Chiếc cốc thánh của Crypto 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 thực tế. So với giai đoạn suy luận với việc gọi nhẹ nhàng, quá trình huấn luyện cần đầu tư sức mạnh tính toán quy mô lớn liên tục, quy trình xử lý dữ liệu phức tạp và hỗ trợ từ các thuật toán tối ưu hóa cường độ cao, là "ngành công nghiệp nặng" thực sự trong việc xây dựng hệ thống AI. Từ góc độ mô hình kiến trúc, phương thức 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 tập trung thảo luận.

Huấn luyện tập trung là phương pháp truyền thống phổ biến nhất, được thực hiện bởi một tổ chức duy nhất trong một cụm hiệu suất cao địa phương, hoàn thành toàn bộ quy trình huấn luyện, từ phần cứng, phần mềm nền tảng, hệ thống lập lịch cụm, đến tất cả các thành phần của khung huấn luyện đều được điều phối hoạt động bởi một hệ thống kiểm soát thống nhất. Kiến trúc hợp tác sâu sắc này cho phép chia sẻ bộ nhớ, đồng bộ hóa gradient và cơ chế chịu lỗi đạt hiệu quả tối ưu, rất phù hợp cho việc huấn luyện các mô hình quy mô lớn như GPT, Gemini, có ưu điểm hiệu quả cao và 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 của đào tạo mô hình lớn hiện nay, cốt lõi của nó là chia nhỏ nhiệm vụ đào tạo mô hình và phân phối đến nhiều máy để thực hiện phối hợp, nhằm vượt qua các giới hạn về tính toán và lưu trữ của một máy. Mặc dù về mặt vật lý có đặc điểm "Phi tập trung", nhưng tổng thể vẫn được các tổ chức trung tâm kiểm soát, điều độ và đồng bộ, thường hoạt động trong môi trường mạng cục bộ tốc độ cao, thông qua công nghệ bus liên kết tốc độ cao NVLink, với nút chính phối hợp các nhiệm vụ con một cách thống nhất. Các phương pháp chính bao gồm:

• Dữ liệu song song: Mỗi nút đào tạo các tham số dữ liệu khác nhau chia sẻ, cần khớp trọng số mô hình
• Phân tán mô hình: 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 giai đoạn, tăng thông lượng
• Phân đoạn tensor: Cắt nhỏ tính toán ma trận, nâng cao độ phân giải song song

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

Phi tập trung đào tạo thì 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 lẫn nhau ( có thể là máy tính gia đình, GPU đám mây hoặc thiết bị biên ) hợp tác hoàn thành nhiệm vụ đào tạo mà không cần một bộ điều phối trung tâm, thường thông qua các giao thức điều khiển việc phân phối nhiệm vụ và hợp tác, và nhờ vào cơ chế khuyến khích mã hóa để đảm bảo sự trung thực trong đóng góp. Những thách thức chính mà mô hình này phải đối mặt bao gồm:

• Khó khăn trong việc đồng bộ và phân chia thiết bị: Khó khăn trong việc phối hợp giữa các thiết bị khác nhau, hiệu quả phân chia nhiệm vụ thấp.
• Nút thắt hiệu suất giao tiếp: Giao tiếp mạng không ổn định, nút thắt đồng bộ độ dốc rõ ràng
• Thiếu khả năng thực thi tin cậy: Thiếu môi trường thực thi tin cậy, khó xác minh liệu nút có thực sự tham gia tính toán hay không.
• Thiếu sự phối hợp thống nhất: không có bộ điều phối trung tâm, việc phân phối nhiệm vụ và cơ chế khôi phục bất thường phức tạp

Huấn luyện Phi tập trung có thể hiểu là: một nhóm tình nguyện viên toàn cầu, mỗi người đóng góp sức mạnh tính toán để phối hợp huấn luyện mô hình, nhưng "huấn luyện 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 giao tiếp, 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 sự trung thực + kết quả đúng đắn" 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, tập hợp các tham số mô hình, phù hợp với các tình huống chú trọng đến 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 cục bộ, đồng thời kết hợp lợi thế phân tán dữ liệu của đào tạo Phi tập trung, nhưng vẫn phụ thuộc vào các bên phối hợp đáng tin cậy, không có tính chất hoàn toàn mở và kháng kiểm soát. 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 nhiệm vụ đào tạo, cấu trúc tin cậy và cơ chế giao tiếp đều tương đối ôn hòa, phù hợp hơn để triển khai tạm thời trong ngành công nghiệp.

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

Từ góc độ phương thức huấn luyện, huấn luyện phi tập trung không phù hợp với tất cả các loại nhiệm vụ. Trong một số tình huống, do cấu trúc nhiệm vụ phức tạp, nhu cầu tài nguyên rất cao hoặc độ khó trong hợp tác, nó tự nhiên không phù hợp để hoàn thành hiệu quả giữa các nút không đồng nhất và không cần tin tưởng. Ví dụ, huấn luyện mô hình lớn thường phụ thuộc vào bộ nhớ video cao, độ trễ thấp và băng thông cao, khó khăn trong việc phân chia và đồng bộ hiệu quả trên mạng mở; các nhiệm vụ có quyền riêng tư dữ liệu và hạn chế chủ quyền mạnh mẽ như y tế, tài chính, dữ liệu nhạy cảm ( bị giới hạn bởi các quy định pháp luật và ràng buộc đạo đức, không thể chia sẻ công khai; trong khi đó, các nhiệm vụ thiếu động lực hợp tác như mô hình nguồn đóng 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 giới hạn thực tế hiện tại của huấn luyện phi tập trung.

Nhưng điều này không có nghĩa là huấn luyện phi tập trung là một giả thuyết sai. Thực tế, trong các loại nhiệm vụ có cấu trúc nhẹ, dễ song song và có thể kích thích, huấn luyện phi tập trung thể hiện rõ triển vọng ứng dụng. Bao gồm nhưng không giới hạn: tinh chỉnh LoRA, các nhiệm vụ hậu huấn luyện như RLHF, DPO(, nhiệm vụ huấn luyện và gán nhãn dữ liệu crowdsourcing, huấn luyện mô hình cơ sở nhỏ có thể kiểm soát tài nguyên, cũng như các tình huống huấn luyện hợp tác có sự tham gia của thiết bị biên. Những nhiệm vụ này thường có tính song song cao, độ liên kết thấp và khả năng dung thứ cho tính toán hỗn hợp, rất phù hợp để tiến hành huấn luyện hợp tác thông qua mạng P2P, giao thức Swarm, bộ tối ưu phân tán, v.v.

![Chén thánh của Crypto AI: Khám phá tiên phong trong đào tạo Phi tập trung])https://img-cdn.gateio.im/webp-social/moments-69eb6c2dab3d6284b890285c71e7a47f.webp(

Phi tập trung训练经典项目解析

Hiện tại, trong lĩnh vực tiên phong của đào tạo Phi tập trung và học liên bang, các dự án blockchain tiêu biểu bao gồm Prime Intellect, Pluralis.ai, Gensyn, Nous Research và Flock.io. Xét về tính đổi mới công nghệ và độ khó trong việc thực hiện kỹ thuật, Prime Intellect, Nous Research và Pluralis.ai đã đề xuất nhiều khám phá sáng tạo trong thiết kế hệ thống và thuật toán, đại diện cho hướng nghiên cứu lý thuyết tiên tiến hiện nay; trong khi đó, con đường thực hiện của Gensyn và Flock.io tương đối rõ ràng, đã có thể nhìn thấy tiến trình kỹ thuật ban đầu. Bài viết này sẽ lần lượt phân tích các công nghệ cốt lõi và kiến trúc kỹ thuật của năm dự án này, và sẽ 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 theo dõi 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 cậy, cho phép bất kỳ ai cũng có thể tham gia đào tạo và nhận phần thưởng đáng tin cậy cho những đóng góp tính toán của họ. Prime Intellect hy vọng thông qua ba mô-đun PRIME-RL + TOPLOC + SHARDCAST, xây dựng một hệ thống đào tạo AI Phi tập trung có tính khả thi, tính mở, và cơ chế khuyến khích hoàn chỉnh.

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

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

)# 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 thi nhiệm vụ được tùy chỉnh bởi Prime Intellect cho các kịch bản huấn luyện 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 ưu tiên thích ứng, tách biệt cấu trúc quá trình huấn luyện, suy diễn và tải trọng, cho phép mỗi nút huấn luyện có thể hoàn thành vòng lặp nhiệm vụ độc lập tại địa phương, và phối hợp với cơ chế xác minh và tổng hợp thông qua giao diện chuẩn hóa. So với quy trình học giám sát truyền thống, PRIME-RL thích hợp hơn để thực hiện huấn luyện linh hoạt trong môi trường không có lịch trình trung tâm, vừa giảm độ phức tạp của hệ thống, vừa đặt nền tảng cho việc hỗ trợ đa nhiệm song song và tiến hóa chiến lược.

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

TOPLOC###Quan sát 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 hoàn thành việc xác minh cấu trúc nhẹ bằng cách phân tích các quỹ đạo nhất quán cục bộ giữa "chuỗi quan sát↔cập nhật chiến lược". Đây là lần đầu tiên chuyển đổi hành vi quỹ đạo trong quá trình đào tạo thành 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 một con đường khả thi để xây dựng mạng lưới hợp tác đào tạo phi tập trung có thể kiểm toán và có thể khuyến khích.

#SHARDCAST: Giao thức tổng hợp và truyền bá trọng số không đồng bộ

SHARDCAST là giao thức phát tán và tổng hợp trọng số do Prime Intellect thiết kế, được tối ưu hóa cho môi trường mạng thực tế phi tập trung, băng thông hạn chế và trạng thái nút thay đổi. Nó kết hợp cơ chế phát tán gossip và chiến lược đồng bộ cục bộ, cho phép nhiều nút tiếp tục gửi các cập nhật phần trong trạng thái không đồng bộ, đạt được sự hội tụ trọng số dần dần và tiến hóa nhiều phiên bản. So với các phương pháp AllReduce tập trung hoặc đồng bộ, SHARDCAST nâng cao đáng kể khả năng mở rộng và độ chịu lỗi của việc đào tạo phi tập trung, là nền tảng cốt lõi để xây dựng sự đồng thuận trọng số ổn định và tiếp tục đào tạo lặp lại.

#OpenDiLoCo: Khung giao tiếp bất đồng bộ thưa thớt

OpenDiLoCo là một khung tối ưu hóa giao tiếp được đội ngũ Prime Intellect độc lập thực hiện và mã nguồn mở dựa trên ý tưởng DiLoCo do DeepMind đề xuất, được thiết kế đặc biệt để đối phó với những thách thức thường gặp trong đào tạo Phi tập trung như hạn chế băng thông, thiết bị không đồng nhất và sự không ổn định của nút. Kiến trúc của nó dựa trên dữ liệu song song, bằng cách xây dựng các cấu trúc topo thưa như Ring, Expander, Small-World, tránh được chi phí giao tiếp cao do đồng bộ toàn cầu, chỉ dựa vào các nút láng giềng cục bộ để hoàn thành đào tạo mô hình phối hợp. Kết hợp cập nhật không đồng bộ và cơ chế chịu lỗi 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, nâng cao 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 truyền thông 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 thích ứng của các thư viện giao tiếp truyền thống### như NCCL, Gloo( trong các thiết bị dị dạng và mạng lưới băng thông thấp. PCCL hỗ trợ cấu trúc thưa, nén gradient, đồng bộ độ chính xác thấp và khôi phục điểm dừng, có thể hoạt động trên GPU tiêu dùng và các nút không ổn định, là thành phần cơ bản hỗ trợ khả năng giao tiếp bất đồng bộ của giao thức OpenDiLoCo. Nó nâng cao đáng kể khả năng chịu đựng băng thông và tính tương thích thiết bị của mạng huấn luyện, mở ra "km cuối cùng" của cơ sở hạ tầng giao tiếp cho việc xây dựng mạng huấn luyện hợp tác thực sự mở và không cần tin cậy.

![Chén thánh của Crypto AI: Khám phá tiên phong về đào tạo Phi tập trung])https://img-cdn.gateio.im/webp-social/moments-0a322ea8b70c3d00d8d99606559c1864.webp(

)# 03、Prime Intellect động lực mạng và phân công vai trò

Prime Intellect xây dựng một mạng lưới huấn luyện không cần giấy 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 thưởng dựa trên đóng góp thực sự. Giao thức hoạt động dựa trên ba loại vai trò cốt lõi:

• Người khởi xướng nhiệm vụ: xác định 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 theo dõi quan sát
• Node xác thực: Sử dụng cơ chế TOPLOC để xác thực tính chân thực của hành vi đào tạo, và tham gia vào việc tính toán phần thưởng và tổng hợp chiến lược.

Quy trình cốt lõi của thỏa thuận bao gồm phát hành nhiệm vụ, đào tạo nút, xác minh lộ trình, hợp nhất trọng số (SHARDCAST) và phát thưởng, tạo thành một vòng khuyến khích xung quanh "hành vi huấn luyện thực tế".

![Crypto AI của Thánh Giao: Phi tập trung đào tạo của khám phá tiên phong](