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

Dans l'ensemble de la chaîne de valeur de l'IA, l'entraînement des modèles est l'étape qui consomme le plus de ressources et présente le plus haut niveau de complexité technique, déterminant directement le plafond de capacité des modèles et l'efficacité de leurs applications réelles. Comparé à l'appel léger lors de la phase d'inférence, le processus d'entraînement nécessite un investissement continu en puissance de calcul à grande échelle, des processus de traitement de données complexes et un soutien d'algorithmes d'optimisation intensifs, représentant le véritable "secteur lourd" de la construction des systèmes d'IA. D'un point de vue paradigmatique, les méthodes d'entraînement peuvent être classées en quatre catégories : entraînement centralisé, entraînement distribué, apprentissage fédéré et entraînement décentralisé, qui est le principal sujet de discussion de cet article.

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

L'entraînement distribué est la méthode principale de l'entraînement des grands modèles actuellement, dont le cœur consiste à décomposer les tâches d'entraînement du modèle et à les répartir sur plusieurs machines pour exécuter en coopération, afin de surmonter les goulots d'étranglement du calcul et du stockage sur une seule machine. Bien qu'il présente des caractéristiques "distribuées" sur le plan physique, l'ensemble est toujours contrôlé, programmé et synchronisé par des institutions centralisées, fonctionnant souvent dans un environnement de réseau local à haute vitesse, grâce à la technologie de bus de liaison NVLink à haute vitesse, avec un nœud principal coordonnant l'ensemble des 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 de modèle : déployer différentes parties du modèle sur différents nœuds pour réaliser une forte extensibilité.
• Pipeline parallèle : exécution en série 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" pour collaborer à l'accomplissement d'une tâche. Actuellement, presque tous les grands modèles mainstream sont entraînés de cette manière.

La formation décentralisée représente donc un chemin futur plus ouvert et résilient face à la censure. Ses caractéristiques principales sont les suivantes : plusieurs nœuds qui ne se font pas confiance, (, peuvent être des ordinateurs personnels, des GPU dans le cloud ou des dispositifs en périphérie, ), qui effectuent des tâches d'entraînement en collaboration sans coordinateur central, généralement en utilisant des protocoles pour distribuer et collaborer sur les tâches, et en s'appuyant sur des mécanismes d'incitation cryptographique pour garantir l'honnêteté des contributions. Les principaux défis auxquels ce modèle est confronté comprennent :

• Hétérogénéité des appareils et difficulté de segmentation : la coordination entre appareils hétérogènes est difficile, l'efficacité de la segmentation des tâches est 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, mécanisme de retour d'exception complexe

La formation décentralisée peut être comprise comme : un groupe de bénévoles du monde entier contribuant chacun à la puissance de calcul pour entraîner un modèle de manière collaborative, mais la "vraie formation décentralisée à grande échelle" reste un défi systémique, impliquant l'architecture système, les protocoles de communication, la sécurité cryptographique, les mécanismes économiques, la validation des modèles et plusieurs autres aspects. Cependant, la question de savoir si l'on peut "collaborer efficacement + inciter à l'honnêteté + obtenir des résultats corrects" est encore au stade d'exploration précoce des prototypes.

L'apprentissage fédéré, en tant que forme de transition 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 qui mettent l'accent sur la conformité à la vie privée, comme la santé et la finance. L'apprentissage fédéré possède une structure d'ingénierie pour l'entraînement distribué et des capacités de collaboration locale, tout en bénéficiant des avantages de la dispersion des données propres à l'entraînement décentralisé. Cependant, il dépend toujours d'une partie coordonnatrice de confiance et ne possède pas les caractéristiques d'ouverture totale et d'anti-censure. On peut le considérer comme une solution de "Décentralisation contrôlée" dans des scénarios de conformité à la vie privée, relativement modérée en termes de tâches d'entraînement, de structure de confiance et de mécanismes de communication, et plus appropriée en tant qu'architecture de déploiement transitoire pour l'industrie.

Décentralisation entraînant des limites, des opportunités et des chemins réalistes

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 très 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 repose souvent sur une mémoire vidéo élevée, une faible latence et une bande passante élevée, ce qui rend difficile la découpe et la synchronisation efficaces dans un réseau ouvert ; les tâches avec des fortes restrictions sur la confidentialité des données et la souveraineté sont limitées par la conformité légale et les contraintes éthiques, ce qui empêche le partage ouvert ; et les tâches manquant d'incitations à la collaboration n'ont pas de motivation externe pour la participation. Ces frontières constituent ensemble les limites réelles de la formation décentralisée actuelle.

Mais cela ne signifie pas que l'entraînement décentralisé est un faux problème. En fait, dans les types de tâches légères en structure, faciles à paralléliser et incitatives, l'entraînement décentralisé présente des perspectives d'application claires. Cela inclut, mais sans s'y limiter : le fine-tuning LoRA, les tâches d'entraînement post-alignement comportemental ( comme RLHF, DPO ), l'entraînement et l'annotation de données par crowdsourcing, l'entraînement de petits modèles de base contrôlables en ressources, ainsi que des scénarios d'entraînement collaboratif impliquant des dispositifs en périphérie. Ces tâches possèdent 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 optimisateurs distribués, etc.

Décentralisation entraînement classique projet analyse

Actuellement, dans le domaine de la Décentralisation et de l'apprentissage fédéré, les projets de blockchain représentatifs incluent principalement Prime Intellect, Pluralis.ai, Gensyn, Nous Research et Flock.io. En termes d'innovation technologique et de difficulté de mise en œuvre, Prime Intellect, Nous Research et Pluralis.ai ont proposé de nombreuses explorations originales dans l'architecture système et la conception d'algorithmes, représentant les directions de recherche théorique à la pointe; tandis que les voies de mise en œuvre de Gensyn et Flock.io sont relativement claires, montrant 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 d'entraînement AI décentralisé.

( Prime Intellect: Pionnier des réseaux de coopération d'apprentissage renforcé vérifiables par la 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 sa contribution en calcul. Prime Intellect souhaite créer un système d'entraînement AI décentralisé doté de vérifiabilité, d'ouverture et d'un mécanisme d'incitation complet grâce aux trois modules PRIME-RL + TOPLOC + SHARDCAST.

)# 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-adb92bc4dfbaf26863cb0b4bb1081cd7.webp###

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

PRIME-RL : Architecture de tâches de renforcement asynchrone découplée

PRIME-RL est un cadre de modélisation et d'exécution des tâches conçu par Prime Intellect pour des scénarios d'entraînement décentralisés, spécialement conçu pour des réseaux hétérogènes et une participation asynchrone. Il utilise l'apprentissage par renforcement comme objet d'adaptation prioritaire, déconnectant structurellement les processus d'entraînement, d'inférence et de téléchargement de poids, permettant à chaque nœud d'entraînement de compléter indépendamment la boucle de tâches localement, tout en collaborant avec des mécanismes de validation et d'agrégation via des interfaces standardisées. Par rapport aux processus d'apprentissage supervisé traditionnels, PRIME-RL est mieux adapté pour réaliser un entraînement flexible dans un environnement sans planification centralisée, réduisant ainsi la complexité du système et établissant une base pour soutenir le parallélisme des tâches multiples et l'évolution des stratégies.

TOPLOC: Mécanisme de vérification des comportements d'entraînement léger

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

SHARDCAST: Protocole d'agrégation et de propagation de poids asynchrone

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

OpenDiLoCo: Cadre de communication asynchrone sparse

OpenDiLoCo est un cadre d'optimisation de communication indépendant et open source développé par l'équipe Prime Intellect sur la base du concept DiLoCo, conçu spécifiquement pour relever les défis courants du entraînement décentralisé tels que la bande passante limitée, l'hétérogénéité des appareils et l'instabilité des nœuds. Son architecture est basée sur la parallélisation des données, en construisant des structures topologiques clairsemées telles que Ring, Expander, Small-World, afin d'éviter les coûts de communication élevés liés à la synchronisation globale, ne se fiant qu'aux nœuds voisins locaux pour compléter l'entraînement collaboratif du modèle. En combinant des mises à jour asynchrones et un mécanisme de tolérance aux pannes, OpenDiLoCo permet aux GPU grand public et aux appareils en périphérie de participer de manière stable aux tâches d'entraînement, améliorant considérablement la participation à l'entraînement collaboratif mondial, et constitue l'une des infrastructures de communication clés pour la construction de 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 les goulots d'étranglement d'adaptation des bibliothèques de communication traditionnelles sur des appareils hétérogènes et des réseaux à faible bande passante. PCCL prend en charge les topologies éparses, la compression des gradients, la synchronisation à faible précision et la récupération après interruption, et peut fonctionner sur des GPU grand public et des nœuds instables, constituant le composant sous-jacent qui soutient la capacité de communication asynchrone du protocole OpenDiLoCo. Il améliore considérablement la tolérance à la bande passante des réseaux d'entraînement et la compatibilité des appareils, ouvrant ainsi la "dernière ligne droite" des infrastructures de communication pour construire un véritable réseau d'entraînement collaboratif ouvert et sans confiance.

(# 03、Prime Intellect incitations réseau et 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 en fonction de contributions réelles. Le protocole fonctionne sur la base de trois types de rôles clés :

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

Le processus central du protocole comprend la publication des tâches, l'entraînement des nœuds, la validation des trajectoires, l'agrégation des poids )SHARDCAST### et la distribution des récompenses, constituant un cercle d'incitation autour du "comportement d'entraînement réel".

(# 04、INTELLECT-2: Publication du premier modèle d'entraînement décentralisé vérifiable

Prime Intellect a lancé INTELLECT-2 en mai 2025, qui est le premier grand modèle d'apprentissage par renforcement au monde entraîné par la collaboration de nœuds décentralisés asynchrones et sans confiance, avec une taille de paramètre atteignant 32B. Le modèle INTELLECT-2 a été entraîné par la coopération de plus de 100 nœuds GPU hétérogènes répartis sur trois continents, utilisant une architecture entièrement asynchrone, avec une durée d'entraînement dépassant 400 heures, démontrant la faisabilité et la stabilité des réseaux de coopération asynchrone. Ce modèle représente non seulement une percée en termes de performance, mais il incarne également le paradigme "l'entraînement est le consensus" proposé par Prime Intellect.