Mô hình mới trong đào tạo AI: Khám phá tiên phong về đào tạo Phi tập trung

Trong toàn bộ chuỗi giá trị của AI, việc huấn luyện mô hình là giai đoạn tiêu tốn tài nguyên nhiều nhất và có rào cản kỹ thuật cao nhất, quyết định trực tiếp giới hạn khả năng của mô hình và hiệu quả ứng dụng. So với việc gọi nhẹ nhàng trong giai đoạn suy diễn, quá trình huấn luyện cần đầu tư sức mạnh tính toán lớn liên tục, quy trình xử lý dữ liệu phức tạp và hỗ trợ thuật toán tối ưu cường độ cao, thực sự là "công nghiệp nặng" 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 liên bang và huấn luyện phi tập trung mà bài viết này sẽ thảo luận trọng tâm.

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, hoàn thành toàn bộ quy trình huấn luyện, từ phần cứng, phần mềm nền tảng, hệ thống phân bổ cụm, đến tất cả các thành phần của khung huấn luyện đều được một hệ thống điều khiển thống nhất phối hợp hoạt động. Kiến trúc hợp tác sâu sắc này cho phép chia sẻ bộ nhớ, đồng bộ hóa gradient và hiệu suất của cơ chế chịu lỗi đạt tối ưu, rất phù hợp cho việc huấn luyện các mô hình quy mô lớn như GPT, Gemini, với những lợi thế về hiệu quả cao, tài nguyên có thể kiểm soát, nhưng đồng thời cũng tồn tại các vấn đề như độc quyền dữ liệu, rào cản tài nguyên, tiêu thụ năng lượng và rủi ro điểm đơn.

Đào tạo phân tán là phương pháp chính trong việc đào tạo mô hình lớn hiện nay, cốt lõi của nó là phân tách nhiệm vụ đào tạo mô hình và phân phối cho nhiều máy tính phối hợp thực hiện, nhằm vượt qua hạn chế về tính toán và lưu trữ đơn lẻ. Mặc dù về mặt vật lý có đặc điểm "phân tán", nhưng tổng thể vẫn được các tổ chức tập trung kiểm soát, điều phối và đồng bộ, thường hoạt động trong môi trường mạng cục bộ tốc độ cao, thông qua công nghệ bus liên kết NVLink tốc độ cao, do nút chính đồng bộ hóa các nhiệm vụ con. Các phương pháp chính bao gồm:

• Dữ liệu song song: Mỗi nút huấn luyện các tham số dữ liệu khác nhau, chia sẻ trọng số mô hình, cần phải khớp.
• Mô hình song song: Triển khai các phần khác nhau của mô hình trên các nút khác nhau, đạt được khả năng mở rộng mạnh mẽ
• Đường ống song song: Thực hiện tuần tự theo từng giai đoạn, tăng thông lượng
• Phân tán tensor: Phân chia chi tiết tính toán ma trận, nâng cao độ mịn của sự song song

Đào tạo phân tán là sự kết hợp của "kiểm soát tập trung + thực hiện phân tán", tương tự như một ông chủ điều hành từ xa nhiều nhân viên "văn phòng" hợp tác hoàn thành nhiệm vụ. Hiện tại, hầu hết các mô hình lớn phổ biến (GPT-4, Gemini, LLaMA, v.v. ) đều được đào tạo theo cách này.

Phi tập trung huấn luyện đại diện cho một con đường tương lai với tính mở và khả năng chống kiểm duyệt cao hơn. Đặc điểm cốt lõi của nó là: nhiều nút không tin cậy ( có thể là máy tính gia đình, GPU đám mây hoặc thiết bị biên ) phối hợp thực hiện nhiệm vụ huấn luyện mà không cần điều phối viên trung tâm, thường thông qua giao thức điều khiển việc phân phối nhiệm vụ và hợp tác, và nhờ vào cơ chế khuyến khích mã hóa để đảm bảo tính trung thực của các đóng góp. Các thách thức chính mà mô hình này phải đối mặt bao gồm:

• Khó khăn trong việc phân mảnh và các thiết bị không đồng nhất: Khó khăn trong việc phối hợp các thiết bị không đồng nhất, hiệu quả phân mảnh nhiệm vụ thấp.
• Mức độ hiệu quả truyền thông bị hạn chế: Giao tiếp mạng không ổn định, nút thắt trong đồng bộ hóa độ dốc rất rõ ràng
• Thiếu khả năng 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 phối trung ương, phân phối nhiệm vụ, cơ chế quay lại 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 phối hợp 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 ninh mật mã, cơ chế kinh tế, xác thực mô hình và nhiều khía cạnh khác, nhưng liệu có thể "phối hợp hiệu quả + khuyến khích trung thực + kết quả chính xác" 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 hợp các tham số mô hình, phù hợp với các tình huống chú trọng đến sự tuân thủ quyền riêng tư như y tế, tài chính. 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 trong đào tạo Phi tập trung, nhưng vẫn phụ thuộc vào bên điều phối đáng tin cậy, không có đặc điểm hoàn toàn mở và kháng kiểm duyệt. Có thể coi đây là một giải pháp "Phi tập trung có kiểm soát" trong các tình huống tuân thủ quyền riêng tư, với các tác vụ đào tạo, cấu trúc tin cậy và cơ chế giao tiếp đều tương đối ôn hòa, thích hợp hơn làm kiến trúc triển khai chuyển tiếp trong ngành công nghiệp.

Phi tập trung đào tạo các ranh giới, cơ hội và con đường thực tế

Từ góc độ mô hình huấn luyện, huấn luyện phi tập trung không phù hợp với tất cả các loại nhiệm vụ. Trong một số trường hợp, do cấu trúc nhiệm vụ phức tạp, nhu cầu tài nguyên rất cao hoặc khó khăn trong hợp tác, nó tự nhiên không phù hợp để hoàn thành hiệu quả giữa các nút không đồng nhất và không cần tin cậy. Ví dụ, huấn luyện 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 có hạn chế về quyền riêng tư dữ liệu và chủ quyền mạnh mẽ như y tế, tài chính, dữ liệu nhạy cảm ( bị hạn chế bởi các quy định pháp lý và ràng buộc đạo đức, không thể chia sẻ mở; trong khi các nhiệm vụ thiếu động lực hợp tác như mô hình đóng nguồn của doanh nghiệp hoặc huấn luyện nguyên mẫu nội bộ ) thì thiếu động lực tham gia từ bên ngoài. Những ranh giới này cùng nhau tạo thành những hạn chế thực tế hiện tại của huấn luyện phi tập trung.

Nhưng điều này không có nghĩa là đào tạo phi tập trung là một giả thuyết sai lầm. Thực tế, trong các loại nhiệm vụ 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 huấn luyện sau như căn chỉnh hành vi ( như RLHF, DPO), nhiệm vụ đào tạo và gán nhãn dữ liệu theo cách crowdsourcing, đào tạo các mô hình cơ sở nhỏ có thể kiểm soát tài nguyên, cũng như các tình huống đào tạo hợp tác có sự tham gia của thiết bị biên. Những nhiệm vụ này thường có đặc điểm cao tính song song, độ kết nối thấp và khả năng chịu đựng sức mạnh tính toán khác nhau, rất thích hợp để thực hiện đào tạo hợp tác thông qua mạng P2P, giao thức Swarm, bộ tối ưu hóa phân tán, v.v.

Phi tập trung đào tạo phân tích dự án kinh điển

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 triển khai kỹ thuật, Prime Intellect, Nous Research và Pluralis.ai đã đưa ra nhiều khám phá sáng tạo trong thiết kế hệ thống và thuật toán, đại diện cho hướng nghiên cứu lý thuyết hiện nay; trong khi đó, con đường hiện thực hóa của Gensyn và Flock.io tương đối rõ ràng, đã có thể thấy những tiến triển ban đầu trong việc hiện thực hóa kỹ thuật. Bài viết này sẽ lần lượt phân tích các công nghệ cốt lõi và kiến trúc kỹ thuật của năm dự án này, đồng thời thảo luận thêm về sự khác biệt và mối quan hệ bổ sung của chúng trong hệ thống đào tạo AI Phi tập trung.

( Prime Intellect: Huấn luyện lộ trình có thể xác minh của mạng lưới hợp tác học tăng cường tiên phong

Prime Intellect cam kết xây dựng một mạng lưới đào tạo AI không cần tin tưởng, cho phép bất kỳ ai cũng có thể tham gia đào tạo và nhận được phần thưởng đáng tin cậy cho những đóng góp tính toán của mình. Prime Intellect hy vọng thông qua ba mô-đun PRIME-RL + TOPLOC + SHARDCAST, sẽ xây dựng một hệ thống đào tạo AI Phi tập trung có tính xác minh, tính mở và cơ chế khuyến khích đầy đủ.

)# 01、Cấu trúc ngăn xếp giao thức Prime Intellect và giá trị của các mô-đun chính

02、Giải thích chi tiết cơ chế đào tạo Prime Intellect

#PRIME-RL: Kiến trúc nhiệm vụ học tăng cường bất đồng bộ phân tách

PRIME-RL là khung mô hình hóa và thực hiện nhiệm vụ được Prime Intellect tùy chỉnh cho các kịch bản đào tạo Phi tập trung, được thiết kế đặc biệt cho mạng lưới dị thể và sự tham gia không đồng bộ. Nó sử dụng học tăng cường làm đối tượng thích ứng ưu tiên, giải cấu trúc quy trình đào tạo, suy diễn và tải trọng, cho phép mỗi nút đào tạo hoàn thành chu kỳ nhiệm vụ độc lập tại địa phương, đồng thời phối hợp với cơ chế xác thực và tổng hợp thông qua giao diện tiêu 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 điều phối trung tâm, vừa giảm độ phức tạp của hệ thống, vừa đặt nền tảng cho việc hỗ trợ đa nhiệm song song và sự tiến hóa chính sách.

![Chén thánh của Crypto AI: Khám phá tiên tiến trong đào tạo Phi tập trung]###https://img-cdn.gateio.im/webp-social/moments-b11af8d10db6e8baa0c19e87aa18dd82.webp(

#TOPLOC:Cơ chế xác minh hành vi đào tạo nhẹ

TOPLOC)Quan sát Đáng tin cậy & Kiểm tra Địa phương### là cơ chế cốt lõi về khả năng xác minh được đề xuất bởi Prime Intellect, dùng để xác định xem một nút có thực sự hoàn thành việc học chiến lược hiệu quả dựa trên dữ liệu quan sát hay không. Khác với các giải pháp nặng như ZKML, TOPLOC không phụ thuộc vào việc tính toán lại toàn bộ mô hình, mà thay vào đó, hoàn thành xác minh cấu trúc nhẹ bằng cách phân tích "chuỗi quan sát ↔ cập nhật chiến lược" giữa các quỹ đạo nhất quán cục bộ. Đây là lần đầu tiên chuyển đổi các quỹ đạo hành vi trong quá trình đào tạo thành các đối tượng có thể xác minh, là đổi mới then chốt để thực hiện phân phối phần thưởng đào tạo mà không cần tin tưởng, cung cấp con đường khả thi cho việc xây dựng mạng lưới đào tạo hợp tác phi tập trung có thể kiểm toán và có động lực.

#SHARDCAST: Giao thức tổng hợp và truyền thông trọng số bất đồng bộ

SHARDCAST là giao thức truyền và tổng hợp trọng số do Prime Intellect thiết kế, được tối ưu hóa đặc biệt cho môi trường mạng thực tế không đồng bộ, hạn chế băng thông và trạng thái nút biến đổi. Nó kết hợp cơ chế truyền gossip và chiến lược đồng bộ cục bộ, cho phép nhiều nút liên tục gửi cập nhật một phần trong trạng thái không đồng bộ, đạt được sự hội tụ trọng số dần dần 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 chịu lỗi của đào tạo Phi tập trung, là nền tảng cốt lõi để xây dựng sự đồng thuận trọng số ổn định và lặp đào tạo liên tục.

#OpenDiLoCo: Khung giao tiếp bất đồng bộ thưa thớt

OpenDiLoCo là một khung tối ưu hóa giao tiếp được nhóm Prime Intellect độc lập thực hiện và mã nguồn mở dựa trên khái niệm DiLoCo do DeepMind đề xuất, được thiết kế đặc biệt cho các thách thức thường gặp trong đào tạo Phi tập trung như băng thông hạn chế, thiết bị dị thể và nút không ổn định. Kiến trúc của nó dựa trên song song 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 dựa vào các nút láng giềng cục bộ để hoàn thành đào tạo phối hợp mô hình. Kết hợp với cập nhật không đồng bộ và cơ chế khôi phục điểm dừng, OpenDiLoCo cho phép GPU tiêu dùng và thiết bị biên cũng có thể tham gia ổn định vào các nhiệm vụ đào tạo, tăng cường đáng kể 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(Prime Collective Communication Library) 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 về khả năng thích ứng trong các thiết bị dị thể và mạng băng thông thấp của các thư viện giao tiếp truyền thống( như NCCL, Gloo). PCCL hỗ trợ topo thưa, nén độ dốc, đồng bộ độ chính xác thấp và khôi phục điểm dừng, có thể chạy trên GPU tiêu dùng và các nút không ổn định, là thành phần cơ sở hỗ trợ khả năng giao tiếp bất đồng bộ của giao thức OpenDiLoCo. Nó nâng cao đáng kể khả năng chịu đựng băng thông của mạng huấn luyện và khả năng tương thích thiết bị, mở ra "km cuối" của cơ sở hạ tầng giao tiếp cho việc xây dựng mạng huấn luyện hợp tác thực sự mở, không cần tin cậy.

(# 03、Prime Intellect khuyến khích mạng lưới và phân công vai trò

Prime Intellect xây dựng một mạng lưới đào tạo không cần cấp phép, có thể xác minh và có cơ chế khuyến khích kinh tế, cho phép bất kỳ ai tham gia vào nhiệm vụ và nhận phần thưởng dựa trên đóng góp thực sự. Giao thức hoạt động dựa trên ba loại vai trò cốt lõi:

• Người khởi xướng nhiệm vụ: định nghĩa môi trường huấn luyện, mô hình ban đầu, hàm thưởng và tiêu chuẩn xác thực
• Nút đào tạo: Thực hiện đào tạo cục bộ, gửi cập nhật trọng số và quan sát quỹ đạo
• Node xác thực: Sử dụng cơ chế TOPLOC để xác thực