Un nouveau paradigme d'entraînement AI : exploration à la pointe de l'entraînement décentralisé
Dans l'ensemble de la chaîne de valeur de l'IA, l'entraînement des modèles est l'étape la plus gourmande en ressources et avec le plus haut seuil technique, déterminant directement la capacité maximale des modèles et l'efficacité de leur application. Comparé à l'appel léger de l'étape 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 de haute intensité, constituant véritablement "l'industrie lourde" de la construction des systèmes d'IA. Du point de vue des paradigmes architecturaux, les méthodes d'entraînement peuvent être classées en quatre catégories : entraînement centralisé, entraînement distribué, apprentissage fédéré et entraînement décentralisé, qui est l'objet principal de cet article.
L'entraînement centralisé est la méthode traditionnelle la plus courante, réalisée par une seule institution au sein d'un cluster haute performance local, où l'ensemble du processus d'entraînement, des composants matériels, des logiciels de base, du système de gestion de cluster, jusqu'au 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 très adaptée à l'entraînement de modèles à grande échelle tels que GPT et Gemini, présentant des avantages en termes d'efficacité et de contrôle des ressources, mais souffrant également de problèmes tels que le monopole des données, les barrières à l'entrée, la consommation d'énergie et le risque de point de défaillance.
L'entraînement distribué est la méthode principale de l'entraînement des grands modèles actuels, son cœur étant de décomposer les tâches d'entraînement du modèle et de les répartir sur plusieurs machines pour exécuter de manière collaborative, afin de surmonter les goulots d'étranglement en matière de calcul et de stockage sur une seule machine. Bien qu'il présente des caractéristiques "distribuées" sur le plan physique, l'ensemble est toujours contrôlé par une institution centralisée pour la gestion et la synchronisation, fonctionnant souvent dans un environnement de réseau local à haute vitesse, grâce à la technologie de bus interconnecté haute vitesse NVLink, où le nœud principal coordonne de manière unifiée les sous-tâches. Les méthodes principales comprennent :
Parallélisme des données : chaque nœud entraîne différents paramètres de données partagés, nécessitant une correspondance des poids du modèle.
Parallélisme des modèles : déployer différentes parties du modèle sur différents nœuds pour réaliser une forte extensibilité.
Pipeline parallèle : exécution séquentielle par étapes, augmentation du débit
Parallélisme de tenseurs : segmentation fine des calculs matriciels, amélioration de la granularité du parallélisme
L'entraînement distribué est une combinaison de "contrôle centralisé + exécution distribuée", analogue à un même patron dirigeant à distance plusieurs employés de "bureau" collaborant pour accomplir des tâches. Actuellement, presque tous les grands modèles dominants (GPT-4, Gemini, LLaMA, etc. ) sont entraînés de cette manière.
La formation décentralisée représente une voie d'avenir plus ouverte et résistante à la censure. Ses caractéristiques fondamentales incluent : plusieurs nœuds qui ne se font pas confiance ( pouvant être des ordinateurs personnels, des GPU dans le cloud ou des appareils en périphérie ) travaillant ensemble pour accomplir des tâches d'entraînement sans coordinateur central, généralement en distribuant et en collaborant sur les tâches par le biais de protocoles, et en utilisant un mécanisme d'incitation cryptographique pour garantir l'honnêteté des contributions. Les principaux défis auxquels ce modèle est confronté incluent :
Hétérogénéité des appareils et difficulté de découpage : coordination des appareils hétérogènes difficile, efficacité de découpage des tâches faible
Goulot d'étranglement de l'efficacité de communication : communication réseau instable, goulot d'étranglement de synchronisation des gradients 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 de planificateur central, distribution des tâches et mécanismes de rollback des erreurs complexes
La formation décentralisée peut être comprise comme : un groupe de volontaires à travers le monde, chacun contribuant de la puissance de calcul pour entraîner le modèle de manière collaborative, mais "la véritable 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 des modèles et d'autres aspects. Cependant, la question de savoir si l'on peut "collaborer efficacement + inciter à l'honnêteté + obtenir des résultats corrects" est encore à un stade précoce d'exploration de prototypes.
L'apprentissage fédéré, en tant que forme transitoire entre la distribution et la Décentralisation, met l'accent sur la conservation locale des données et l'agrégation centralisée des paramètres du modèle. Il est adapté aux scénarios nécessitant une conformité à la vie privée, comme ceux de la santé et de la finance (. L'apprentissage fédéré possède une structure d'ingénierie pour l'entraînement distribué et une capacité de coopération locale, tout en bénéficiant des avantages de la distribution des données pour l'entraînement décentralisé. Cependant, il dépend toujours d'une partie coordonnatrice de confiance et ne possède pas les caractéristiques d'ouverture complète et de résistance à la censure. Il peut être considéré comme une solution de "décentralisation contrôlée" dans des scénarios de conformité à la vie privée, où les tâches d'entraînement, la structure de confiance et les mécanismes de communication sont relativement modérés, ce qui le rend plus adapté comme architecture de déploiement transitoire dans l'industrie.
![Le Saint Graal de Crypto AI : exploration à la pointe de l'entraînement décentralisé])https://img-cdn.gateio.im/webp-social/moments-a8004f094fff74515470052b3a24617c.webp(
Décentralisation des frontières, opportunités et voies réelles de l'entraînement
Du point de vue des paradigmes d'entraînement, la formation décentralisée 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 pour être réalisée efficacement entre des nœuds hétérogènes et non fiables. Par exemple, l'entraînement de grands modèles dépend souvent d'une mémoire vidéo élevée, d'une faible latence et d'une bande passante élevée, ce qui rend difficile la partition et la synchronisation efficaces sur un réseau ouvert ; les tâches ) avec des restrictions fortes sur la confidentialité des données et la souveraineté, comme la santé, la finance et les données sensibles (, sont limitées par des contraintes légales et éthiques, empêchant le partage ouvert ; tandis que les tâches ) sans base d'incitation à la collaboration, comme les modèles fermés d'entreprise ou l'entraînement de prototypes internes (, manquent de motivation pour la participation externe. Ces frontières constituent ensemble les limitations réelles de l'entraînement décentralisé actuel.
Mais cela ne signifie pas que l'entraînement décentralisé est un faux débat. En fait, dans les types de tâches légères, faciles à paralléliser et incitatives, l'entraînement décentralisé montre des perspectives d'application claires. Cela inclut, mais sans s'y limiter : le fine-tuning LoRA, les tâches d'entraînement post-alignment comportemental telles que RLHF, DPO), l'entraînement et l'annotation de données en crowdsourcing, l'entraînement de petits modèles de base à ressources contrôlées, ainsi que des 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 l'hétérogénéité des capacités de calcul, ce qui les rend très adaptées à l'entraînement collaboratif via des réseaux P2P, des protocoles Swarm, des optimiseurs distribués, etc.
Décentralisation entraînement classique projet analyse
Actuellement, dans le domaine de la formation décentralisée 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 technique et de difficulté d'implémentation, Prime Intellect, Nous Research et Pluralis.ai ont proposé de nombreuses explorations originales dans l'architecture système et la conception d'algorithmes, représentant ainsi les directions de recherche théorique à la pointe; tandis que les voies de réalisation de Gensyn et Flock.io sont relativement claires, montrant déjà des progrès d'ingénierie préliminaires. Cet article analysera successivement les technologies clés et les architectures d'ingénierie derrière ces cinq projets, et explorera davantage leurs différences et leurs relations complémentaires dans le système de formation AI décentralisé.
( Prime Intellect : Pion des réseaux de collaboration d'apprentissage par renforcement vérifiables par trajectoire d'entraînement
Prime Intellect s'engage à construire un réseau d'entraînement AI sans confiance, permettant à quiconque de participer à l'entraînement et de recevoir des récompenses fiables pour ses contributions en calcul. Prime Intellect souhaite, à travers les trois modules PRIME-RL + TOPLOC + SHARDCAST, construire un système d'entraînement AI décentralisé avec vérifiabilité, ouverture et un mécanisme d'incitation complet.
)# 01、Structure de la pile de protocoles Prime Intellect et valeur des modules clés
![Le Saint Graal de Crypto AI : exploration à la pointe de l'entraînement décentralisé]###https://img-cdn.gateio.im/webp-social/moments-69eb6c2dab3d6284b890285c71e7a47f.webp###
(# 02, Détails des mécanismes clés de formation de Prime Intellect
#PRIME-RL: Architecture de tâche de renforcement asynchrone découplée
PRIME-RL est un cadre de modélisation et d'exécution des tâches personnalisé par Prime Intellect pour des scénarios d'entraînement décentralisés, conçu spécialement pour des réseaux hétérogènes et des participants asynchrones. Il utilise l'apprentissage par renforcement comme objet d'adaptation prioritaire, découplant structurellement le processus d'entraînement, d'inférence et de téléchargement des poids, permettant à chaque nœud d'entraînement d'exécuter indépendamment la boucle de tâches localement et de collaborer via des interfaces normalisées avec des mécanismes de validation et d'agrégation. Par rapport aux processus d'apprentissage supervisé traditionnels, PRIME-RL est mieux adapté pour réaliser un entraînement flexible dans des environnements 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.
![Le Saint Graal de l'IA Crypto : Exploration de pointe de l'entraînement décentralisé])https://img-cdn.gateio.im/webp-social/moments-b11af8d10db6e8baa0c19e87aa18dd82.webp###
#TOPLOC:Mécanisme de vérification des comportements d'entraînement léger
TOPLOC(Observation de Confiance & Vérification de Localité) est un mécanisme central de vérifiabilité proposé par Prime Intellect, utilisé pour déterminer si un nœud a réellement accompli un apprentissage de politique efficace basé sur des données d'observation. Contrairement à des solutions lourdes comme ZKML, TOPLOC ne dépend pas du recalcul complet du modèle, mais réalise une vérification de structure légère en analysant la trajectoire de cohérence locale entre "séquence d'observation ↔ mise à jour de la politique". Il transforme pour la première fois les trajectoires comportementales du processus d'apprentissage en objets vérifiables, ce qui constitue une innovation clé pour réaliser une distribution de récompenses d'apprentissage sans confiance, offrant une voie réalisable pour construire un réseau d'apprentissage coopératif décentralisé, auditables et incitatifs.
#SHARDCAST: Protocole d'agrégation et de propagation des poids asynchrones
SHARDCAST est un protocole de propagation et d'agrégation de poids conçu par Prime Intellect, optimisé pour des environnements de réseau réels asynchrones, à bande passante limitée et avec des états de nœuds changeants. Il combine un mécanisme de propagation par gossip et une stratégie de synchronisation locale, permettant à plusieurs nœuds de soumettre en continu des mises à jour partielles dans des états non synchronisés, réalisant ainsi une convergence progressive des poids et une évolution multi-version. Comparé aux méthodes AllReduce centralisées ou synchronisées, SHARDCAST améliore considérablement l'évolutivité et la tolérance aux pannes de l'entraînement décentralisé, constituant ainsi la base essentielle pour établir un consensus de poids stable et une itération d'entraînement continue.
#OpenDiLoCo: Cadre de communication asynchrone sparse
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 dispositifs et l'instabilité des nœuds dans l'entraînement décentralisé. Son architecture, basée sur le parallélisme des données, construit des structures topologiques clairsemées telles que Ring, Expander et Small-World, évitant ainsi le coût de communication élevé de la synchronisation globale, et permettant l'entraînement coopératif du modèle uniquement en s'appuyant sur des nœuds voisins locaux. En combinant des mises à jour asynchrones et un mécanisme de tolérance aux pannes, OpenDiLoCo permet aux GPU grand public et aux dispositifs en périphérie de participer de manière stable aux tâches d'entraînement, améliorant ainsi considérablement la participation à l'entraînement collaboratif mondial, et constitue l'une des infrastructures de communication clés pour construire des réseaux d'entraînement décentralisés.
#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 le goulot d'étranglement d'adaptation des bibliothèques de communication traditionnelles( telles que NCCL, Gloo) sur des dispositifs hétérogènes et des réseaux à faible bande passante. PCCL prend en charge les topologies éparses, la compression de gradient, la synchronisation à faible précision et la récupération après interruption, pouvant fonctionner sur des GPU de consommation et des nœuds instables, constituant le composant de base des capacités de communication asynchrone du protocole OpenDiLoCo. Il améliore considérablement la tolérance à la bande passante et la compatibilité des dispositifs pour construire un réseau d'entraînement collaboratif véritablement ouvert et sans confiance, en franchissant la "dernière étape" des infrastructures de communication.
(# 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 à des tâches et de recevoir des récompenses basées sur des 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
Nœud d'entraînement : exécuter l'entraînement local, soumettre les mises à jour de poids et observer les trajectoires
Nœud de validation : utiliser le mécanisme TOPLOC pour vérifier
Cette page peut inclure du contenu de tiers fourni à des fins d'information uniquement. Gate ne garantit ni l'exactitude ni la validité de ces contenus, n’endosse pas les opinions exprimées, et ne fournit aucun conseil financier ou professionnel à travers ces informations. Voir la section Avertissement pour plus de détails.
19 J'aime
Récompense
19
5
Partager
Commentaire
0/400
bridge_anxiety
· Il y a 6h
C'est pourquoi la puissance de calcul est si chère.
Voir l'originalRépondre0
GasBankrupter
· 08-04 21:02
Pourquoi c'est encore si cher, cette puissance de calcul... c'est une grosse perte.
Voir l'originalRépondre0
liquidation_surfer
· 08-04 01:17
Pff, encore un jeu décentralisé.
Voir l'originalRépondre0
SmartContractPhobia
· 08-04 00:53
Tsk, tu penses que les cartes graphiques ne sont pas assez chaudes, n'est-ce pas ?
Décentralisation AI entraînement avant-garde exploration : Prime Intellect mène un nouveau paradigme
Un nouveau paradigme d'entraînement AI : exploration à la pointe de l'entraînement décentralisé
Dans l'ensemble de la chaîne de valeur de l'IA, l'entraînement des modèles est l'étape la plus gourmande en ressources et avec le plus haut seuil technique, déterminant directement la capacité maximale des modèles et l'efficacité de leur application. Comparé à l'appel léger de l'étape 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 de haute intensité, constituant véritablement "l'industrie lourde" de la construction des systèmes d'IA. Du point de vue des paradigmes architecturaux, les méthodes d'entraînement peuvent être classées en quatre catégories : entraînement centralisé, entraînement distribué, apprentissage fédéré et entraînement décentralisé, qui est l'objet principal de cet article.
L'entraînement centralisé est la méthode traditionnelle la plus courante, réalisée par une seule institution au sein d'un cluster haute performance local, où l'ensemble du processus d'entraînement, des composants matériels, des logiciels de base, du système de gestion de cluster, jusqu'au 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 très adaptée à l'entraînement de modèles à grande échelle tels que GPT et Gemini, présentant des avantages en termes d'efficacité et de contrôle des ressources, mais souffrant également de problèmes tels que le monopole des données, les barrières à l'entrée, la consommation d'énergie et le risque de point de défaillance.
L'entraînement distribué est la méthode principale de l'entraînement des grands modèles actuels, son cœur étant de décomposer les tâches d'entraînement du modèle et de les répartir sur plusieurs machines pour exécuter de manière collaborative, afin de surmonter les goulots d'étranglement en matière de calcul et de stockage sur une seule machine. Bien qu'il présente des caractéristiques "distribuées" sur le plan physique, l'ensemble est toujours contrôlé par une institution centralisée pour la gestion et la synchronisation, fonctionnant souvent dans un environnement de réseau local à haute vitesse, grâce à la technologie de bus interconnecté haute vitesse NVLink, où le nœud principal coordonne de manière unifiée les sous-tâches. Les méthodes principales comprennent :
L'entraînement distribué est une combinaison de "contrôle centralisé + exécution distribuée", analogue à un même patron dirigeant à distance plusieurs employés de "bureau" collaborant pour accomplir des tâches. Actuellement, presque tous les grands modèles dominants (GPT-4, Gemini, LLaMA, etc. ) sont entraînés de cette manière.
La formation décentralisée représente une voie d'avenir plus ouverte et résistante à la censure. Ses caractéristiques fondamentales incluent : plusieurs nœuds qui ne se font pas confiance ( pouvant être des ordinateurs personnels, des GPU dans le cloud ou des appareils en périphérie ) travaillant ensemble pour accomplir des tâches d'entraînement sans coordinateur central, généralement en distribuant et en collaborant sur les tâches par le biais de protocoles, et en utilisant un mécanisme d'incitation cryptographique pour garantir l'honnêteté des contributions. Les principaux défis auxquels ce modèle est confronté incluent :
La formation décentralisée peut être comprise comme : un groupe de volontaires à travers le monde, chacun contribuant de la puissance de calcul pour entraîner le modèle de manière collaborative, mais "la véritable 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 des modèles et d'autres aspects. Cependant, la question de savoir si l'on peut "collaborer efficacement + inciter à l'honnêteté + obtenir des résultats corrects" est encore à un stade précoce d'exploration de prototypes.
L'apprentissage fédéré, en tant que forme transitoire entre la distribution et la Décentralisation, met l'accent sur la conservation locale des données et l'agrégation centralisée des paramètres du modèle. Il est adapté aux scénarios nécessitant une conformité à la vie privée, comme ceux de la santé et de la finance (. L'apprentissage fédéré possède une structure d'ingénierie pour l'entraînement distribué et une capacité de coopération locale, tout en bénéficiant des avantages de la distribution des données pour l'entraînement décentralisé. Cependant, il dépend toujours d'une partie coordonnatrice de confiance et ne possède pas les caractéristiques d'ouverture complète et de résistance à la censure. Il peut être considéré comme une solution de "décentralisation contrôlée" dans des scénarios de conformité à la vie privée, où les tâches d'entraînement, la structure de confiance et les mécanismes de communication sont relativement modérés, ce qui le rend plus adapté comme architecture de déploiement transitoire dans l'industrie.
![Le Saint Graal de Crypto AI : exploration à la pointe de l'entraînement décentralisé])https://img-cdn.gateio.im/webp-social/moments-a8004f094fff74515470052b3a24617c.webp(
Décentralisation des frontières, opportunités et voies réelles de l'entraînement
Du point de vue des paradigmes d'entraînement, la formation décentralisée 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 pour être réalisée efficacement entre des nœuds hétérogènes et non fiables. Par exemple, l'entraînement de grands modèles dépend souvent d'une mémoire vidéo élevée, d'une faible latence et d'une bande passante élevée, ce qui rend difficile la partition et la synchronisation efficaces sur un réseau ouvert ; les tâches ) avec des restrictions fortes sur la confidentialité des données et la souveraineté, comme la santé, la finance et les données sensibles (, sont limitées par des contraintes légales et éthiques, empêchant le partage ouvert ; tandis que les tâches ) sans base d'incitation à la collaboration, comme les modèles fermés d'entreprise ou l'entraînement de prototypes internes (, manquent de motivation pour la participation externe. Ces frontières constituent ensemble les limitations réelles de l'entraînement décentralisé actuel.
Mais cela ne signifie pas que l'entraînement décentralisé est un faux débat. En fait, dans les types de tâches légères, faciles à paralléliser et incitatives, l'entraînement décentralisé montre des perspectives d'application claires. Cela inclut, mais sans s'y limiter : le fine-tuning LoRA, les tâches d'entraînement post-alignment comportemental telles que RLHF, DPO), l'entraînement et l'annotation de données en crowdsourcing, l'entraînement de petits modèles de base à ressources contrôlées, ainsi que des 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 l'hétérogénéité des capacités de calcul, ce qui les rend très adaptées à l'entraînement collaboratif via des réseaux P2P, des protocoles Swarm, des optimiseurs distribués, etc.
Décentralisation entraînement classique projet analyse
Actuellement, dans le domaine de la formation décentralisée 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 technique et de difficulté d'implémentation, Prime Intellect, Nous Research et Pluralis.ai ont proposé de nombreuses explorations originales dans l'architecture système et la conception d'algorithmes, représentant ainsi les directions de recherche théorique à la pointe; tandis que les voies de réalisation de Gensyn et Flock.io sont relativement claires, montrant déjà des progrès d'ingénierie préliminaires. Cet article analysera successivement les technologies clés et les architectures d'ingénierie derrière ces cinq projets, et explorera davantage leurs différences et leurs relations complémentaires dans le système de formation AI décentralisé.
( Prime Intellect : Pion des réseaux de collaboration d'apprentissage par renforcement vérifiables par trajectoire d'entraînement
Prime Intellect s'engage à construire un réseau d'entraînement AI sans confiance, permettant à quiconque de participer à l'entraînement et de recevoir des récompenses fiables pour ses contributions en calcul. Prime Intellect souhaite, à travers les trois modules PRIME-RL + TOPLOC + SHARDCAST, construire un système d'entraînement AI décentralisé avec vérifiabilité, ouverture et un mécanisme d'incitation complet.
)# 01、Structure de la pile de protocoles Prime Intellect et valeur des modules clés
![Le Saint Graal de Crypto AI : exploration à la pointe de l'entraînement décentralisé]###https://img-cdn.gateio.im/webp-social/moments-69eb6c2dab3d6284b890285c71e7a47f.webp###
(# 02, Détails des mécanismes clés de formation de Prime Intellect
#PRIME-RL: Architecture de tâche de renforcement asynchrone découplée
PRIME-RL est un cadre de modélisation et d'exécution des tâches personnalisé par Prime Intellect pour des scénarios d'entraînement décentralisés, conçu spécialement pour des réseaux hétérogènes et des participants asynchrones. Il utilise l'apprentissage par renforcement comme objet d'adaptation prioritaire, découplant structurellement le processus d'entraînement, d'inférence et de téléchargement des poids, permettant à chaque nœud d'entraînement d'exécuter indépendamment la boucle de tâches localement et de collaborer via des interfaces normalisées avec des mécanismes de validation et d'agrégation. Par rapport aux processus d'apprentissage supervisé traditionnels, PRIME-RL est mieux adapté pour réaliser un entraînement flexible dans des environnements 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.
![Le Saint Graal de l'IA Crypto : Exploration de pointe de l'entraînement décentralisé])https://img-cdn.gateio.im/webp-social/moments-b11af8d10db6e8baa0c19e87aa18dd82.webp###
#TOPLOC:Mécanisme de vérification des comportements d'entraînement léger
TOPLOC(Observation de Confiance & Vérification de Localité) est un mécanisme central de vérifiabilité proposé par Prime Intellect, utilisé pour déterminer si un nœud a réellement accompli un apprentissage de politique efficace basé sur des données d'observation. Contrairement à des solutions lourdes comme ZKML, TOPLOC ne dépend pas du recalcul complet du modèle, mais réalise une vérification de structure légère en analysant la trajectoire de cohérence locale entre "séquence d'observation ↔ mise à jour de la politique". Il transforme pour la première fois les trajectoires comportementales du processus d'apprentissage en objets vérifiables, ce qui constitue une innovation clé pour réaliser une distribution de récompenses d'apprentissage sans confiance, offrant une voie réalisable pour construire un réseau d'apprentissage coopératif décentralisé, auditables et incitatifs.
#SHARDCAST: Protocole d'agrégation et de propagation des poids asynchrones
SHARDCAST est un protocole de propagation et d'agrégation de poids conçu par Prime Intellect, optimisé pour des environnements de réseau réels asynchrones, à bande passante limitée et avec des états de nœuds changeants. Il combine un mécanisme de propagation par gossip et une stratégie de synchronisation locale, permettant à plusieurs nœuds de soumettre en continu des mises à jour partielles dans des états non synchronisés, réalisant ainsi une convergence progressive des poids et une évolution multi-version. Comparé aux méthodes AllReduce centralisées ou synchronisées, SHARDCAST améliore considérablement l'évolutivité et la tolérance aux pannes de l'entraînement décentralisé, constituant ainsi la base essentielle pour établir un consensus de poids stable et une itération d'entraînement continue.
#OpenDiLoCo: Cadre de communication asynchrone sparse
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 dispositifs et l'instabilité des nœuds dans l'entraînement décentralisé. Son architecture, basée sur le parallélisme des données, construit des structures topologiques clairsemées telles que Ring, Expander et Small-World, évitant ainsi le coût de communication élevé de la synchronisation globale, et permettant l'entraînement coopératif du modèle uniquement en s'appuyant sur des nœuds voisins locaux. En combinant des mises à jour asynchrones et un mécanisme de tolérance aux pannes, OpenDiLoCo permet aux GPU grand public et aux dispositifs en périphérie de participer de manière stable aux tâches d'entraînement, améliorant ainsi considérablement la participation à l'entraînement collaboratif mondial, et constitue l'une des infrastructures de communication clés pour construire des réseaux d'entraînement décentralisés.
#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 le goulot d'étranglement d'adaptation des bibliothèques de communication traditionnelles( telles que NCCL, Gloo) sur des dispositifs hétérogènes et des réseaux à faible bande passante. PCCL prend en charge les topologies éparses, la compression de gradient, la synchronisation à faible précision et la récupération après interruption, pouvant fonctionner sur des GPU de consommation et des nœuds instables, constituant le composant de base des capacités de communication asynchrone du protocole OpenDiLoCo. Il améliore considérablement la tolérance à la bande passante et la compatibilité des dispositifs pour construire un réseau d'entraînement collaboratif véritablement ouvert et sans confiance, en franchissant la "dernière étape" des infrastructures de communication.
(# 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 à des tâches et de recevoir des récompenses basées sur des contributions réelles. Le protocole fonctionne sur la base de trois types de rôles clés :