O Santo Graal do Crypto AI: Exploração de vanguarda do treinamento Descentralização

Na cadeia de valor total da IA, o treinamento de modelos é a fase que consome mais recursos e tem a maior barreira técnica, determinando diretamente o limite de capacidade do modelo e o efeito prático da aplicação. Em comparação com a chamada leve da fase de inferência, o processo de treinamento requer um investimento contínuo em poder computacional em larga escala, processos complexos de tratamento de dados e suporte de algoritmos de otimização de alta intensidade, sendo a verdadeira "indústria pesada" na construção de sistemas de IA. Do ponto de vista dos paradigmas arquitetónicos, os métodos de treinamento podem ser divididos em quatro categorias: treinamento centralizado, treinamento distribuído, aprendizado federado e treinamento descentralizado, que é o foco principal deste artigo.

O treinamento centralizado é a forma tradicional mais comum, realizado por uma única entidade em um cluster local de alto desempenho, completando todo o processo de treinamento, desde hardware, software de base, sistema de agendamento de cluster, até todos os componentes do framework de treinamento, todos coordenados por um sistema de controle unificado. Essa arquitetura de profunda colaboração permite que o compartilhamento de memória, a sincronização de gradientes e os mecanismos de tolerância a falhas atinjam eficiência máxima, sendo muito adequada para o treinamento de modelos em larga escala como GPT e Gemini, com vantagens de alta eficiência e controle de recursos, mas ao mesmo tempo enfrenta problemas como monopólio de dados, barreiras de recursos, consumo de energia e riscos de ponto único.

O treinamento distribuído é a principal forma de treinamento de grandes modelos atualmente, cujo núcleo é dividir a tarefa de treinamento do modelo e distribuí-la a várias máquinas para execução colaborativa, a fim de superar os gargalos de computação e armazenamento em uma única máquina. Embora possua características "distribuídas" em termos físicos, o todo ainda é controlado e agendado por uma instituição centralizada, frequentemente operando em um ambiente de rede local de alta velocidade, através da tecnologia de barramento de interconexão de alta velocidade NVLink, com o nó principal coordenando uniformemente as subtarefas. Os métodos principais incluem:

• Paralelismo de dados: cada nó treina parâmetros de dados diferentes compartilhando, necessitando de correspondência de pesos do modelo
• Paralelismo de modelos: implantar diferentes partes do modelo em diferentes nós, alcançando forte escalabilidade
• Paralelismo de Pipeline: Execução em série faseada, aumentando a taxa de transferência
• Paralelismo de tensores: segmentação refinada do cálculo de matrizes, aumentando a granularidade da paralelização

O treinamento distribuído é uma combinação de "controle centralizado + execução distribuída", análogo a um mesmo chefe que comanda remotamente a colaboração de vários funcionários em "escritórios" para completar uma tarefa. Atualmente, quase todos os principais modelos grandes são treinados dessa forma.

Descentralização treinamento representa um caminho futuro mais aberto e resistente à censura. Sua característica central é: múltiplos nós que não confiam entre si ( podem ser computadores pessoais, GPU em nuvem ou dispositivos de borda ) colaborando para completar tarefas de treinamento sem um coordenador central, geralmente através de protocolos que impulsionam a distribuição de tarefas e colaboração, e utilizando mecanismos de incentivo criptográfico para garantir a honestidade das contribuições. Os principais desafios enfrentados por esse modelo incluem:

• Dificuldade na heterogeneidade e segmentação de dispositivos: alta dificuldade na coordenação de dispositivos heterogêneos, baixa eficiência na segmentação de tarefas.
• Gargalo de eficiência de comunicação: comunicação de rede instável, gargalo de sincronização de gradiente evidente
• Execução confiável ausente: falta de um ambiente de execução confiável, dificultando a verificação se os nós realmente participam do cálculo.
• Falta de coordenação unificada: sem um despachador central, a distribuição de tarefas e o mecanismo de reversão de exceções são complexos.

A formação descentralizada pode ser entendida como: um grupo de voluntários globais, cada um contribuindo com poder de computação para treinar o modelo de forma colaborativa, mas a "verdadeira formação descentralizada em larga escala viável" ainda é um desafio sistemático de engenharia, envolvendo arquitetura de sistema, protocolos de comunicação, segurança criptográfica, mecanismos econômicos, validação de modelos e vários outros níveis, mas a possibilidade de "colaboração eficaz + incentivo à honestidade + resultados corretos" ainda está em fase de exploração de protótipos iniciais.

A aprendizagem federada, como uma forma de transição entre distribuído e Descentralização, enfatiza a preservação local dos dados e a agregação centralizada dos parâmetros do modelo, sendo adequada para cenários que priorizam a conformidade com a privacidade, como ( na área da saúde e ) financeira. A aprendizagem federada possui a estrutura de engenharia do treinamento distribuído e a capacidade de colaboração local, ao mesmo tempo que possui as vantagens da dispersão de dados do treinamento Descentralizado, mas ainda depende de um coordenador confiável e não possui características completamente abertas e resistentes à censura. Pode ser vista como uma solução de "Descentralização controlada" em cenários de conformidade com a privacidade, sendo relativamente moderada em termos de tarefas de treinamento, estruturas de confiança e mecanismos de comunicação, sendo mais adequada como uma arquitetura de implantação transitória na indústria.

Descentralização treinada: limites, oportunidades e caminhos reais

Do ponto de vista do paradigma de treinamento, a Descentralização do treinamento não é adequada para todos os tipos de tarefas. Em certos cenários, devido à complexidade da estrutura da tarefa, à alta demanda por recursos ou à dificuldade de colaboração, ela não é naturalmente adequada para ser realizada de forma eficiente entre nós heterogêneos e sem confiança. Por exemplo, o treinamento de grandes modelos geralmente depende de alta memória, baixa latência e largura de banda rápida, tornando difícil a divisão e sincronização eficaz em uma rede aberta; tarefas com forte privacidade de dados e restrições de soberania (, como saúde, finanças e dados confidenciais ), são limitadas por conformidade legal e restrições éticas, não podendo ser compartilhadas abertamente; e tarefas ( que carecem de uma base de incentivo à colaboração, como modelos de código fechado de empresas ou treinamento de protótipos internos ), carecem de motivação para a participação externa. Essas fronteiras constituem as limitações reais do treinamento descentralizado atualmente.

Mas isso não significa que o treinamento descentralizado seja um falso conceito. Na verdade, em tipos de tarefas que são leves em estrutura, fáceis de paralelizar e incentiváveis, o treinamento descentralizado mostra uma clara perspectiva de aplicação. Incluindo, mas não se limitando a: ajuste fino LoRA, tarefas de treinamento pós-alinhamento de comportamento como RLHF, DPO(, tarefas de treinamento e rotulagem de dados crowdsourced, treinamento de modelos básicos pequenos com controle de recursos, e cenários de treinamento colaborativo com participação de dispositivos de borda. Essas tarefas geralmente possuem alta paralelização, baixa acoplamento e tolerância a poder computacional heterogêneo, sendo muito adequadas para treinamento colaborativo por meio de redes P2P, protocolos Swarm, otimizadores distribuídos, entre outros.

![O Santo Graal da Crypto AI: Exploração na Fronteira do Treinamento Descentralizado])https://img-cdn.gateio.im/webp-social/moments-adb92bc4dfbaf26863cb0b4bb1081cd7.webp(

Descentralização treinamento de análise de projetos clássicos

Atualmente, no campo de ponta da Descentralização e do aprendizado federado, os projetos de blockchain mais representativos incluem Prime Intellect, Pluralis.ai, Gensyn, Nous Research e Flock.io. Do ponto de vista da inovação técnica e da dificuldade de implementação engenharia, Prime Intellect, Nous Research e Pluralis.ai propuseram várias explorações originais em termos de arquitetura de sistemas e design de algoritmos, representando as direções de pesquisa teórica de ponta atuais; enquanto os caminhos de implementação de Gensyn e Flock.io são relativamente claros, já mostrando progressos iniciais na engenharia. Este artigo analisará sucessivamente as tecnologias centrais e as arquiteturas de engenharia por trás desses cinco projetos, e discutirá ainda mais suas diferenças e relações complementares dentro do sistema de treinamento de IA descentralizado.

) Prime Intellect: Pioneiro da rede colaborativa de aprendizado reforçado com trajetória de treinamento verificável

A Prime Intellect está empenhada em construir uma rede de treinamento de IA sem necessidade de confiança, permitindo que qualquer pessoa participe do treinamento e receba recompensas confiáveis por suas contribuições computacionais. A Prime Intellect espera, através dos três módulos PRIME-RL + TOPLOC + SHARDCAST, construir um sistema de treinamento de IA descentralizado que seja verificável, aberto e com um mecanismo de incentivos completo.

01、Estrutura da pilha de protocolos Prime Intellect e valor dos módulos chave

![Crypto AI's Holy Grail: Descentralização treinamento da vanguarda exploração]###https://img-cdn.gateio.im/webp-social/moments-69eb6c2dab3d6284b890285c71e7a47f.webp(

)# 02, Explicação detalhada dos mecanismos-chave de treinamento do Prime Intellect

#PRIME-RL: Estrutura de Tarefa de Aprendizagem por Reforço Assíncrona Desacoplada

PRIME-RL é a estrutura de modelagem e execução de tarefas personalizada pela Prime Intellect para cenários de Descentralização, projetada especificamente para redes heterogêneas e participação assíncrona. Ela utiliza aprendizagem por reforço como objeto de adaptação prioritário, desacoplando estruturalmente os processos de treinamento, inferência e upload de pesos, permitindo que cada nó de treinamento complete o ciclo de tarefas de forma independente no local, e colabore com mecanismos de verificação e agregação através de interfaces padronizadas. Comparado aos fluxos tradicionais de aprendizagem supervisionada, o PRIME-RL é mais adequado para implementar treinamento flexível em ambientes sem agendamento centralizado, reduzindo a complexidade do sistema e estabelecendo uma base para suportar múltiplas tarefas em paralelo e evolução de estratégias.

#TOPLOC:Mecanismo de verificação de comportamento de treino leve

TOPLOC###Observação Confiável & Verificação de Localidade( é um mecanismo central de verificabilidade de treinamento proposto pela Prime Intellect, utilizado para determinar se um nó realmente completou o aprendizado de estratégias eficazes com base em dados de observação. Diferentemente de soluções pesadas como ZKML, o TOPLOC não depende do recalculo do modelo completo, mas sim analisa a trajetória de consistência local entre "sequência de observação ↔ atualização de estratégia" para completar a verificação de estrutura leve. Ele transforma pela primeira vez a trajetória de comportamento durante o processo de treinamento em um objeto verificável, sendo uma inovação chave para a distribuição de recompensas de treinamento sem necessidade de confiança, proporcionando um caminho viável para construir uma rede de treinamento colaborativo descentralizada, auditável e incentivada.

#SHARDCAST: Protocolo de agregação e propagação de peso assíncrono

SHARDCAST é um protocolo de propagação e agregação de pesos projetado pela Prime Intellect, otimizado para ambientes de rede reais que são assíncronos, com largura de banda limitada e estados de nó variáveis. Ele combina um mecanismo de propagação gossip com uma estratégia de sincronização local, permitindo que múltiplos nós continuem a submeter atualizações parciais em estados não sincronizados, alcançando a convergência progressiva de pesos e a evolução de múltiplas versões. Em comparação com métodos centralizados ou AllReduce síncronos, o SHARDCAST melhora significativamente a escalabilidade e a tolerância a falhas do treinamento Descentralização, sendo a base central para construir um consenso de pesos estável e iterações de treinamento contínuas.

#OpenDiLoCo: Estrutura de Comunicação Assíncrona Esparsa

OpenDiLoCo é uma estrutura de otimização de comunicação, independente e de código aberto, implementada pela equipe Prime Intellect com base no conceito DiLoCo proposto pela DeepMind, projetada especificamente para enfrentar desafios comuns em treinamento descentralizado, como largura de banda limitada, heterogeneidade de dispositivos e instabilidade de nós. Sua arquitetura é baseada em paralelismo de dados, construindo estruturas topológicas esparsas como Ring, Expander e Small-World, evitando o alto custo de comunicação da sincronização global, permitindo a conclusão do treinamento colaborativo do modelo apenas com os nós vizinhos locais. Combinando atualizações assíncronas e um mecanismo de tolerância a falhas, o OpenDiLoCo permite que GPUs de consumo e dispositivos de borda participem de tarefas de treinamento de forma estável, aumentando significativamente a acessibilidade ao treinamento colaborativo global, sendo uma das infraestruturas de comunicação fundamentais para a construção de redes de treinamento descentralizadas.

#PCCL: Biblioteca de Comunicação Colaborativa

PCCL)Prime Collective Communication Library( é uma biblioteca de comunicação leve projetada pela Prime Intellect para ambientes de treinamento de IA descentralizada, com o objetivo de resolver os gargalos de adaptação das bibliotecas de comunicação tradicionais) como NCCL, Gloo( em dispositivos heterogêneos e redes de baixa largura de banda. PCCL suporta topologias esparsas, compressão de gradientes, sincronização de baixa precisão e recuperação de ponto de verificação, podendo ser executado em GPUs de consumo e nós instáveis, sendo um componente subjacente que suporta a capacidade de comunicação assíncrona do protocolo OpenDiLoCo. Ele melhora significativamente a tolerância à largura de banda da rede de treinamento e a compatibilidade do dispositivo, abrindo o "último quilômetro" da infraestrutura de comunicação para construir uma rede de treinamento colaborativa verdadeiramente aberta e sem confiança.

)# 03、Prime Intellect incentivos de rede e divisão de funções

Prime Intellect construiu uma rede de treino sem permissão, verificável e com um mecanismo de incentivos económicos, permitindo que qualquer pessoa participe em tarefas e receba recompensas com base em contribuições reais. O protocolo funciona com base em três tipos de papéis centrais:

• Iniciador da tarefa: definir o ambiente de treino, o modelo inicial, a função de recompensa e os critérios de validação
• Nódulo de treinamento: executar treinamento local, submeter atualizações de peso e observar trajetórias
• Nós de validação: usar o mecanismo TOPLOC para verificar a autenticidade do comportamento de treinamento e participar do cálculo de recompensas e da agregação de estratégias.

O núcleo do processo do protocolo inclui publicação de tarefas, treinamento de nós, validação de trajetórias, agregação de pesos ###SHARDCAST( e distribuição de recompensas, formando um ciclo de incentivo em torno de "comportamento de treinamento real".

![O Santo Graal da Crypto AI: Exploração de vanguarda em treinamento Descentralização])https://img-cdn.gateio.im/webp-social/moments-b11af8d10db6e8baa0c19e87aa18dd82.webp(

)# 04, INTELLECT-2: Lançamento do primeiro modelo de treino descentralizado verificável

Prime Intellect lançou o INTELLECT-2 em maio de 2025, que é o primeiro grande modelo de aprendizado reforçado do mundo treinado por nós de colaboração descentralizada assíncrona e sem confiança, com um tamanho de parâmetro de 32B. O modelo INTELLECT-2 foi treinado em colaboração por mais de 100 nós GPU heterogêneos espalhados por três continentes, utilizando uma arquitetura totalmente assíncrona, com duração de treinamento superior a 400 horas.