Evolución del paradigma de entrenamiento de IA: de un control centralizado a una revolución tecnológica de colaboración descentralizada
En toda la cadena de valor de la IA, el entrenamiento de modelos es la etapa que más recursos consume y tiene la mayor barrera tecnológica, determinando directamente el límite de capacidad del modelo y el efecto real de la aplicación. En comparación con la llamada ligera de la fase de inferencia, el proceso de entrenamiento requiere una inversión continua de gran capacidad computacional, complejos procesos de manejo de datos y un soporte de algoritmos de optimización de alta intensidad, siendo la verdadera "industria pesada" en la construcción de sistemas de IA. Desde la perspectiva del paradigma arquitectónico, los métodos de entrenamiento se pueden clasificar en cuatro categorías: entrenamiento centralizado, entrenamiento distribuido, aprendizaje federado y el entrenamiento de Descentralización que se discute en este artículo.
El entrenamiento centralizado es la forma tradicional más común, realizado por una única entidad en un clúster local de alto rendimiento que completa todo el proceso de entrenamiento, desde el hardware, el software subyacente, el sistema de programación del clúster, hasta todos los componentes del marco de entrenamiento, todos coordinados por un sistema de control unificado. Esta arquitectura de profunda colaboración optimiza la eficiencia de la compartición de memoria, la sincronización de gradientes y los mecanismos de tolerancia a fallos, siendo muy adecuada para el entrenamiento de modelos a gran escala como GPT y Gemini, con ventajas de alta eficiencia y recursos controlables, pero también presenta problemas como el monopolio de datos, barreras de recursos, consumo de energía y riesgos de un solo punto.
El entrenamiento distribuido es el método principal para el entrenamiento de grandes modelos en la actualidad, su núcleo es descomponer la tarea de entrenamiento del modelo y distribuirla a múltiples máquinas para que colaboren en su ejecución, con el fin de superar los cuellos de botella de cálculo y almacenamiento en una sola máquina. A pesar de que físicamente presenta características de "descentralización", en general, sigue siendo controlado y coordinado por una institución centralizada, y a menudo se ejecuta en un entorno de red local de alta velocidad, utilizando la tecnología de bus de interconexión de alta velocidad NVLink, coordinando de manera unificada las subtareas por el nodo principal. Los métodos principales incluyen:
Paralelismo de datos: cada nodo entrena diferentes datos compartiendo parámetros, es necesario que coincidan los pesos del modelo.
Paralelismo de modelos: implementar diferentes partes del modelo en diferentes nodos, logrando una fuerte escalabilidad
Canalización paralela: ejecución en serie por etapas, mejora del rendimiento
Paralelismo de tensores: segmentación refinada del cálculo de matrices, mejora de la granularidad de la paralelización
El entrenamiento distribuido es una combinación de "control centralizado + ejecución distribuida", análogo a un mismo jefe que dirige remotamente a varios empleados de "oficina" para colaborar en la realización de tareas. Actualmente, casi todos los principales modelos grandes se entrenan de esta manera.
La Descentralización en el entrenamiento representa un camino futuro más abierto y con características de resistencia a la censura. Su característica central radica en: múltiples nodos que no se fían entre sí colaboran para completar tareas de entrenamiento sin un coordinador central, generalmente a través de un protocolo que impulsa la distribución de tareas y la colaboración, y con la ayuda de un mecanismo de incentivos criptográficos que asegura la honestidad de las contribuciones. Los principales desafíos que enfrenta este modelo incluyen:
Dificultades de heterogeneidad y segmentación de dispositivos: alta dificultad de coordinación de dispositivos heterogéneos, baja eficiencia en la segmentación de tareas.
Cuello de botella en la eficiencia de comunicación: la comunicación de red es inestable y el cuello de botella en la sincronización de gradientes es evidente.
Ejecución confiable faltante: falta de un entorno de ejecución confiable, difícil de verificar si los nodos realmente participan en el cálculo
Falta de coordinación unificada: sin un despachador central, la distribución de tareas y el mecanismo de reversión de excepciones es complejo
El entrenamiento descentralizado puede entenderse como: un grupo de voluntarios de todo el mundo que contribuyen con su potencia de cálculo para entrenar modelos de manera colaborativa, pero "el verdadero entrenamiento descentralizado a gran escala que es factible" sigue siendo un desafío de ingeniería sistémica, que involucra múltiples niveles como la arquitectura del sistema, protocolos de comunicación, seguridad criptográfica, mecanismos económicos y validación de modelos. Sin embargo, la cuestión de si se puede "colaborar de manera efectiva + incentivar la honestidad + obtener resultados correctos" aún se encuentra en una etapa temprana de exploración de prototipos.
El aprendizaje federado, como una forma de transición entre la distribución y la Descentralización, enfatiza la retención local de datos y la agregación centralizada de parámetros del modelo, siendo adecuado para escenarios que valoran la conformidad con la privacidad. El aprendizaje federado posee una estructura de ingeniería de entrenamiento distribuido y capacidades de colaboración local, al tiempo que cuenta con la ventaja de la dispersión de datos en el entrenamiento Descentralizado, pero todavía depende de una parte coordinadora de confianza, y no posee características completamente abiertas y resistentes a la censura. Se puede considerar como una solución de "Descentralización controlada" en escenarios de conformidad con la privacidad, con tareas de entrenamiento, estructura de confianza y mecanismos de comunicación relativamente suaves, siendo más adecuada como una arquitectura de despliegue transitorio en la industria.
Tabla panorámica de comparación de paradigmas de entrenamiento de IA ( Arquitectura técnica × Incentivos de confianza × Características de la aplicación )
Descentralización entrenamiento de los límites, oportunidades y caminos reales
Desde la perspectiva de los paradigmas de entrenamiento, la Descentralización del entrenamiento no es adecuada para todos los tipos de tareas. En ciertos escenarios, debido a la complejidad de la estructura de la tarea, la alta demanda de recursos o la dificultad de colaboración, naturalmente no es adecuada para completarse de manera eficiente entre nodos heterogéneos y de confianza. Por ejemplo, el entrenamiento de grandes modelos a menudo depende de alta memoria, baja latencia y ancho de banda rápido, lo que dificulta la segmentación y sincronización efectivas en una red abierta; las tareas con fuertes restricciones de privacidad y soberanía de datos están limitadas por la conformidad legal y las restricciones éticas, lo que impide el intercambio abierto; y las tareas que carecen de incentivos de colaboración carecen de la motivación para la participación externa. Estas fronteras constituyen las limitaciones reales del entrenamiento descentralizado actual.
Pero eso no significa que el entrenamiento descentralizado sea un falso dilema. De hecho, en tipos de tareas que son ligeras en estructura, fáciles de paralelizar y motivadas, el entrenamiento descentralizado muestra perspectivas de aplicación claras. Incluyendo pero no limitado a: ajuste fino de LoRA, tareas de entrenamiento posterior de alineación de comportamiento, entrenamiento y etiquetado de datos a través de crowdsourcing, entrenamiento de modelos base pequeños con recursos controlables, así como escenarios de entrenamiento colaborativo que involucran dispositivos de borde. Estas tareas generalmente presentan características de alta paralelización, baja acoplamiento y tolerancia a la heterogeneidad de la potencia de cálculo, lo que las hace muy adecuadas para el entrenamiento colaborativo a través de redes P2P, protocolos Swarm, optimizadores distribuidos, entre otros.
Descentralización entrenamiento clásico del proyecto análisis
Actualmente, en el campo de vanguardia de la Descentralización entrenamiento y aprendizaje federado, los principales proyectos de blockchain representativos incluyen Prime Intellect, Pluralis.ai, Gensyn, Nous Research y Flock.io. Desde la perspectiva de innovación técnica y dificultad de implementación ingeniería, Prime Intellect, Nous Research y Pluralis.ai han propuesto exploraciones originales en el diseño de arquitecturas y algoritmos, representando las direcciones de vanguardia en la investigación teórica actual; mientras que Gensyn y Flock.io tienen un camino de implementación relativamente claro, ya mostrando un progreso inicial en la ingeniería. Este artículo analizará sucesivamente las tecnologías centrales y las arquitecturas de ingeniería detrás de estos cinco proyectos, y explorará además sus diferencias y relaciones complementarias en el sistema de entrenamiento de IA descentralizado.
Prime Intellect: Pionero de redes colaborativas de aprendizaje reforzado verificables en la trayectoria de entrenamiento.
Prime Intellect se dedica a construir una red de entrenamiento de IA sin necesidad de confianza, permitiendo que cualquier persona participe en el entrenamiento y reciba recompensas confiables por sus contribuciones computacionales. Prime Intellect espera construir un sistema de entrenamiento de IA con Descentralización, verificabilidad, apertura y un mecanismo de incentivos completo a través de los tres módulos PRIME-RL + TOPLOC + SHARDCAST.
Estructura de la pila de protocolos Prime Intellect y valor de los módulos clave
II. Detalles clave del mecanismo de entrenamiento de Prime Intellect
PRIME-RL: arquitectura de tarea de aprendizaje por refuerzo asíncrono desacoplado
PRIME-RL es un marco de modelado y ejecución de tareas personalizado por Prime Intellect para escenarios de Descentralización, diseñado específicamente para redes heterogéneas y participación asíncrona. Utiliza el aprendizaje por refuerzo como objeto de adaptación preferente, desacoplando estructuralmente los procesos de entrenamiento, inferencia y carga de pesos, de modo que cada nodo de entrenamiento pueda completar el ciclo de tareas de forma independiente en local, y colaborar a través de interfaces estandarizadas con mecanismos de verificación y agregación. En comparación con los procesos de aprendizaje supervisado tradicionales, PRIME-RL es más adecuado para implementar entrenamiento flexible en un entorno sin programación central, lo que reduce la complejidad del sistema y sienta las bases para apoyar la paralelización de múltiples tareas y la evolución de estrategias.
TOPLOC: mecanismo de verificación de comportamiento de entrenamiento ligero
TOPLOC es un mecanismo central de verificabilidad de entrenamiento propuesto por Prime Intellect, utilizado para determinar si un nodo realmente ha completado un aprendizaje de estrategia efectivo basado en datos de observación. A diferencia de soluciones pesadas como ZKML, TOPLOC no depende del recálculo completo del modelo, sino que completa la verificación de estructura ligera analizando la trayectoria de consistencia local entre "secuencias de observación ↔ actualización de estrategia". Por primera vez, convierte las trayectorias de comportamiento durante el proceso de entrenamiento en objetos verificables, siendo una innovación clave para lograr una distribución de recompensas de entrenamiento sin confianza, proporcionando un camino viable para construir una red de entrenamiento colaborativo descentralizada, auditable e incentivada.
SHARDCAST: Protocolo de agregación y propagación de pesos asíncronos
SHARDCAST es un protocolo de propagación y agregación de pesos diseñado por Prime Intellect, optimizado para entornos de red reales que son asíncronos, con ancho de banda limitado y con estados de nodos en constante cambio. Combina el mecanismo de propagación gossip con estrategias de sincronización local, permitiendo que múltiples nodos continúen enviando actualizaciones parciales en estados desincronizados, logrando la convergencia progresiva de pesos y la evolución de múltiples versiones. En comparación con los métodos AllReduce centralizados o sincronizados, SHARDCAST mejora significativamente la escalabilidad y la tolerancia a fallos del entrenamiento Descentralización, siendo la base central para construir un consenso de pesos estable y una iteración de entrenamiento continua.
OpenDiLoCo: marco de comunicación asíncrona dispersa
OpenDiLoCo es un marco de optimización de comunicaciones implementado de manera independiente y de código abierto por el equipo de Prime Intellect, basado en la idea de DiLoCo propuesta por DeepMind. Está diseñado específicamente para abordar los desafíos comunes en el entrenamiento descentralizado, como las limitaciones de ancho de banda, la heterogeneidad de dispositivos y la inestabilidad de nodos. Su arquitectura se basa en la paralelización de datos, construyendo estructuras topológicas dispersas como Ring, Expander y Small-World, evitando así el alto costo de comunicación de la sincronización global, y solo depende de nodos vecinos locales para completar el entrenamiento colaborativo del modelo. Combinando actualizaciones asíncronas y un mecanismo de tolerancia a fallos, OpenDiLoCo permite que GPUs de consumo y dispositivos periféricos participen de manera estable en tareas de entrenamiento, mejorando significativamente la participación en el entrenamiento colaborativo global, siendo una de las infraestructuras de comunicación clave para construir redes de entrenamiento descentralizado.
PCCL: Biblioteca de comunicación colaborativa
PCCL es una biblioteca de comunicación ligera diseñada a medida por Prime Intellect para entornos de entrenamiento de IA descentralizada, con el objetivo de resolver los cuellos de botella de adaptación de las bibliotecas de comunicación tradicionales en dispositivos heterogéneos y redes de baja ancho de banda. PCCL soporta topologías dispersas, compresión de gradientes, sincronización de baja precisión y recuperación de puntos de control, pudiendo ejecutarse en GPU de consumo y nodos inestables, siendo un componente subyacente que sostiene la capacidad de comunicación asíncrona del protocolo OpenDiLoCo. Mejora significativamente la tolerancia al ancho de banda de la red de entrenamiento y la compatibilidad de dispositivos, abriendo la "última milla" de la infraestructura de comunicación para construir una red de entrenamiento colaborativa verdaderamente abierta y sin necesidad de confianza.
Tres, la red de incentivos Prime Intellect y la división de roles
Prime Intellect construyó una red de entrenamiento sin permiso, verificable y con un mecanismo de incentivos económicos, que permite a cualquier persona participar en tareas y recibir recompensas basadas en contribuciones reales. El protocolo opera en función de tres tipos de roles centrales:
Iniciador de la tarea: definir el entorno de entrenamiento, el modelo inicial, la función de recompensa y los estándares de validación
Nodo de entrenamiento: ejecutar entrenamiento local, enviar actualizaciones de peso y trayectorias de observación
Nodos de verificación: utilizar el mecanismo TOPLOC para verificar la veracidad del comportamiento de entrenamiento y participar en el cálculo de recompensas y la agregación de estrategias.
El proceso central del protocolo incluye la publicación de tareas, el entrenamiento de nodos, la verificación de trayectorias, la agregación de pesos y la distribución de recompensas, formando un ciclo de incentivos en torno a "comportamiento de entrenamiento real".
Cuatro, INTELLECT-2: lanzamiento del primer modelo de entrenamiento descentralizado verificable
Prime Intellect lanzó INTELLECT-2 en mayo de 2025, que es el primer modelo de aprendizaje reforzado a gran escala del mundo entrenado por nodos descentralizados asincrónicos y sin necesidad de confianza, con una escala de parámetros de 32B. El modelo INTELLECT-2 fue entrenado en colaboración por más de 100 nodos heterogéneos de GPU distribuidos en tres continentes, utilizando una arquitectura completamente asincrónica, con un tiempo de entrenamiento de más de 400 horas, demostrando la viabilidad y estabilidad de la red de colaboración asincrónica. Este modelo no solo representa un avance en el rendimiento, sino que también es la primera implementación sistemática del paradigma de "entrenamiento es consenso" propuesto por Prime Intellect.
Esta página puede contener contenido de terceros, que se proporciona únicamente con fines informativos (sin garantías ni declaraciones) y no debe considerarse como un respaldo por parte de Gate a las opiniones expresadas ni como asesoramiento financiero o profesional. Consulte el Descargo de responsabilidad para obtener más detalles.
12 me gusta
Recompensa
12
4
Compartir
Comentar
0/400
RugResistant
· hace6h
Otra vez promoviendo la Descentralización.
Ver originalesResponder0
OnlyOnMainnet
· hace19h
Ah, esto es otra vez hacer promesas vacías, decirlo es como no decir nada.
Ver originalesResponder0
FarmHopper
· hace19h
Esto ha llegado a la máxima dimensión.
Ver originalesResponder0
OnChainDetective
· hace19h
hmm... acabo de rastrear el patrón de flujo de datos de entrenamiento... parece sospechosamente un único punto de fallo, para ser sincero.
Evolución de los paradigmas de entrenamiento de IA: de control centralizado a una revolución tecnológica de colaboración descentralizada
Evolución del paradigma de entrenamiento de IA: de un control centralizado a una revolución tecnológica de colaboración descentralizada
En toda la cadena de valor de la IA, el entrenamiento de modelos es la etapa que más recursos consume y tiene la mayor barrera tecnológica, determinando directamente el límite de capacidad del modelo y el efecto real de la aplicación. En comparación con la llamada ligera de la fase de inferencia, el proceso de entrenamiento requiere una inversión continua de gran capacidad computacional, complejos procesos de manejo de datos y un soporte de algoritmos de optimización de alta intensidad, siendo la verdadera "industria pesada" en la construcción de sistemas de IA. Desde la perspectiva del paradigma arquitectónico, los métodos de entrenamiento se pueden clasificar en cuatro categorías: entrenamiento centralizado, entrenamiento distribuido, aprendizaje federado y el entrenamiento de Descentralización que se discute en este artículo.
El entrenamiento centralizado es la forma tradicional más común, realizado por una única entidad en un clúster local de alto rendimiento que completa todo el proceso de entrenamiento, desde el hardware, el software subyacente, el sistema de programación del clúster, hasta todos los componentes del marco de entrenamiento, todos coordinados por un sistema de control unificado. Esta arquitectura de profunda colaboración optimiza la eficiencia de la compartición de memoria, la sincronización de gradientes y los mecanismos de tolerancia a fallos, siendo muy adecuada para el entrenamiento de modelos a gran escala como GPT y Gemini, con ventajas de alta eficiencia y recursos controlables, pero también presenta problemas como el monopolio de datos, barreras de recursos, consumo de energía y riesgos de un solo punto.
El entrenamiento distribuido es el método principal para el entrenamiento de grandes modelos en la actualidad, su núcleo es descomponer la tarea de entrenamiento del modelo y distribuirla a múltiples máquinas para que colaboren en su ejecución, con el fin de superar los cuellos de botella de cálculo y almacenamiento en una sola máquina. A pesar de que físicamente presenta características de "descentralización", en general, sigue siendo controlado y coordinado por una institución centralizada, y a menudo se ejecuta en un entorno de red local de alta velocidad, utilizando la tecnología de bus de interconexión de alta velocidad NVLink, coordinando de manera unificada las subtareas por el nodo principal. Los métodos principales incluyen:
El entrenamiento distribuido es una combinación de "control centralizado + ejecución distribuida", análogo a un mismo jefe que dirige remotamente a varios empleados de "oficina" para colaborar en la realización de tareas. Actualmente, casi todos los principales modelos grandes se entrenan de esta manera.
La Descentralización en el entrenamiento representa un camino futuro más abierto y con características de resistencia a la censura. Su característica central radica en: múltiples nodos que no se fían entre sí colaboran para completar tareas de entrenamiento sin un coordinador central, generalmente a través de un protocolo que impulsa la distribución de tareas y la colaboración, y con la ayuda de un mecanismo de incentivos criptográficos que asegura la honestidad de las contribuciones. Los principales desafíos que enfrenta este modelo incluyen:
El entrenamiento descentralizado puede entenderse como: un grupo de voluntarios de todo el mundo que contribuyen con su potencia de cálculo para entrenar modelos de manera colaborativa, pero "el verdadero entrenamiento descentralizado a gran escala que es factible" sigue siendo un desafío de ingeniería sistémica, que involucra múltiples niveles como la arquitectura del sistema, protocolos de comunicación, seguridad criptográfica, mecanismos económicos y validación de modelos. Sin embargo, la cuestión de si se puede "colaborar de manera efectiva + incentivar la honestidad + obtener resultados correctos" aún se encuentra en una etapa temprana de exploración de prototipos.
El aprendizaje federado, como una forma de transición entre la distribución y la Descentralización, enfatiza la retención local de datos y la agregación centralizada de parámetros del modelo, siendo adecuado para escenarios que valoran la conformidad con la privacidad. El aprendizaje federado posee una estructura de ingeniería de entrenamiento distribuido y capacidades de colaboración local, al tiempo que cuenta con la ventaja de la dispersión de datos en el entrenamiento Descentralizado, pero todavía depende de una parte coordinadora de confianza, y no posee características completamente abiertas y resistentes a la censura. Se puede considerar como una solución de "Descentralización controlada" en escenarios de conformidad con la privacidad, con tareas de entrenamiento, estructura de confianza y mecanismos de comunicación relativamente suaves, siendo más adecuada como una arquitectura de despliegue transitorio en la industria.
Tabla panorámica de comparación de paradigmas de entrenamiento de IA ( Arquitectura técnica × Incentivos de confianza × Características de la aplicación )
Descentralización entrenamiento de los límites, oportunidades y caminos reales
Desde la perspectiva de los paradigmas de entrenamiento, la Descentralización del entrenamiento no es adecuada para todos los tipos de tareas. En ciertos escenarios, debido a la complejidad de la estructura de la tarea, la alta demanda de recursos o la dificultad de colaboración, naturalmente no es adecuada para completarse de manera eficiente entre nodos heterogéneos y de confianza. Por ejemplo, el entrenamiento de grandes modelos a menudo depende de alta memoria, baja latencia y ancho de banda rápido, lo que dificulta la segmentación y sincronización efectivas en una red abierta; las tareas con fuertes restricciones de privacidad y soberanía de datos están limitadas por la conformidad legal y las restricciones éticas, lo que impide el intercambio abierto; y las tareas que carecen de incentivos de colaboración carecen de la motivación para la participación externa. Estas fronteras constituyen las limitaciones reales del entrenamiento descentralizado actual.
Pero eso no significa que el entrenamiento descentralizado sea un falso dilema. De hecho, en tipos de tareas que son ligeras en estructura, fáciles de paralelizar y motivadas, el entrenamiento descentralizado muestra perspectivas de aplicación claras. Incluyendo pero no limitado a: ajuste fino de LoRA, tareas de entrenamiento posterior de alineación de comportamiento, entrenamiento y etiquetado de datos a través de crowdsourcing, entrenamiento de modelos base pequeños con recursos controlables, así como escenarios de entrenamiento colaborativo que involucran dispositivos de borde. Estas tareas generalmente presentan características de alta paralelización, baja acoplamiento y tolerancia a la heterogeneidad de la potencia de cálculo, lo que las hace muy adecuadas para el entrenamiento colaborativo a través de redes P2P, protocolos Swarm, optimizadores distribuidos, entre otros.
Descentralización entrenamiento tarea adaptabilidad resumen
Descentralización entrenamiento clásico del proyecto análisis
Actualmente, en el campo de vanguardia de la Descentralización entrenamiento y aprendizaje federado, los principales proyectos de blockchain representativos incluyen Prime Intellect, Pluralis.ai, Gensyn, Nous Research y Flock.io. Desde la perspectiva de innovación técnica y dificultad de implementación ingeniería, Prime Intellect, Nous Research y Pluralis.ai han propuesto exploraciones originales en el diseño de arquitecturas y algoritmos, representando las direcciones de vanguardia en la investigación teórica actual; mientras que Gensyn y Flock.io tienen un camino de implementación relativamente claro, ya mostrando un progreso inicial en la ingeniería. Este artículo analizará sucesivamente las tecnologías centrales y las arquitecturas de ingeniería detrás de estos cinco proyectos, y explorará además sus diferencias y relaciones complementarias en el sistema de entrenamiento de IA descentralizado.
Prime Intellect: Pionero de redes colaborativas de aprendizaje reforzado verificables en la trayectoria de entrenamiento.
Prime Intellect se dedica a construir una red de entrenamiento de IA sin necesidad de confianza, permitiendo que cualquier persona participe en el entrenamiento y reciba recompensas confiables por sus contribuciones computacionales. Prime Intellect espera construir un sistema de entrenamiento de IA con Descentralización, verificabilidad, apertura y un mecanismo de incentivos completo a través de los tres módulos PRIME-RL + TOPLOC + SHARDCAST.
II. Detalles clave del mecanismo de entrenamiento de Prime Intellect
PRIME-RL: arquitectura de tarea de aprendizaje por refuerzo asíncrono desacoplado
PRIME-RL es un marco de modelado y ejecución de tareas personalizado por Prime Intellect para escenarios de Descentralización, diseñado específicamente para redes heterogéneas y participación asíncrona. Utiliza el aprendizaje por refuerzo como objeto de adaptación preferente, desacoplando estructuralmente los procesos de entrenamiento, inferencia y carga de pesos, de modo que cada nodo de entrenamiento pueda completar el ciclo de tareas de forma independiente en local, y colaborar a través de interfaces estandarizadas con mecanismos de verificación y agregación. En comparación con los procesos de aprendizaje supervisado tradicionales, PRIME-RL es más adecuado para implementar entrenamiento flexible en un entorno sin programación central, lo que reduce la complejidad del sistema y sienta las bases para apoyar la paralelización de múltiples tareas y la evolución de estrategias.
TOPLOC: mecanismo de verificación de comportamiento de entrenamiento ligero
TOPLOC es un mecanismo central de verificabilidad de entrenamiento propuesto por Prime Intellect, utilizado para determinar si un nodo realmente ha completado un aprendizaje de estrategia efectivo basado en datos de observación. A diferencia de soluciones pesadas como ZKML, TOPLOC no depende del recálculo completo del modelo, sino que completa la verificación de estructura ligera analizando la trayectoria de consistencia local entre "secuencias de observación ↔ actualización de estrategia". Por primera vez, convierte las trayectorias de comportamiento durante el proceso de entrenamiento en objetos verificables, siendo una innovación clave para lograr una distribución de recompensas de entrenamiento sin confianza, proporcionando un camino viable para construir una red de entrenamiento colaborativo descentralizada, auditable e incentivada.
SHARDCAST: Protocolo de agregación y propagación de pesos asíncronos
SHARDCAST es un protocolo de propagación y agregación de pesos diseñado por Prime Intellect, optimizado para entornos de red reales que son asíncronos, con ancho de banda limitado y con estados de nodos en constante cambio. Combina el mecanismo de propagación gossip con estrategias de sincronización local, permitiendo que múltiples nodos continúen enviando actualizaciones parciales en estados desincronizados, logrando la convergencia progresiva de pesos y la evolución de múltiples versiones. En comparación con los métodos AllReduce centralizados o sincronizados, SHARDCAST mejora significativamente la escalabilidad y la tolerancia a fallos del entrenamiento Descentralización, siendo la base central para construir un consenso de pesos estable y una iteración de entrenamiento continua.
OpenDiLoCo: marco de comunicación asíncrona dispersa
OpenDiLoCo es un marco de optimización de comunicaciones implementado de manera independiente y de código abierto por el equipo de Prime Intellect, basado en la idea de DiLoCo propuesta por DeepMind. Está diseñado específicamente para abordar los desafíos comunes en el entrenamiento descentralizado, como las limitaciones de ancho de banda, la heterogeneidad de dispositivos y la inestabilidad de nodos. Su arquitectura se basa en la paralelización de datos, construyendo estructuras topológicas dispersas como Ring, Expander y Small-World, evitando así el alto costo de comunicación de la sincronización global, y solo depende de nodos vecinos locales para completar el entrenamiento colaborativo del modelo. Combinando actualizaciones asíncronas y un mecanismo de tolerancia a fallos, OpenDiLoCo permite que GPUs de consumo y dispositivos periféricos participen de manera estable en tareas de entrenamiento, mejorando significativamente la participación en el entrenamiento colaborativo global, siendo una de las infraestructuras de comunicación clave para construir redes de entrenamiento descentralizado.
PCCL: Biblioteca de comunicación colaborativa
PCCL es una biblioteca de comunicación ligera diseñada a medida por Prime Intellect para entornos de entrenamiento de IA descentralizada, con el objetivo de resolver los cuellos de botella de adaptación de las bibliotecas de comunicación tradicionales en dispositivos heterogéneos y redes de baja ancho de banda. PCCL soporta topologías dispersas, compresión de gradientes, sincronización de baja precisión y recuperación de puntos de control, pudiendo ejecutarse en GPU de consumo y nodos inestables, siendo un componente subyacente que sostiene la capacidad de comunicación asíncrona del protocolo OpenDiLoCo. Mejora significativamente la tolerancia al ancho de banda de la red de entrenamiento y la compatibilidad de dispositivos, abriendo la "última milla" de la infraestructura de comunicación para construir una red de entrenamiento colaborativa verdaderamente abierta y sin necesidad de confianza.
Tres, la red de incentivos Prime Intellect y la división de roles
Prime Intellect construyó una red de entrenamiento sin permiso, verificable y con un mecanismo de incentivos económicos, que permite a cualquier persona participar en tareas y recibir recompensas basadas en contribuciones reales. El protocolo opera en función de tres tipos de roles centrales:
El proceso central del protocolo incluye la publicación de tareas, el entrenamiento de nodos, la verificación de trayectorias, la agregación de pesos y la distribución de recompensas, formando un ciclo de incentivos en torno a "comportamiento de entrenamiento real".
Cuatro, INTELLECT-2: lanzamiento del primer modelo de entrenamiento descentralizado verificable
Prime Intellect lanzó INTELLECT-2 en mayo de 2025, que es el primer modelo de aprendizaje reforzado a gran escala del mundo entrenado por nodos descentralizados asincrónicos y sin necesidad de confianza, con una escala de parámetros de 32B. El modelo INTELLECT-2 fue entrenado en colaboración por más de 100 nodos heterogéneos de GPU distribuidos en tres continentes, utilizando una arquitectura completamente asincrónica, con un tiempo de entrenamiento de más de 400 horas, demostrando la viabilidad y estabilidad de la red de colaboración asincrónica. Este modelo no solo representa un avance en el rendimiento, sino que también es la primera implementación sistemática del paradigma de "entrenamiento es consenso" propuesto por Prime Intellect.