Chén thánh của Crypto AI: Khám phá tiên tiến về đào tạo Phi tập trung
Trong toàn bộ chuỗi giá trị của AI, 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 khả năng tối đa 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 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, là "ngành công nghiệp nặng" thực sự trong việc xây dựng hệ thống AI. Xét về mô hình 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 cụm hiệu suất cao tại địa phương, hoàn thành toàn bộ quy trình đào tạo, từ phần cứng, phần mềm nền tảng, hệ thống lập lịch cụm, đến tất cả các thành phần của khung đào tạo đều được một hệ thống điều khiển thống nhất phối hợp vận hành. Kiến trúc hợp tác sâu sắc này cho phép chia sẻ bộ nhớ, đồng bộ hóa gradient 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, mang lại lợi thế về 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.
Huấn luyện phân tán là phương thức chính trong huấn luyện mô hình lớn hiện nay, cốt lõi của nó là chia nhỏ nhiệm vụ huấn luyện mô hình và phân phối chúng cho nhiều máy tính để phối hợp thực hiện, nhằm vượt qua các nút thắt trong tính toán và lưu trữ của một máy. Mặc dù về mặt vật lý có đặc điểm "Phi tập trung", nhưng tổng thể vẫn được 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 điều phối các nhiệm vụ con. Các phương pháp chính bao gồm:
Song song dữ liệu: Mỗi nút huấn luyện các tham số dữ liệu khác nhau chia sẻ, cần khớp trọng số mô hình
Phân tán 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 từng giai đoạn, tăng cường thông lượng
Song song tensor: phân chia tinh vi tính toán ma trận, nâng cao độ mịn của sự song song
Huấn luyện phân tán là sự kết hợp của "kiểm soát tập trung + thực hiện phân tán", tương tự như một ông chủ chỉ huy từ xa nhiều "văn phòng" nhân viên phối hợp hoàn thành nhiệm vụ. Hiện tại hầu như tất cả các mô hình lớn chính đều được hoàn thành huấn luyện theo cách này.
Phi tập trung đào tạo đại diện cho 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 (có thể là máy tính gia đình, GPU đám mây hoặc thiết bị biên) phối hợp thực hiện nhiệm vụ đào tạo mà không cần điều phối viên trung tâm, thường thông qua giao thức để phân phối và hợp tác nhiệm vụ, và nhờ vào cơ chế khuyến khích mã hóa để đảm bảo tính trung thực của các đóng góp. Những thách thức chính mà mô hình này phải đối mặt bao gồm:
Khó khăn trong việc phân tách và đồng bộ thiết bị: Khó khăn trong việc phối hợp thiết bị khác nhau, hiệu suất phân tách nhiệm vụ thấp.
Nút thắt hiệu suất truyền thông: Giao tiếp mạng không ổn định, nút thắt đồng bộ gradient 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 vào việc tính toán hay không.
Thiếu sự phối hợp thống nhất: Không có bộ điều phối trung ương, việc phân phối nhiệm vụ và cơ chế phục hồi bất thường phức tạp
Phi tập trung huấn luyện có thể hiểu là: một nhóm tình nguyện viên toàn cầu, mỗi người đóng góp sức mạnh tính toán để phối hợp huấn luyện mô hình, nhưng "huấn luyện 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 minh mô hình và nhiều khía cạnh khác, nhưng khả năng "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 tán và Phi tập trung, nhấn mạnh việc giữ lại dữ liệu tại địa phương, tập hợp tập trung các tham số mô hình, phù hợp với các tình huống chú trọng đến sự tuân thủ quyền riêng tư. Học liên bang có cấu trúc kỹ thuật của đào tạo phân tán 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 và không có đặc tính hoàn toàn mở và chống kiểm duyệt. Nó có thể được xem như một giải pháp "Phi tập trung có kiểm soát" trong bối cảnh 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 để triển khai chuyển tiếp trong ngành công nghiệp.
Phi tập trung đào tạo của ranh giới, cơ hội và con đường thực tế
Xét 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 khó khăn trong hợp tác, nó tự nhiên không thích hợp để hoàn thành hiệu quả giữa các nút không đồng nhất và không cần tin cậy. Ví dụ, đào tạo mô hình lớn thường phụ thuộc vào bộ nhớ cao, độ trễ thấp và băng thông cao, khó để phân chia và đồng bộ hiệu quả trong mạng mở; các nhiệm vụ có hạn chế mạnh về quyền riêng tư dữ liệu và chủ quyền bị giới hạn bởi tuân thủ pháp luật và ràng buộc đạo đức, không thể chia sẻ công khai; trong khi các nhiệm vụ thiếu động lực hợp tác thì thiếu động lực tham gia từ bên ngoài. Những ranh giới này cùng nhau cấu thành các hạn chế thực tế của đào tạo phi tập trung hiện nay.
Nhưng điều này không có nghĩa là huấn luyện phi tập trung là một giả thuyết sai. Thực tế, trong các loại tác vụ có cấu trúc nhẹ, dễ song song và có thể khuyến khích, huấn luyện phi tập trung thể hiện rõ triển vọng ứng dụng. Bao gồm nhưng không giới hạn: tinh chỉnh LoRA, các tác vụ huấn luyện sau đồng hành với việc căn chỉnh hành vi, huấn luyện và gán nhãn dữ liệu crowdsourcing, huấn luyện các mô hình cơ bản nhỏ có thể kiểm soát tài nguyên, cũng như các kịch bản huấn luyện hợp tác có sự tham gia của thiết bị biên. Những tác vụ này thường có tính song song cao, tính kết hợp thấp và khả năng chịu đựng sức mạnh tính toán dị biệt, rất phù hợp để thực hiện huấn luyện hợp tác qua mạng P2P, giao thức Swarm, bộ tối ưu phân tán và các phương pháp khác.
Phi tập trung đào tạo các 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 bao gồm Prime Intellect, Pluralis.ai, Gensyn, Nous Research và Flock.io. Xét về tính đổi mới công nghệ và độ khó trong thực hiện kỹ thuật, Prime Intellect, Nous Research và Pluralis.ai đã đưa ra nhiều khám phá sáng tạo trong thiết kế hệ thống và thuật toán, đại diện cho hướng nghiên cứu lý thuyết hiện tại; trong khi Gensyn và Flock.io có con đường thực hiện tương đối rõ ràng, đã có thể thấy những tiến triển ban đầu trong việc hiện thực hóa.
Prime Intellect：Người tiên phong trong 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 cậy, cho phép bất kỳ ai cũng có thể tham gia huấn luyện và nhận được phần thưởng đáng tin cậy cho đóng góp tính toán của họ. Prime Intellect hy vọng thông qua ba mô-đun PRIME-RL + TOPLOC + SHARDCAST, xây dựng một hệ thống huấn luyện AI Phi tập trung có tính khả thi, công khai và đầy đủ cơ chế khuyến khích.
Giải thích chi tiết cơ chế chính
PRIME-RL là khung mô hình và thực hiện nhiệm vụ được Prime Intellect tùy chỉnh cho các kịch bản 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 đối tượng ưu tiên thích ứng, tách biệt cấu trúc quá trình đào tạo, suy diễn và tải trọng, cho phép mỗi nút đào tạo hoàn thành vòng nhiệm vụ độc lập tại địa phương, và phối hợp thông qua giao diện tiêu chuẩn hóa với cơ chế xác thực và tập 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 trung tâm điều độ, vừa giảm độ phức tạp của hệ thống vừa tạo nền tảng cho việc hỗ trợ đa nhiệm song song và tiến hóa chiến lược.
TOPLOC là cơ chế cốt lõi có thể xác minh được do Prime Intellect đề xuất, dùng 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 phương án nặng như ZKML, TOPLOC không phụ thuộc vào việc tính toán lại toàn bộ mô hình, mà thay vào đó, nó hoàn thành xác minh cấu trúc nhẹ bằng cách phân tích "chuỗi quan sát↔cập nhật chiến lược" giữa các quỹ đạo nhất quán cục bộ. Nó lần đầu tiên chuyển đổi quỹ đạo hành vi trong quá trình đào tạo thành đối tượng có thể xác minh, là đổi mới chính để đạt được phân phối phần thưởng đào tạo không cần tin cậy, cung cấp một lộ trình khả thi cho việc xây dựng mạng lưới đào tạo hợp tác phi tập trung có thể kiểm toán và khuyến khích.
SHARDCAST là giao thức truyền và tổng hợp trọng số được thiết kế bởi Prime Intellect, được tối ưu hóa cho môi trường mạng thực tế không đồng bộ, hạn chế băng thông và trạng thái nút biến đổi. Nó kết hợp cơ chế truyền gossip và chiến lược đồng bộ cục bộ, cho phép nhiều nút tiếp tục gửi các cập nhật phần trong trạng thái không đồng bộ, đạt được sự hội tụ dần dần của trọng số và tiến hóa nhiều 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 quá trình đào tạo lặp đi lặp lại.
OpenDiLoCo là một khung tối ưu hóa giao tiếp được đội ngũ Prime Intellect độc lập thực hiện và mã nguồn mở dựa trên ý tưởng DiLoCo do DeepMind đề xuất, được thiết kế đặc biệt cho những 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 tô pô thưa như Ring, Expander, Small-World, tránh được chi phí giao tiếp cao của đồng bộ toàn cầu, chỉ phụ thuộc vào các nút láng giềng cục bộ để hoàn thành đào tạo hợp tác mô hình. Kết hợp với 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 trong 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 là thư viện giao tiếp nhẹ được Prime Intellect thiết kế riêng cho môi trường đào tạo AI Phi tập trung, nhằm giải quyết những bế tắc trong việc thích ứng của các thư viện giao tiếp truyền thống trên các thiết bị khác nhau và mạng có băng thông thấp. PCCL hỗ trợ topo thưa, nén độ dốc, 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 nâng cao đáng kể khả năng chịu băng thông và tính tương thích của thiết bị trong mạng đào tạo, mở ra "km cuối cùng" cho cơ sở hạ tầng giao tiếp của một mạng đào tạo hợp tác thực sự mở và không cần tin cậy.
Mạng kích thích Prime Intellect và phân công vai trò
Prime Intellect xây dựng một mạng lưới đào tạo không cần cấp phép, có thể xác minh, với cơ chế kích thích kinh tế, cho phép bất kỳ ai tham gia vào nhiệm vụ và nhận 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 thưởng và tiêu chí xác thực
Nút huấn luyện: Thực hiện huấn luyện cục bộ, gửi cập nhật trọng số và theo dõi quan sát
Nút xác thực: Sử dụng cơ chế TOPLOC để xác minh tính xác thực của hành vi đào tạo và tham gia vào việc tính toán phần thưởng và hợp nhất 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 (SHARDCAST) và phát thưởng, tạo thành một vòng khép kín khuyến khích xoay quanh "hành vi đào tạo thực tế".
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 tăng cường lớn đầu tiên trên thế giới được đào tạo thông qua sự hợp tác của các nút phi tập trung, không cần tin cậy và bất đồng bộ, với quy mô tham số đạt 32B. Mô hình INTELLECT-2 được hoàn thành thông qua sự hợp tác đào tạo của hơn 100 nút GPU không đồng nhất trải rộng trên ba châu lục, sử dụng kiến trúc hoàn toàn bất đồng bộ, với thời gian đào tạo vượt quá 400 giờ, cho thấy tính khả thi và ổn định của mạng lưới hợp tác bất đồng bộ. Mô hình này không chỉ là một bước đột phá về hiệu suất mà còn là sự hiện thực hóa hệ thống đầu tiên của mô hình "đào tạo tức là đồng thuận" mà Prime Intellect đã đề xuất. INTELLECT-2 tích hợp các mô-đun giao thức cốt lõi như PRIME-RL (cấu trúc đào tạo bất đồng bộ), TOPLOC (xác minh hành vi đào tạo) và SHARDCAST (tổng hợp trọng số bất đồng bộ), đánh dấu sự kiện đầu tiên mà mạng lưới đào tạo phi tập trung đạt được sự mở hóa, tính xác minh và vòng khép kín của động lực kinh tế trong quá trình đào tạo.
Về hiệu suất, INTELLECT-2 dựa trên QwQ-32B được đào tạo và đã thực hiện đào tạo RL chuyên biệt về mã và toán học, hiện đang ở mức tiên tiến nhất của các mô hình RL tinh chỉnh mã nguồn mở. Mặc dù chưa vượt qua các mô hình đóng như GPT-4 hoặc Gemini, nhưng ý nghĩa thực sự của nó là: nó là thí nghiệm mô hình phi tập trung đầu tiên trên thế giới có thể tái tạo, xác minh và kiểm toán toàn bộ quá trình đào tạo. Prime Intellect không chỉ mở mã mô hình mà quan trọng hơn là đã mở mã quy trình đào tạo - dữ liệu đào tạo, lộ trình cập nhật chiến lược, quy trình xác thực và logic tổng hợp đều có thể kiểm tra một cách minh bạch, xây dựng một môi trường mà bất kỳ ai cũng có thể tham gia.
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.
12 thích
Phần thưởng
12
5
Đăng lại
Chia sẻ
Bình luận
0/400
RugPullProphet
· 7giờ trước
Lại thổi phồng cơn sốt AI, giống như DAO đã quá phổ biến.
Xem bản gốcTrả lời0
PebbleHander
· 08-12 12:40
Lại đang thổi phồng khái niệm à?
Xem bản gốcTrả lời0
MEVictim
· 08-12 12:38
Đều hiểu đều hiểu, lại là câu chuyện vòng tiền.
Xem bản gốcTrả lời0
RamenDeFiSurvivor
· 08-12 12:24
Cười chết, lại đến vẽ BTC rồi.
Xem bản gốcTrả lời0
rugpull_survivor
· 08-12 12:18
Chỉ có vậy thôi? Nhẹ quá, chỉ có thể đào tạo ra AI đồ chơi.
Crypto AI huấn luyện mô hình mới: Khám phá thách thức và cơ hội của Phi tập trung huấn luyện
Chén thánh của Crypto AI: Khám phá tiên tiến về đào tạo Phi tập trung
Trong toàn bộ chuỗi giá trị của AI, 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 khả năng tối đa 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 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, là "ngành công nghiệp nặng" thực sự trong việc xây dựng hệ thống AI. Xét về mô hình 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 cụm hiệu suất cao tại địa phương, hoàn thành toàn bộ quy trình đào tạo, từ phần cứng, phần mềm nền tảng, hệ thống lập lịch cụm, đến tất cả các thành phần của khung đào tạo đều được một hệ thống điều khiển thống nhất phối hợp vận hành. Kiến trúc hợp tác sâu sắc này cho phép chia sẻ bộ nhớ, đồng bộ hóa gradient 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, mang lại lợi thế về 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.
Huấn luyện phân tán là phương thức chính trong huấn luyện mô hình lớn hiện nay, cốt lõi của nó là chia nhỏ nhiệm vụ huấn luyện mô hình và phân phối chúng cho nhiều máy tính để phối hợp thực hiện, nhằm vượt qua các nút thắt trong tính toán và lưu trữ của một máy. Mặc dù về mặt vật lý có đặc điểm "Phi tập trung", nhưng tổng thể vẫn được 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 điều phối các nhiệm vụ con. Các phương pháp chính bao gồm:
Huấn luyện phân tán là sự kết hợp của "kiểm soát tập trung + thực hiện phân tán", tương tự như một ông chủ chỉ huy từ xa nhiều "văn phòng" nhân viên phối hợp hoàn thành nhiệm vụ. Hiện tại hầu như tất cả các mô hình lớn chính đều được hoàn thành huấn luyện theo cách này.
Phi tập trung đào tạo đại diện cho 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 (có thể là máy tính gia đình, GPU đám mây hoặc thiết bị biên) phối hợp thực hiện nhiệm vụ đào tạo mà không cần điều phối viên trung tâm, thường thông qua giao thức để phân phối và hợp tác nhiệm vụ, và nhờ vào cơ chế khuyến khích mã hóa để đảm bảo tính trung thực của các đóng góp. Những thách thức chính mà mô hình này phải đối mặt bao gồm:
Phi tập trung huấn luyện có thể hiểu là: một nhóm tình nguyện viên toàn cầu, mỗi người đóng góp sức mạnh tính toán để phối hợp huấn luyện mô hình, nhưng "huấn luyện 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 minh mô hình và nhiều khía cạnh khác, nhưng khả năng "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 tán và Phi tập trung, nhấn mạnh việc giữ lại dữ liệu tại địa phương, tập hợp tập trung các tham số mô hình, phù hợp với các tình huống chú trọng đến sự tuân thủ quyền riêng tư. Học liên bang có cấu trúc kỹ thuật của đào tạo phân tán 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 và không có đặc tính hoàn toàn mở và chống kiểm duyệt. Nó có thể được xem như một giải pháp "Phi tập trung có kiểm soát" trong bối cảnh 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 để triển khai chuyển tiếp trong ngành công nghiệp.
Phi tập trung đào tạo của ranh giới, cơ hội và con đường thực tế
Xét 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 khó khăn trong hợp tác, nó tự nhiên không thích hợp để hoàn thành hiệu quả giữa các nút không đồng nhất và không cần tin cậy. Ví dụ, đào tạo mô hình lớn thường phụ thuộc vào bộ nhớ cao, độ trễ thấp và băng thông cao, khó để phân chia và đồng bộ hiệu quả trong mạng mở; các nhiệm vụ có hạn chế mạnh về quyền riêng tư dữ liệu và chủ quyền bị giới hạn bởi tuân thủ pháp luật và ràng buộc đạo đức, không thể chia sẻ công khai; trong khi các nhiệm vụ thiếu động lực hợp tác thì thiếu động lực tham gia từ bên ngoài. Những ranh giới này cùng nhau cấu thành các hạn chế thực tế của đào tạo phi tập trung hiện nay.
Nhưng điều này không có nghĩa là huấn luyện phi tập trung là một giả thuyết sai. Thực tế, trong các loại tác vụ có cấu trúc nhẹ, dễ song song và có thể khuyến khích, huấn luyện phi tập trung thể hiện rõ triển vọng ứng dụng. Bao gồm nhưng không giới hạn: tinh chỉnh LoRA, các tác vụ huấn luyện sau đồng hành với việc căn chỉnh hành vi, huấn luyện và gán nhãn dữ liệu crowdsourcing, huấn luyện các mô hình cơ bản nhỏ có thể kiểm soát tài nguyên, cũng như các kịch bản huấn luyện hợp tác có sự tham gia của thiết bị biên. Những tác vụ này thường có tính song song cao, tính kết hợp thấp và khả năng chịu đựng sức mạnh tính toán dị biệt, rất phù hợp để thực hiện huấn luyện hợp tác qua mạng P2P, giao thức Swarm, bộ tối ưu phân tán và các phương pháp khác.
Phi tập trung đào tạo các 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 bao gồm Prime Intellect, Pluralis.ai, Gensyn, Nous Research và Flock.io. Xét về tính đổi mới công nghệ và độ khó trong thực hiện kỹ thuật, Prime Intellect, Nous Research và Pluralis.ai đã đưa ra nhiều khám phá sáng tạo trong thiết kế hệ thống và thuật toán, đại diện cho hướng nghiên cứu lý thuyết hiện tại; trong khi Gensyn và Flock.io có con đường thực hiện tương đối rõ ràng, đã có thể thấy những tiến triển ban đầu trong việc hiện thực hóa.
Prime Intellect：Người tiên phong trong 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 cậy, cho phép bất kỳ ai cũng có thể tham gia huấn luyện và nhận được phần thưởng đáng tin cậy cho đóng góp tính toán của họ. Prime Intellect hy vọng thông qua ba mô-đun PRIME-RL + TOPLOC + SHARDCAST, xây dựng một hệ thống huấn luyện AI Phi tập trung có tính khả thi, công khai và đầy đủ cơ chế khuyến khích.
Giải thích chi tiết cơ chế chính
PRIME-RL là khung mô hình và thực hiện nhiệm vụ được Prime Intellect tùy chỉnh cho các kịch bản 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 đối tượng ưu tiên thích ứng, tách biệt cấu trúc quá trình đào tạo, suy diễn và tải trọng, cho phép mỗi nút đào tạo hoàn thành vòng nhiệm vụ độc lập tại địa phương, và phối hợp thông qua giao diện tiêu chuẩn hóa với cơ chế xác thực và tập 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 trung tâm điều độ, vừa giảm độ phức tạp của hệ thống vừa tạo nền tảng cho việc hỗ trợ đa nhiệm song song và tiến hóa chiến lược.
TOPLOC là cơ chế cốt lõi có thể xác minh được do Prime Intellect đề xuất, dùng 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 phương án nặng như ZKML, TOPLOC không phụ thuộc vào việc tính toán lại toàn bộ mô hình, mà thay vào đó, nó hoàn thành xác minh cấu trúc nhẹ bằng cách phân tích "chuỗi quan sát↔cập nhật chiến lược" giữa các quỹ đạo nhất quán cục bộ. Nó lần đầu tiên chuyển đổi quỹ đạo hành vi trong quá trình đào tạo thành đối tượng có thể xác minh, là đổi mới chính để đạt được phân phối phần thưởng đào tạo không cần tin cậy, cung cấp một lộ trình khả thi cho việc xây dựng mạng lưới đào tạo hợp tác phi tập trung có thể kiểm toán và khuyến khích.
SHARDCAST là giao thức truyền và tổng hợp trọng số được thiết kế bởi Prime Intellect, được tối ưu hóa cho môi trường mạng thực tế không đồng bộ, hạn chế băng thông và trạng thái nút biến đổi. Nó kết hợp cơ chế truyền gossip và chiến lược đồng bộ cục bộ, cho phép nhiều nút tiếp tục gửi các cập nhật phần trong trạng thái không đồng bộ, đạt được sự hội tụ dần dần của trọng số và tiến hóa nhiều 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 quá trình đào tạo lặp đi lặp lại.
OpenDiLoCo là một khung tối ưu hóa giao tiếp được đội ngũ Prime Intellect độc lập thực hiện và mã nguồn mở dựa trên ý tưởng DiLoCo do DeepMind đề xuất, được thiết kế đặc biệt cho những 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 tô pô thưa như Ring, Expander, Small-World, tránh được chi phí giao tiếp cao của đồng bộ toàn cầu, chỉ phụ thuộc vào các nút láng giềng cục bộ để hoàn thành đào tạo hợp tác mô hình. Kết hợp với 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 trong 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 là thư viện giao tiếp nhẹ được Prime Intellect thiết kế riêng cho môi trường đào tạo AI Phi tập trung, nhằm giải quyết những bế tắc trong việc thích ứng của các thư viện giao tiếp truyền thống trên các thiết bị khác nhau và mạng có băng thông thấp. PCCL hỗ trợ topo thưa, nén độ dốc, 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 nâng cao đáng kể khả năng chịu băng thông và tính tương thích của thiết bị trong mạng đào tạo, mở ra "km cuối cùng" cho cơ sở hạ tầng giao tiếp của một mạng đào tạo hợp tác thực sự mở và không cần tin cậy.
Mạng kích thích Prime Intellect và phân công vai trò
Prime Intellect xây dựng một mạng lưới đào tạo không cần cấp phép, có thể xác minh, với cơ chế kích thích kinh tế, cho phép bất kỳ ai tham gia vào nhiệm vụ và nhận 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 (SHARDCAST) và phát thưởng, tạo thành một vòng khép kín khuyến khích xoay quanh "hành vi đào tạo thực tế".
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 tăng cường lớn đầu tiên trên thế giới được đào tạo thông qua sự hợp tác của các nút phi tập trung, không cần tin cậy và bất đồng bộ, với quy mô tham số đạt 32B. Mô hình INTELLECT-2 được hoàn thành thông qua sự hợp tác đào tạo của hơn 100 nút GPU không đồng nhất trải rộng trên ba châu lục, sử dụng kiến trúc hoàn toàn bất đồng bộ, với thời gian đào tạo vượt quá 400 giờ, cho thấy tính khả thi và ổn định của mạng lưới hợp tác bất đồng bộ. Mô hình này không chỉ là một bước đột phá về hiệu suất mà còn là sự hiện thực hóa hệ thống đầu tiên của mô hình "đào tạo tức là đồng thuận" mà Prime Intellect đã đề xuất. INTELLECT-2 tích hợp các mô-đun giao thức cốt lõi như PRIME-RL (cấu trúc đào tạo bất đồng bộ), TOPLOC (xác minh hành vi đào tạo) và SHARDCAST (tổng hợp trọng số bất đồng bộ), đánh dấu sự kiện đầu tiên mà mạng lưới đào tạo phi tập trung đạt được sự mở hóa, tính xác minh và vòng khép kín của động lực kinh tế trong quá trình đào tạo.
Về hiệu suất, INTELLECT-2 dựa trên QwQ-32B được đào tạo và đã thực hiện đào tạo RL chuyên biệt về mã và toán học, hiện đang ở mức tiên tiến nhất của các mô hình RL tinh chỉnh mã nguồn mở. Mặc dù chưa vượt qua các mô hình đóng như GPT-4 hoặc Gemini, nhưng ý nghĩa thực sự của nó là: nó là thí nghiệm mô hình phi tập trung đầu tiên trên thế giới có thể tái tạo, xác minh và kiểm toán toàn bộ quá trình đào tạo. Prime Intellect không chỉ mở mã mô hình mà quan trọng hơn là đã mở mã quy trình đào tạo - dữ liệu đào tạo, lộ trình cập nhật chiến lược, quy trình xác thực và logic tổng hợp đều có thể kiểm tra một cách minh bạch, xây dựng một môi trường mà bất kỳ ai cũng có thể tham gia.