAST nâng cao 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 vòng lặp đào tạo liên tục.
OpenDiLoCo: Khung giao tiếp bất đồng bộ thưa thớt
OpenDiLoCo là một khung tối ưu hóa giao tiếp được nhóm Prime Intellect độc lập thực hiện và mã nguồn mở dựa trên ý tưởng DiLoCo do DeepMind đề xuất, được thiết kế đặc biệt để giải quyết các thách thức thường gặp trong đào tạo phi tập trung như băng thông hạn chế, thiết bị không đồng nhất và nút không ổn định. Kiến trúc của nó dựa trên dữ liệu song song, thông qua việc xây dựng các cấu trúc hình học thưa như Ring, Expander, Small-World, tránh được chi phí truyền thông cao do đồng bộ toàn cầu, chỉ phụ thuộc vào các nút hàng xóm cục bộ để hoàn thành 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 truyền thông hợp tác
PCCL 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 thích ứng của thư viện giao tiếp truyền thống trong các thiết bị dị thể và mạng lưới băng thông thấp. PCCL hỗ trợ cấu trúc 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 nền tảng hỗ trợ khả năng giao tiếp bất đồng bộ của giao thức OpenDiLoCo. Nó cải thiện đáng kể khả năng chịu đựng băng thông của mạng đào tạo và tính tương thích thiết bị, mở ra "km cuối cùng" cho cơ sở hạ tầng giao tiếp trong việc xây dựng mạng đào tạo hợp tác thực sự mở và không cần tin cậy.
Ba, Mạng lưới khuyến khích Prime Intellect và phân công vai trò
Prime Intellect đã xây dựng một mạng lưới đào tạo 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 phát hành nhiệm vụ, đào tạo nút, xác minh quỹ đạo, tổng hợp trọng số và phát thưởng, tạo thành một vòng khuyến khích xoay quanh "hành vi đào tạo thực sự".
Bốn, 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 thông qua hợp tác giữa các nút phi tập trung, không cần tin cậy và không đồng bộ, với quy mô tham số lên tới 32B. Mô hình INTELLECT-2 được hoàn thành thông qua việc hợp tác đào tạo của hơn 100 nút GPU phân tán trên ba châu lục, sử dụng kiến trúc hoàn toàn không đồng bộ, thời gian đào tạo vượt quá 400 giờ, cho thấy tính khả thi và ổn định của mạng lưới hợp tác không đồng bộ. Mô hình này không chỉ là một bước đột phá về hiệu suất mà còn là lần đầu tiên hệ thống hóa mô hình "đào tạo tức là đồng thuận" mà Prime Intellect đã đề xuất. INTELLECT-2 tích hợp PRIME