Le Saint Graal de Crypto AI : Exploration à la pointe de la formation décentralisée

Dans l'ensemble de la chaîne de valeur de l'IA, l'entraînement des modèles est l'étape qui consomme le plus de ressources et présente le plus haut niveau de difficulté technique, déterminant directement la limite des capacités des modèles et l'effet des applications réelles. Par rapport à l'appel léger de la phase d'inférence, le processus d'entraînement nécessite un investissement continu en puissance de calcul à grande échelle, des processus de traitement de données complexes et un soutien d'algorithmes d'optimisation intensifs, constituant ainsi le véritable "heavy industry" de la construction des systèmes d'IA. D'un point de vue architectural, les méthodes d'entraînement peuvent être classées en quatre catégories : entraînement centralisé, entraînement distribué, apprentissage fédéré et entraînement décentralisé, qui est le sujet principal de cet article.

L'entraînement centralisé est la méthode traditionnelle la plus courante, réalisée par une seule entité dans un cluster haute performance local, où l'ensemble du processus d'entraînement, depuis le matériel, les logiciels de base, le système de gestion de cluster jusqu'à tous les composants du cadre d'entraînement, est coordonné par un système de contrôle unifié. Cette architecture de coopération approfondie permet d'optimiser l'efficacité du partage de mémoire, de la synchronisation des gradients et des mécanismes de tolérance aux pannes, ce qui la rend particulièrement adaptée à l'entraînement de modèles à grande échelle tels que GPT et Gemini, offrant des avantages en termes d'efficacité élevée et de contrôle des ressources, mais présente également des problèmes tels que le monopole des données, les barrières à l'entrée, la consommation d'énergie et les risques de point unique.

L'entraînement distribué est la méthode principale pour l'entraînement des grands modèles aujourd'hui, son cœur consiste à décomposer la tâche d'entraînement du modèle, puis à la répartir sur plusieurs machines pour une exécution collaborative, afin de surmonter les goulots d'étranglement liés au calcul et au stockage sur une seule machine. Bien qu'il présente des caractéristiques "distribuées" sur le plan physique, l'ensemble reste contrôlé, programmé et synchronisé par des institutions centralisées, fonctionnant souvent dans un environnement de réseau local à haute vitesse, grâce à la technologie de bus d'interconnexion haute vitesse NVLink, avec un nœud principal coordonnant unifié les sous-tâches. Les méthodes principales incluent :

• Données parallèles : chaque nœud entraîne différents paramètres de données partagés, nécessitant une correspondance des poids du modèle.
• Parallélisme de modèle : déployer différentes parties du modèle sur différents nœuds pour réaliser une forte extensibilité.
• Parallélisme des pipelines : exécution séquentielle par étapes, augmentation du débit
• Parallélisme des tenseurs : segmentation fine des calculs matriciels, amélioration de la granularité du parallélisme

L'entraînement distribué est une combinaison de "contrôle centralisé + exécution distribuée", comparable à un même patron dirigeant à distance la collaboration de plusieurs employés de "bureaux" pour accomplir une tâche. Actuellement, presque tous les grands modèles majeurs sont formés de cette manière.

La formation décentralisée représente un chemin futur plus ouvert et résistant à la censure. Ses caractéristiques principales sont les suivantes : plusieurs nœuds qui ne se font pas confiance, (, peuvent être des ordinateurs domestiques, des GPU cloud ou des dispositifs en périphérie, ) travaillant ensemble pour accomplir des tâches de formation sans coordinateur central, généralement en utilisant des protocoles pour la distribution des tâches et la collaboration, et en s'appuyant sur des mécanismes d'incitation cryptographique pour garantir l'honnêteté des contributions. Les principaux défis auxquels ce modèle est confronté incluent :

• Difficulté d'hétérogénéité des dispositifs et de découpage : Coordination difficile des dispositifs hétérogènes, faible efficacité de découpage des tâches
• Goulot d'étranglement de l'efficacité de communication : communication réseau instable, le goulot d'étranglement de synchronisation des gradients est évident
• Exécution fiable manquante : manque d'environnement d'exécution fiable, difficile de vérifier si les nœuds participent réellement au calcul.
• Manque de coordination unifiée : pas d'ordonnanceur central, distribution des tâches et mécanisme de retour en arrière des exceptions complexes

La formation décentralisée peut être comprise comme : un groupe de volontaires du monde entier contribuant chacun à la puissance de calcul pour entraîner un modèle de manière collaborative, mais la "vraie formation décentralisée à grande échelle réalisable" reste un défi d'ingénierie systémique, impliquant l'architecture système, les protocoles de communication, la sécurité cryptographique, les mécanismes économiques, la validation du modèle, etc. Cependant, la possibilité de "collaboration efficace + incitation à l'honnêteté + résultats corrects" est encore à un stade précoce d'exploration de prototypes.

L'apprentissage fédéré, en tant que forme de transition entre la distribution et la Décentralisation, met l'accent sur la conservation des données localement et l'agrégation centralisée des paramètres du modèle, et convient aux scénarios axés sur la conformité à la vie privée ( tels que la santé et la finance ). L'apprentissage fédéré possède une structure d'ingénierie d'entraînement distribué et une capacité de collaboration locale, tout en bénéficiant des avantages de la dispersion des données dans l'entraînement décentralisé, mais il reste dépendant d'une partie coordonnatrice de confiance, et ne possède pas de caractéristiques totalement ouvertes et résistantes à la censure. On peut le considérer comme une solution de "Décentralisation contrôlée" dans les scénarios de conformité à la vie privée, relativement modérée en termes de tâches d'entraînement, de structure de confiance et de mécanismes de communication, plus adaptée comme architecture de déploiement transitoire dans l'industrie.

Décentralisation des limites, des opportunités et des chemins réels de l'entraînement

Du point de vue des paradigmes d'entraînement, la Décentralisation de l'entraînement n'est pas adaptée à tous les types de tâches. Dans certains scénarios, en raison de la complexité de la structure des tâches, des besoins en ressources extrêmement élevés ou de la difficulté de collaboration, elle n'est naturellement pas adaptée à être réalisée efficacement entre des nœuds hétérogènes et de confiance. Par exemple, l'entraînement de grands modèles dépend souvent d'une grande mémoire vidéo, de faibles latences et d'une bande passante élevée, ce qui rend difficile le découpage et la synchronisation efficaces dans un réseau ouvert ; les tâches ayant des restrictions fortes en matière de confidentialité des données et de souveraineté (, telles que la santé, la finance, et les données sensibles ), sont limitées par des contraintes légales et éthiques, les rendant impossibles à partager ouvertement ; tandis que les tâches manquant de bases d'incitation à la collaboration (, telles que l'entraînement de modèles propriétaires d'entreprise ou de prototypes internes ), manquent de motivation externe à participer. Ces limites créent ensemble les restrictions réelles de l'entraînement décentralisé actuel.

Mais cela ne signifie pas que l'entraînement décentralisé est un faux problème. En fait, pour les types de tâches légères, faciles à paralléliser et incitatives, l'entraînement décentralisé montre des perspectives d'application claires. Y compris, mais sans s'y limiter : l'affinage LoRA, les tâches d'entraînement post-formation alignées sur le comportement ( telles que RLHF, DPO ), l'entraînement et l'annotation de données par crowdsourcing, l'entraînement de petits modèles de base contrôlables en ressources, ainsi que les scénarios d'entraînement collaboratif impliquant des dispositifs en périphérie. Ces tâches présentent généralement des caractéristiques de haute parallélisation, de faible couplage et de tolérance à la puissance de calcul hétérogène, ce qui les rend très adaptées à l'entraînement collaboratif via des réseaux P2P, des protocoles Swarm, des optimiseurs distribués, etc.

Décentralisation entraînement des projets classiques解析

Actuellement, dans le domaine de l'entraînement décentralisé et de l'apprentissage fédéré, les projets de blockchain représentatifs incluent principalement Prime Intellect, Pluralis.ai, Gensyn, Nous Research et Flock.io. En termes d'innovation technologique et de difficulté de mise en œuvre technique, Prime Intellect, Nous Research et Pluralis.ai ont proposé de nombreuses explorations originales dans l'architecture système et la conception d'algorithmes, représentant les directions de recherche théorique à la pointe actuelle; tandis que les chemins de mise en œuvre de Gensyn et Flock.io sont relativement clairs, avec des progrès d'ingénierie préliminaires déjà visibles. Cet article analysera successivement les technologies clés et les architectures d'ingénierie derrière ces cinq projets, et explorera davantage leurs différences et relations complémentaires dans le système d'entraînement AI décentralisé.

Prime Intellect : Pion des réseaux collaboratifs d'apprentissage renforcé vérifiables par des trajectoires d'entraînement

Prime Intellect s'engage à construire un réseau d'entraînement d'IA sans confiance, permettant à quiconque de participer à l'entraînement et de recevoir des récompenses fiables pour sa contribution de calcul. Prime Intellect souhaite, à travers les trois grands modules PRIME-RL + TOPLOC + SHARDCAST, construire un système d'entraînement d'IA décentralisé, vérifiable, ouvert et doté d'un mécanisme d'incitation complet.

01、Structure de la pile de protocoles Prime Intellect et valeur des modules clés

02, Explication détaillée des mécanismes clés de l'entraînement de Prime Intellect

#PRIME-RL:Architecture des tâches de renforcement asynchrone découplé

PRIME-RL est un cadre de modélisation et d'exécution de tâches personnalisé par Prime Intellect pour des scénarios d'entraînement décentralisés, spécialement conçu pour des réseaux hétérogènes et des participants asynchrones. Il utilise l'apprentissage par renforcement comme objet d'adaptation prioritaire, décomposant de manière structurelle le processus d'entraînement, d'inférence et de téléversement de poids, permettant à chaque nœud d'entraînement de compléter indépendamment la boucle de tâches localement, tout en collaborant avec des mécanismes de validation et d'agrégation via des interfaces normalisées. Par rapport aux processus d'apprentissage supervisé traditionnels, PRIME-RL est mieux adapté à la mise en œuvre d'un entraînement flexible dans un environnement sans planification centrale, réduisant ainsi la complexité du système et posant les bases pour soutenir le parallélisme des tâches multiples et l'évolution des stratégies.

#TOPLOC:Mécanisme de validation de comportement d'entraînement léger

TOPLOC(Observation de Confiance et Vérification de Localité) est un mécanisme central de vérifiabilité proposé par Prime Intellect, utilisé pour déterminer si un nœud a réellement effectué un apprentissage de stratégie efficace basé sur des données d'observation. Contrairement à des solutions lourdes comme ZKML, TOPLOC ne dépend pas du recalcul intégral du modèle, mais complète la vérification de structure légère en analysant les trajectoires de cohérence locale entre "séquence d'observation ↔ mise à jour de la stratégie". Il transforme pour la première fois les trajectoires de comportement du processus d'entraînement en objets vérifiables, ce qui constitue une innovation clé pour réaliser une distribution de récompenses d'entraînement sans confiance, fournissant un chemin viable pour construire un réseau d'entraînement décentralisé, auditable et incitatif.

#SHARDCAST: Protocole de agrégation et de propagation de poids asynchrone

SHARDCAST est un protocole de diffusion et d'agrégation de poids conçu par Prime Intellect, optimisé pour des environnements réseau réels asynchrones, à bande passante limitée et avec des états de nœuds changeants. Il combine un mécanisme de diffusion gossip avec une stratégie de synchronisation locale, permettant à plusieurs nœuds de soumettre continuellement des mises à jour partielles dans un état désynchronisé, réalisant ainsi une convergence progressive des poids et une évolution multi-version. Par rapport aux méthodes AllReduce centralisées ou synchronisées, SHARDCAST améliore considérablement l'évolutivité et la tolérance aux pannes de l'entraînement décentralisé, constituant la base fondamentale pour établir un consensus de poids stable et une itération d'entraînement continue.

#OpenDiLoCo: Cadre de communication asynchrone épars

OpenDiLoCo est un cadre d'optimisation de la communication développé et open source par l'équipe Prime Intellect, basé sur le concept DiLoCo proposé par DeepMind, conçu spécifiquement pour relever les défis courants tels que la bande passante limitée, l'hétérogénéité des appareils et l'instabilité des nœuds dans l'entraînement décentralisé. Son architecture est basée sur la parallélisation des données, en construisant des structures topologiques éparses telles que Ring, Expander, Small-World, évitant ainsi le coût élevé de communication de la synchronisation globale, et permettant l'entraînement collaboratif du modèle uniquement en s'appuyant sur les nœuds voisins locaux. Grâce à une mise à jour asynchrone et un mécanisme de tolérance aux pannes, OpenDiLoCo permet aux GPU de consommation et aux dispositifs de périphérie de participer de manière stable aux tâches d'entraînement, améliorant considérablement la participation à l'entraînement collaboratif à l'échelle mondiale, et constitue l'une des infrastructures de communication clés pour construire un réseau d'entraînement décentralisé.

#PCCL: Bibliothèque de communication collaborative

PCCL(Prime Collective Communication Library) est une bibliothèque de communication légère conçue sur mesure par Prime Intellect pour un environnement d'entraînement AI décentralisé, visant à résoudre les goulets d'étranglement d'adaptation des bibliothèques de communication traditionnelles( telles que NCCL, Gloo) dans des dispositifs hétérogènes et des réseaux à faible bande passante. PCCL prend en charge des topologies éparses, la compression de gradient, la synchronisation de faible précision et la reprise à partir de points de contrôle, et peut fonctionner sur des GPU grand public et des nœuds instables, constituant un composant de base pour la capacité de communication asynchrone du protocole OpenDiLoCo. Il améliore considérablement la tolérance à la bande passante du réseau d'entraînement et la compatibilité des dispositifs, ouvrant la "dernière étape" de la base de communication pour construire un véritable réseau d'entraînement collaboratif ouvert et sans confiance.

03、Prime Intellect réseau d'incitation et répartition des rôles

Prime Intellect a construit un réseau d'entraînement sans autorisation, vérifiable et doté d'un mécanisme d'incitation économique, permettant à quiconque de participer aux tâches et de recevoir des récompenses en fonction de contributions réelles. Le protocole fonctionne sur la base de trois types de rôles clés :

• Initiateur de la tâche : définir l'environnement d'entraînement, le modèle initial, la fonction de récompense et les critères de validation
• Noeud d'entraînement : exécuter un entraînement local, soumettre les mises à jour de poids et les trajectoires d'observation
• Nœud de validation : utiliser le mécanisme TOPLOC pour vérifier la véracité des comportements d'entraînement et participer au calcul des récompenses et à l'agrégation des stratégies.

Le processus central du protocole comprend la publication des tâches, l'entraînement des nœuds, la vérification des trajectoires, l'agrégation des poids (SHARDCAST) et la distribution des récompenses, formant un cycle d'incitation autour du "comportement d'entraînement réel".

04, INTELLECT-2 : Publication du premier modèle d'entraînement décentralisé vérifiable

Prime Intellect a lancé INTELLECT-2 en mai 2025, le premier grand modèle d'apprentissage par renforcement au monde formé par la collaboration de nœuds décentralisés asynchrones et sans confiance, avec une taille de paramètre atteignant 32B. Le modèle INTELLECT-2 a été formé en collaboration par plus de 100 nœuds hétérogènes GPU répartis sur trois continents, utilisant une architecture entièrement asynchrone, avec une durée d'entraînement de plus de 400 heures.