Sự tiến hóa của phương thức 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, huấn luyện mô hình là giai đoạn tiêu tốn tài nguyên nhiều nhất, có ngưỡng kỹ thuật cao nhất, quyết định trực tiếp khả năng tối đa của mô hình và hiệu quả ứng dụng thực tế. So với giai đoạn suy luận với các cuộc gọi nhẹ nhàng, quá trình huấn luyện cần đầu tư sức mạnh tính toán quy mô lớn, 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. Từ góc độ mô hình kiến trúc, phương pháp huấn luyện có thể được chia thành bốn loại: huấn luyện tập trung, huấn luyện phân tán, học tập liên bang và huấn luyện phi tập trung mà bài viết này sẽ thảo luận.
Huấn luyện 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, với tất cả quy trình huấn luyện từ phần cứng, phần mềm cơ sở, hệ thống lập lịch cụm, cho đến tất cả các thành phần của khung huấn luyện đều được điều phối hoạt động bởi một hệ thống kiểm soát thống nhất. Kiến trúc hợp tác sâu sắc này giúp tối ưu hóa hiệu quả chia sẻ bộ nhớ, đồng bộ hóa gradient và cơ chế chịu lỗi, rất phù hợp cho việc huấn luyện các mô hình quy mô lớn như GPT, Gemini, với ưu điểm hiệu quả cao và tài nguyên có thể kiểm soát, nhưng đồng thời cũng gặp phải 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 trong đào tạo mô hình lớn hiện nay, cốt lõi của nó là chia nhỏ nhiệm vụ đào tạo mô hình và phân phối chúng tới nhiều máy tính để thực hiện phối hợp, nhằm vượt qua giới hạn tính toán và lưu trữ trên một máy đơn. Mặc dù về mặt vật lý có đặc điểm "phân tán", 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 kết nối tốc độ cao NVLink, do nút chính điều phối đồng nhất các nhiệm vụ con. Các phương pháp chủ yếu bao gồm:
Dữ liệu song song: Mỗi nút đào tạo 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, tăng tốc độ thông lượng;
Phân tán tensor: Chia tách tinh vi phép toán ma trận, nâng cao độ phân giải song song.
Huấn luyện phân tán là sự kết hợp của "kiểm soát tập trung + thực thi phân tán", tương tự như một ông chủ chỉ huy từ xa nhiều nhân viên "văn phòng" phối hợp hoàn thành nhiệm vụ. Hiện tại, hầu như tất cả các mô hình lớn chủ đạo đều được hoàn thành huấn luyện bằng cách này.
Phi tập trung đào tạo đại diện cho con đường tương lai có tính mở và khả năng chống kiểm duyệt cao hơn. Đặc điểm cốt lõi của nó là: nhiều nút không tin cậy lẫn nhau phối hợp hoàn thành nhiệm vụ đào tạo mà không cần điều phối viên trung tâm, thường thông qua giao thức để điều phối phân phát nhiệm vụ và hợp tác, và nhờ vào cơ chế khuyến khích mã hóa để đảm bảo tính trung thực của đóng góp. Các thách thức chính mà mô hình này phải đối mặt bao gồm:
Thiết bị dị biệt và khó khăn trong việc phân chia: Khó khăn trong việc phối hợp thiết bị dị biệt, hiệu quả phân chia nhiệm vụ thấp;
Điểm nghẽn hiệu quả truyền thông: Giao tiếp mạng không ổn định, điểm nghẽn đồng bộ gradient rõ ràng;
Thiếu thực thi đáng tin cậy: Thiếu môi trường thực thi đáng tin cậy, khó xác minh xem các nút có thực sự tham gia tính toán hay không;
Thiếu sự phối hợp thống nhất: không có bộ điều khiển trung tâm, việc phân phối nhiệm vụ và cơ chế hoàn tác 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 cùng 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 minh mô hình và nhiều khía cạnh khác, nhưng liệu có thể "hợp tác hiệu quả + khuyến khích trung thực + kết quả đúng" vẫn đang ở giai đoạn khám phá nguyên mẫu ban đầu.
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 và tập trung tổng hợp các tham số mô hình, phù hợp với những bối cảnh 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 địa phương, đồng thời có lợi thế về phân tán dữ liệu của đào tạo Phi tập trung, nhưng vẫn phụ thuộc vào các bên điều phối đáng tin cậy, không có đặc điểm hoàn toàn mở và chống kiểm duyệt. Nó có thể được coi là một giải pháp "Phi tập trung có kiểm soát" trong bối cảnh tuân thủ quyền riêng tư, với các nhiệm vụ đào tạo, cấu trúc tin cậy và cơ chế giao tiếp tương đối ôn hòa, thích hợp hơn làm kiến trúc triển khai chuyển tiếp trong ngành công nghiệp.
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 thích hợp để hoàn thành một cách hiệu quả giữa các nút không đồng nhất và không tin cậy. Ví dụ, đào tạo mô hình lớn thường phụ thuộc vào bộ nhớ cao, độ trễ thấp và băng thông cao, khó có thể chia tách và đồng bộ hiệu quả trong mạng mở; các nhiệm vụ bị hạn chế bởi quyền riêng tư dữ liệu và hạn chế chủ quyền bị giới hạn bởi sự tuân thủ pháp luật và đạo đức, không thể chia sẻ mở; trong khi các nhiệm vụ thiếu động lực hợp tác thì không có 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 tại.
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 và 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 hậu kỳ liên quan đến hành vi, nhiệm vụ đào tạo và gán nhãn dữ liệu theo hình thức crowdsourcing, đào tạo mô hình cơ bản nhỏ có thể 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 đặc điểm song song cao, liên kết thấp và dung nạp sức mạnh tính toán dị thường, rất thích hợp để thực hiện đào tạo 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 cổ điển phân tích
Hiện nay, trong lĩnh vực 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 trong việc thực hiện kỹ thuật, Prime Intellect, Nous Research và Pluralis.ai đã đưa ra nhiều khám phá sáng tạo về kiến trúc hệ thống và thiết kế thuật toán, đại diện cho hướng nghiên cứu lý thuyết tiên tiến hiện tại; trong khi đó, con đường thực hiện của Gensyn và Flock.io tương đối rõ ràng, đã có thể nhìn thấy những tiến triển bước đầu trong việc hiện thực hóa.
Prime Intellect: Người tiên phong trong mạng lưới hợp tác học tăng cường có thể xác minh được đường đi huấn luyện
Prime Intellect cam kết xây dựng một mạng lưới đào tạo AI không cần tin tưởng, 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 module 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.
PRIME-RL: Kiến trúc nhiệm vụ học tăng cường bất đồng bộ phân tách
PRIME-RL là khung mô hình hóa và thực thi nhiệm vụ được tùy chỉnh bởi Prime Intellect cho các kịch bản đào tạo Phi tập trung, được thiết kế đặc biệt cho mạng lưới dị hợp và sự tham gia bất đồng bộ. Nó sử dụng học tăng cường làm đối tượng thích ứng ưu tiên, cấu trúc tách biệt các quy trình đào tạo, suy diễn và tải trọng, cho phép mỗi nút đào tạo hoàn thành vòng lặp nhiệm vụ độc lập tại địa phương, và phối hợp với cơ chế xác minh và tổng hợp thông qua giao diện chuẩn hóa. 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 lập lịch 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 đào tạo nhẹ
TOPLOC là cơ chế cốt lõi có thể kiểm chứng được do Prime Intellect đề xuất, 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 phương án nặng nề như ZKML, TOPLOC không phụ thuộc vào việc tính toán lại toàn bộ mô hình, mà 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". Nó lần đầu tiên chuyển đổi quỹ đạo hành vi trong quá trình đào tạo thành các đối tượng có thể xác minh, là đổi mới then chốt để đạt được phân phối phần thưởng đào tạo 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 truyền và tập hợp trọng số do Prime Intellect thiết kế, được tối ưu hóa cho môi trường mạng thực tế với tính không đồng bộ, băng thông hạn chế và trạng thái nút thay đổi. Nó kết hợp cơ chế truyền gossip và chiến lược đồng bộ cục bộ, cho phép nhiều nút liên tục gửi các 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 nâng cao đáng kể khả năng mở rộng và khả năng kháng lỗi của đào tạo Phi tập trung, là nền tảng cốt lõi để xây dựng sự đồng thuận trọng số ổn định và huấn luyện lặp lại liên tục.
OpenDiLoCo: Khung giao tiếp không đồng bộ thưa thớt
OpenDiLoCo là một khung tối ưu hóa giao tiếp được phát triển độc lập và mã nguồn mở bởi nhóm Prime Intellect dựa trên quan điểm DiLoCo do DeepMind đề xuất, được thiết kế đặc biệt cho các thách thức thường gặp trong đào tạo phi tập trung như hạn chế băng thông, thiết bị không đồng nhất và độ không ổn định của nút. Kiến trúc của nó dựa trên sự phân tán dữ liệu, thông qua việc xây dựng các cấu trúc topo thưa như Ring, Expander, Small-World, tránh được chi phí giao tiếp cao của đồng bộ toàn cầu, chỉ cần dựa vào các nút lân cận cục bộ để hoàn thành việc huấn luyện đồng 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 huấn luyện, đáng kể nâng cao 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 là thư viện giao tiếp nhẹ được Prime Intellect thiết kế riêng cho môi trường huấn luyện AI phi tập trung, nhằm giải quyết các nút thắt thích ứng của thư viện giao tiếp truyền thống trong các thiết bị khác nhau 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 cơ sở hỗ trợ khả năng giao tiếp không đồng bộ của giao thức OpenDiLoCo. Nó nâng cao đáng kể khả năng chịu băng thông và khả năng tương thích thiết bị của mạng huấn luyện, mở ra "km cuối" cho nền tảng giao tiếp trong việc xây dựng mạng huấn luyện hợp tác thực sự mở và không cần tin cậy.
Prime Intellect xây dựng một mạng lưới huấn luyện không cần cấp phép, có thể xác minh và có cơ chế kích thích kinh tế, cho phép bất kỳ ai tham gia vào nhiệm vụ và nhận phần thưởng dựa trên những đóng góp thực tế. Giao thức hoạt động dựa trên ba loại vai trò cốt lõi:
Người khởi xướng nhiệm vụ: xác định môi trường đào tạo, mô hình ban đầu, hàm thưởng và tiêu chuẩn xác minh
Nút huấn luyện: Thực hiện huấn luyện 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 việc tính toán phần thưởng và tổng hợp chiến lược.
Quy trình cốt lõi của thỏa thuận bao gồm việc phát hành nhiệm vụ, đào tạo nút, xác minh quỹ đạo, tổng hợp trọng số 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 huấn luyện 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, với quy mô tham số đạt 32B. Mô hình INTELLECT-2 được hoàn thành bởi hơn 100 nút GPU phân tán trên ba châu lục, sử dụng kiến trúc hoàn toàn bất đồng bộ, 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, TOPLOC và SHARDCAST, đánh dấu việc mạng lưới đào tạo phi tập trung lần đầu tiên đạt được sự mở hóa, xác thực và vòng khép kín kinh tế trong quá trình đào tạo.
Về hiệu suất, INTELLECT-2 dựa trên QwQ-32B được huấn luyện và đã thực hiện đào tạo RL chuyên biệt về mã và toán học, đang ở vị trí tiên tiến trong các mô hình tinh chỉnh RL mã nguồn mở hiện tại. Mặc dù vẫn chưa vượt qua các mô hình mã nguồn đóng như GPT-4 hoặc Gemini, nhưng thực sự của nó
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.
9 thích
Phần thưởng
9
5
Chia sẻ
Bình luận
0/400
ProofOfNothing
· 6giờ trước
Đào tạo đào tạo còn không bằng khai thác kiếm tiền
Xem bản gốcTrả lời0
OnchainArchaeologist
· 08-02 21:41
Đây là cách đốt tiền mới ai nghĩ ra vậy?
Xem bản gốcTrả lời0
ShitcoinConnoisseur
· 08-02 21:39
chuyên nghiệp lại nói về Blockchain rồi
Xem bản gốcTrả lời0
AirdropHunterWang
· 08-02 21:21
Cái gì không tập luyện, cả ngày chỉ biết la hét chuyện.
Xem bản gốcTrả lời0
GasGasGasBro
· 08-02 21:19
Công nghiệp nặng? Khả năng tính toán nhanh chóng bị đốt cháy rồi.
Sự tiến hóa của mô hình huấn luyện AI: Từ tập trung đến phi tập trung, Prime Intellect khai mở kỷ nguyên mới
Sự tiến hóa của phương thức 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, huấn luyện mô hình là giai đoạn tiêu tốn tài nguyên nhiều nhất, có ngưỡng kỹ thuật cao nhất, quyết định trực tiếp khả năng tối đa của mô hình và hiệu quả ứng dụng thực tế. So với giai đoạn suy luận với các cuộc gọi nhẹ nhàng, quá trình huấn luyện cần đầu tư sức mạnh tính toán quy mô lớn, 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. Từ góc độ mô hình kiến trúc, phương pháp huấn luyện có thể được chia thành bốn loại: huấn luyện tập trung, huấn luyện phân tán, học tập liên bang và huấn luyện phi tập trung mà bài viết này sẽ thảo luận.
Huấn luyện 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, với tất cả quy trình huấn luyện từ phần cứng, phần mềm cơ sở, hệ thống lập lịch cụm, cho đến tất cả các thành phần của khung huấn luyện đều được điều phối hoạt động bởi một hệ thống kiểm soát thống nhất. Kiến trúc hợp tác sâu sắc này giúp tối ưu hóa hiệu quả chia sẻ bộ nhớ, đồng bộ hóa gradient và cơ chế chịu lỗi, rất phù hợp cho việc huấn luyện các mô hình quy mô lớn như GPT, Gemini, với ưu điểm hiệu quả cao và tài nguyên có thể kiểm soát, nhưng đồng thời cũng gặp phải 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 trong đào tạo mô hình lớn hiện nay, cốt lõi của nó là chia nhỏ nhiệm vụ đào tạo mô hình và phân phối chúng tới nhiều máy tính để thực hiện phối hợp, nhằm vượt qua giới hạn tính toán và lưu trữ trên một máy đơn. Mặc dù về mặt vật lý có đặc điểm "phân tán", 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 kết nối tốc độ cao NVLink, do nút chính điều phối đồng nhất các nhiệm vụ con. Các phương pháp chủ yếu bao gồm:
Huấn luyện phân tán là sự kết hợp của "kiểm soát tập trung + thực thi phân tán", tương tự như một ông chủ chỉ huy từ xa nhiều nhân viên "văn phòng" phối hợp hoàn thành nhiệm vụ. Hiện tại, hầu như tất cả các mô hình lớn chủ đạo đều được hoàn thành huấn luyện bằng cách này.
Phi tập trung đào tạo đại diện cho con đường tương lai có tính mở và khả năng chống kiểm duyệt cao hơn. Đặc điểm cốt lõi của nó là: nhiều nút không tin cậy lẫn nhau phối hợp hoàn thành nhiệm vụ đào tạo mà không cần điều phối viên trung tâm, thường thông qua giao thức để điều phối phân phát nhiệm vụ và hợp tác, và nhờ vào cơ chế khuyến khích mã hóa để đảm bảo tính trung thực của đóng góp. Các 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 cùng 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 minh mô hình và nhiều khía cạnh khác, nhưng liệu có thể "hợp tác hiệu quả + khuyến khích trung thực + kết quả đúng" vẫn đang ở giai đoạn khám phá nguyên mẫu ban đầu.
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 và tập trung tổng hợp các tham số mô hình, phù hợp với những bối cảnh 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 địa phương, đồng thời có lợi thế về phân tán dữ liệu của đào tạo Phi tập trung, nhưng vẫn phụ thuộc vào các bên điều phối đáng tin cậy, không có đặc điểm hoàn toàn mở và chống kiểm duyệt. Nó có thể được coi là một giải pháp "Phi tập trung có kiểm soát" trong bối cảnh tuân thủ quyền riêng tư, với các nhiệm vụ đào tạo, cấu trúc tin cậy và cơ chế giao tiếp tương đối ôn hòa, thích hợp hơn làm kiến trúc triển khai chuyển tiếp trong ngành công nghiệp.
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 thích hợp để hoàn thành một cách hiệu quả giữa các nút không đồng nhất và không tin cậy. Ví dụ, đào tạo mô hình lớn thường phụ thuộc vào bộ nhớ cao, độ trễ thấp và băng thông cao, khó có thể chia tách và đồng bộ hiệu quả trong mạng mở; các nhiệm vụ bị hạn chế bởi quyền riêng tư dữ liệu và hạn chế chủ quyền bị giới hạn bởi sự tuân thủ pháp luật và đạo đức, không thể chia sẻ mở; trong khi các nhiệm vụ thiếu động lực hợp tác thì không có 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 tại.
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 và 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 hậu kỳ liên quan đến hành vi, nhiệm vụ đào tạo và gán nhãn dữ liệu theo hình thức crowdsourcing, đào tạo mô hình cơ bản nhỏ có thể 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 đặc điểm song song cao, liên kết thấp và dung nạp sức mạnh tính toán dị thường, rất thích hợp để thực hiện đào tạo 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 cổ điển phân tích
Hiện nay, trong lĩnh vực 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 trong việc thực hiện kỹ thuật, Prime Intellect, Nous Research và Pluralis.ai đã đưa ra nhiều khám phá sáng tạo về kiến trúc hệ thống và thiết kế thuật toán, đại diện cho hướng nghiên cứu lý thuyết tiên tiến hiện tại; trong khi đó, con đường thực hiện của Gensyn và Flock.io tương đối rõ ràng, đã có thể nhìn thấy những tiến triển bước đầu trong việc hiện thực hóa.
Prime Intellect: Người tiên phong trong mạng lưới hợp tác học tăng cường có thể xác minh được đường đi huấn luyện
Prime Intellect cam kết xây dựng một mạng lưới đào tạo AI không cần tin tưởng, 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 module 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.
PRIME-RL: Kiến trúc nhiệm vụ học tăng cường bất đồng bộ phân tách
PRIME-RL là khung mô hình hóa và thực thi nhiệm vụ được tùy chỉnh bởi Prime Intellect cho các kịch bản đào tạo Phi tập trung, được thiết kế đặc biệt cho mạng lưới dị hợp và sự tham gia bất đồng bộ. Nó sử dụng học tăng cường làm đối tượng thích ứng ưu tiên, cấu trúc tách biệt các quy trình đào tạo, suy diễn và tải trọng, cho phép mỗi nút đào tạo hoàn thành vòng lặp nhiệm vụ độc lập tại địa phương, và phối hợp với cơ chế xác minh và tổng hợp thông qua giao diện chuẩn hóa. 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 lập lịch 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 đào tạo nhẹ
TOPLOC là cơ chế cốt lõi có thể kiểm chứng được do Prime Intellect đề xuất, 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 phương án nặng nề như ZKML, TOPLOC không phụ thuộc vào việc tính toán lại toàn bộ mô hình, mà 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". Nó lần đầu tiên chuyển đổi quỹ đạo hành vi trong quá trình đào tạo thành các đối tượng có thể xác minh, là đổi mới then chốt để đạt được phân phối phần thưởng đào tạo 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 truyền và tập hợp trọng số do Prime Intellect thiết kế, được tối ưu hóa cho môi trường mạng thực tế với tính không đồng bộ, băng thông hạn chế và trạng thái nút thay đổi. Nó kết hợp cơ chế truyền gossip và chiến lược đồng bộ cục bộ, cho phép nhiều nút liên tục gửi các 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 nâng cao đáng kể khả năng mở rộng và khả năng kháng lỗi của đào tạo Phi tập trung, là nền tảng cốt lõi để xây dựng sự đồng thuận trọng số ổn định và huấn luyện lặp lại liên tục.
OpenDiLoCo: Khung giao tiếp không đồng bộ thưa thớt
OpenDiLoCo là một khung tối ưu hóa giao tiếp được phát triển độc lập và mã nguồn mở bởi nhóm Prime Intellect dựa trên quan điểm DiLoCo do DeepMind đề xuất, được thiết kế đặc biệt cho các thách thức thường gặp trong đào tạo phi tập trung như hạn chế băng thông, thiết bị không đồng nhất và độ không ổn định của nút. Kiến trúc của nó dựa trên sự phân tán dữ liệu, thông qua việc xây dựng các cấu trúc topo thưa như Ring, Expander, Small-World, tránh được chi phí giao tiếp cao của đồng bộ toàn cầu, chỉ cần dựa vào các nút lân cận cục bộ để hoàn thành việc huấn luyện đồng 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 huấn luyện, đáng kể nâng cao 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 là thư viện giao tiếp nhẹ được Prime Intellect thiết kế riêng cho môi trường huấn luyện AI phi tập trung, nhằm giải quyết các nút thắt thích ứng của thư viện giao tiếp truyền thống trong các thiết bị khác nhau 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 cơ sở hỗ trợ khả năng giao tiếp không đồng bộ của giao thức OpenDiLoCo. Nó nâng cao đáng kể khả năng chịu băng thông và khả năng tương thích thiết bị của mạng huấn luyện, mở ra "km cuối" cho nền tảng giao tiếp trong việc xây dựng mạng huấn luyện hợp tác thực sự mở và không cần tin cậy.
Prime Intellect xây dựng một mạng lưới huấn luyện không cần cấp phép, có thể xác minh và có cơ chế kích thích kinh tế, cho phép bất kỳ ai tham gia vào nhiệm vụ và nhận phần thưởng dựa trên những đóng góp thực tế. Giao thức hoạt động dựa trên ba loại vai trò cốt lõi:
Quy trình cốt lõi của thỏa thuận bao gồm việc phát hành nhiệm vụ, đào tạo nút, xác minh quỹ đạo, tổng hợp trọng số 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 huấn luyện 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, với quy mô tham số đạt 32B. Mô hình INTELLECT-2 được hoàn thành bởi hơn 100 nút GPU phân tán trên ba châu lục, sử dụng kiến trúc hoàn toàn bất đồng bộ, 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, TOPLOC và SHARDCAST, đánh dấu việc mạng lưới đào tạo phi tập trung lần đầu tiên đạt được sự mở hóa, xác thực và vòng khép kín kinh tế trong quá trình đào tạo.
Về hiệu suất, INTELLECT-2 dựa trên QwQ-32B được huấn luyện và đã thực hiện đào tạo RL chuyên biệt về mã và toán học, đang ở vị trí tiên tiến trong các mô hình tinh chỉnh RL mã nguồn mở hiện tại. Mặc dù vẫn chưa vượt qua các mô hình mã nguồn đóng như GPT-4 hoặc Gemini, nhưng thực sự của nó