Cawan Suci Crypto AI: Eksplorasi Terdepan Pelatihan Desentralisasi

Dalam seluruh rantai nilai AI, pelatihan model adalah tahap yang paling mengkonsumsi sumber daya dan memiliki ambang teknis tertinggi, yang secara langsung menentukan batas kemampuan model dan efek aplikasi nyata. Dibandingkan dengan panggilan ringan pada fase inferensi, proses pelatihan memerlukan investasi daya komputasi berskala besar yang berkelanjutan, alur pemrosesan data yang kompleks, dan dukungan algoritma optimasi yang intensif, merupakan "industri berat" sejati dalam pembangunan sistem AI. Dari perspektif paradigma arsitektur, metode pelatihan dapat dibagi menjadi empat kategori: pelatihan terpusat, pelatihan terdistribusi, pembelajaran federasi, serta pelatihan desentralisasi yang akan dibahas dalam artikel ini.

Pelatihan terpusat adalah cara tradisional yang paling umum, dilakukan oleh satu lembaga di dalam cluster berkinerja tinggi lokal yang menyelesaikan seluruh proses pelatihan, dari perangkat keras, perangkat lunak dasar, sistem penjadwalan cluster, hingga semua komponen kerangka pelatihan dikoordinasikan oleh sistem kontrol yang terintegrasi. Arsitektur kolaborasi mendalam ini memungkinkan berbagi memori, sinkronisasi gradien, dan mekanisme toleransi kesalahan mencapai efisiensi optimal, sangat cocok untuk pelatihan model skala besar seperti GPT, Gemini, dengan keuntungan efisiensi tinggi dan sumber daya yang dapat dikendalikan, tetapi juga menghadapi masalah seperti monopoli data, hambatan sumber daya, konsumsi energi, dan risiko titik tunggal.

Pelatihan terdistribusi adalah metode utama untuk pelatihan model besar saat ini, inti dari metode ini adalah membagi tugas pelatihan model, kemudian mendistribusikannya ke beberapa mesin untuk dieksekusi secara kolaboratif, guna mengatasi batasan komputasi dan penyimpanan pada satu mesin. Meskipun secara fisik memiliki karakteristik "terdistribusi", keseluruhan masih dikendalikan dan dijadwalkan oleh lembaga terpusat dan sering beroperasi di lingkungan jaringan lokal berkecepatan tinggi, melalui teknologi bus interkoneksi NVLink berkecepatan tinggi, di mana node utama secara bersatu mengoordinasikan setiap sub-tugas. Metode utama termasuk:

• Data paralel: setiap node melatih parameter data yang berbeda dengan berbagi, perlu mencocokkan bobot model
• Paralelisme model: Menempatkan bagian-bagian berbeda dari model di node yang berbeda, untuk mencapai skalabilitas yang kuat
• Pararel pipa: Eksekusi serial bertahap, meningkatkan throughput
• Paralel Tensor: Memperhalus pembagian perhitungan matriks, meningkatkan granularitas paralel

Pelatihan terdistribusi adalah kombinasi dari "kontrol terpusat + eksekusi terdistribusi", mirip dengan satu bos yang mengarahkan secara jarak jauh beberapa karyawan "kantor" untuk bekerja sama menyelesaikan tugas. Saat ini, hampir semua model besar utama dilatih dengan cara ini.

Desentralisasi pelatihan mewakili jalur masa depan yang lebih terbuka dan tahan terhadap sensor. Ciri inti dari sistem ini adalah: beberapa node yang tidak saling percaya ( yang mungkin merupakan komputer rumah, GPU cloud, atau perangkat tepi ) bekerja sama untuk menyelesaikan tugas pelatihan tanpa koordinator pusat, biasanya melalui protokol yang menggerakkan distribusi tugas dan kolaborasi, serta menggunakan mekanisme insentif kriptografi untuk memastikan kejujuran kontribusi. Tantangan utama yang dihadapi oleh model ini meliputi:

• Kesulitan heterogenitas perangkat dan pemisahan: Koordinasi perangkat yang heterogen sulit, efisiensi pemisahan tugas rendah
• Bottleneck efisiensi komunikasi: komunikasi jaringan tidak stabil, bottleneck sinkronisasi gradien jelas
• Kekurangan Eksekusi yang Dapat Dipercaya: Kurangnya lingkungan eksekusi yang dapat dipercaya, sulit untuk memverifikasi apakah node benar-benar berpartisipasi dalam perhitungan.
• Kurangnya koordinasi yang seragam: tidak ada pengatur pusat, mekanisme distribusi tugas dan rollback anomali yang kompleks

Desentralisasi pelatihan dapat dipahami sebagai: sekelompok relawan global yang masing-masing menyumbangkan daya komputasi untuk melatih model secara kolaboratif, tetapi "pelatihan desentralisasi berskala besar yang benar-benar dapat dilakukan" masih merupakan tantangan rekayasa sistemik, yang melibatkan arsitektur sistem, protokol komunikasi, keamanan kriptografi, mekanisme ekonomi, validasi model, dan banyak aspek lainnya, tetapi apakah "kolaborasi yang efektif + insentif untuk kejujuran + hasil yang benar" masih berada pada tahap eksplorasi prototipe awal.

Federated learning sebagai bentuk transisi antara terdistribusi dan Desentralisasi, menekankan pada penyimpanan data secara lokal dan agregasi parameter model secara terpusat, cocok untuk skenario yang mengutamakan kepatuhan privasi ( seperti medis, keuangan ). Federated learning memiliki struktur teknik pelatihan terdistribusi dan kemampuan kolaborasi lokal, sekaligus memiliki keunggulan distribusi data dari pelatihan Desentralisasi, tetapi masih tergantung pada pihak koordinator yang terpercaya, dan tidak memiliki karakteristik terbuka sepenuhnya dan tahan sensor. Ini dapat dianggap sebagai suatu solusi "Desentralisasi yang terkontrol" dalam skenario kepatuhan privasi, yang relatif moderat dalam hal tugas pelatihan, struktur kepercayaan, dan mekanisme komunikasi, lebih cocok sebagai arsitektur penerapan transisi di industri.

Batas, Kesempatan, dan Jalur Realitas dari Pelatihan Desentralisasi

Dari perspektif paradigma pelatihan, pelatihan desentralisasi tidak cocok untuk semua jenis tugas. Dalam beberapa skenario, karena struktur tugas yang kompleks, kebutuhan sumber daya yang sangat tinggi, atau kesulitan kolaborasi yang besar, secara alami tidak cocok untuk diselesaikan secara efisien di antara node yang heterogen dan tanpa kepercayaan. Misalnya, pelatihan model besar sering bergantung pada memori tinggi, latensi rendah, dan bandwidth tinggi, yang sulit untuk dibagi dan disinkronisasi secara efektif di jaringan terbuka; tugas yang dibatasi oleh privasi data dan batasan kedaulatan yang kuat terhalang oleh kepatuhan hukum dan batasan etika, sehingga tidak dapat dibagikan secara terbuka; sedangkan tugas yang kurang memiliki insentif kolaborasi tidak memiliki motivasi partisipasi eksternal. Batasan-batasan ini bersama-sama membentuk batasan nyata dari pelatihan desentralisasi saat ini.

Namun, ini tidak berarti bahwa pelatihan desentralisasi adalah proposisi yang tidak valid. Faktanya, dalam jenis tugas yang ringan secara struktural, mudah diparalelkan, dan dapat memotivasi, pelatihan desentralisasi menunjukkan prospek aplikasi yang jelas. Termasuk tetapi tidak terbatas pada: penyetelan LoRA, tugas pelatihan lanjutan yang selaras dengan perilaku ( seperti RLHF, DPO ), pelatihan dan penandaan data melalui kerumunan, pelatihan model dasar kecil yang dapat dikendalikan sumber daya, serta skenario pelatihan kolaboratif yang melibatkan perangkat tepi. Tugas-tugas ini umumnya memiliki fitur paralelisme tinggi, keterkaitan rendah, dan toleransi terhadap komputasi heterogen, yang sangat cocok untuk pelatihan kolaboratif melalui jaringan P2P, protokol Swarm, pengoptimal terdistribusi, dan cara lainnya.

Analisis Proyek Klasik Pelatihan Desentralisasi

Saat ini, di bidang pelatihan desentralisasi dan pembelajaran federasi, proyek blockchain yang representatif meliputi Prime Intellect, Pluralis.ai, Gensyn, Nous Research, dan Flock.io. Dari segi inovasi teknologi dan tingkat kesulitan implementasi, Prime Intellect, Nous Research, dan Pluralis.ai telah mengajukan banyak eksplorasi orisinal dalam desain arsitektur sistem dan algoritma, yang mewakili arah penelitian teori terkini; sementara Gensyn dan Flock.io memiliki jalur implementasi yang relatif jelas, dan kemajuan rekayasa awal dapat terlihat. Artikel ini akan menganalisis secara berurutan teknologi inti dan arsitektur rekayasa di balik lima proyek ini, dan lebih lanjut membahas perbedaan dan hubungan saling melengkapi dalam sistem pelatihan AI desentralisasi.

Prime Intellect: pelopor jaringan kolaboratif pembelajaran penguatan yang dapat memverifikasi jalur pelatihan

Prime Intellect berkomitmen untuk membangun jaringan pelatihan AI tanpa perlu kepercayaan, sehingga siapa pun dapat berpartisipasi dalam pelatihan dan mendapatkan imbalan yang dapat dipercaya atas kontribusi komputasinya. Prime Intellect berharap melalui tiga modul PRIME-RL + TOPLOC + SHARDCAST, dapat membangun sistem pelatihan AI desentralisasi yang memiliki verifikasi, keterbukaan, dan mekanisme insentif yang lengkap.

01、Struktur Protokol Prime Intellect dan Nilai Modul Kunci

02, Penjelasan Mendetail tentang Mekanisme Kunci Pelatihan Prime Intellect

PRIME-RL: Arsitektur Tugas Pembelajaran Penguatan Asinkron Terdecoupling

PRIME-RL adalah kerangka pemodelan dan pelaksanaan tugas yang disesuaikan oleh Prime Intellect untuk skenario pelatihan desentralisasi, dirancang khusus untuk jaringan heterogen dan partisipasi asinkron. Ini menggunakan pembelajaran penguatan sebagai objek penyesuaian prioritas, memisahkan secara struktural proses pelatihan, inferensi, dan pengunggahan bobot, sehingga setiap node pelatihan dapat menyelesaikan siklus tugas secara mandiri di lokal, dan berkolaborasi dengan mekanisme verifikasi dan agregasi melalui antarmuka yang distandarisasi. Dibandingkan dengan proses pembelajaran supervisi tradisional, PRIME-RL lebih cocok untuk menerapkan pelatihan elastis di lingkungan tanpa penjadwalan pusat, yang tidak hanya mengurangi kompleksitas sistem, tetapi juga meletakkan dasar untuk mendukung pelatihan multitugas secara paralel dan evolusi strategi.

TOPLOC: Mekanisme Verifikasi Perilaku Pelatihan Ringan

TOPLOC adalah mekanisme inti verifikasi pelatihan yang diajukan oleh Prime Intellect, digunakan untuk menentukan apakah sebuah node benar-benar telah menyelesaikan pembelajaran strategi yang efektif berdasarkan data observasi. Berbeda dengan solusi berat seperti ZKML, TOPLOC tidak bergantung pada perhitungan ulang seluruh model, melainkan menyelesaikan verifikasi struktur ringan melalui analisis jejak konsistensi lokal antara "urutan observasi ↔ pembaruan strategi". Untuk pertama kalinya, ia mengubah jejak perilaku selama proses pelatihan menjadi objek yang dapat diverifikasi, merupakan inovasi kunci untuk mencapai distribusi penghargaan pelatihan tanpa kepercayaan, dan menyediakan jalur yang layak untuk membangun jaringan pelatihan kolaboratif desentralisasi yang dapat diaudit dan diinsentif.

SHARDCAST: Protokol Agregasi dan Penyebaran Bobot Asinkron

SHARDCAST adalah protokol penyebaran dan agregasi bobot yang dirancang oleh Prime Intellect, dioptimalkan khusus untuk lingkungan jaringan nyata yang asinkron, terbatas bandwidth, dan status node yang berubah-ubah. Ini menggabungkan mekanisme penyebaran gossip dengan strategi sinkronisasi lokal, memungkinkan beberapa node untuk terus mengajukan pembaruan sebagian dalam keadaan tidak sinkron, mencapai konvergensi bobot yang bertahap dan evolusi multi-versi. Dibandingkan dengan metode AllReduce terpusat atau sinkron, SHARDCAST secara signifikan meningkatkan skalabilitas dan kemampuan toleransi kesalahan dalam pelatihan desentralisasi, menjadi dasar inti untuk membangun konsensus bobot yang stabil dan iterasi pelatihan yang berkelanjutan.

OpenDiLoCo: Kerangka Komunikasi Asinkron Jarang

OpenDiLoCo adalah kerangka optimasi komunikasi yang diimplementasikan secara independen dan bersifat open source oleh tim Prime Intellect berdasarkan konsep DiLoCo yang diajukan oleh DeepMind, dirancang khusus untuk menghadapi tantangan umum dalam pelatihan desentralisasi seperti keterbatasan bandwidth, heterogenitas perangkat, dan ketidakstabilan node. Arsitekturnya berbasis pada data paralel, dengan membangun struktur topologi jarang seperti Ring, Expander, dan Small-World untuk menghindari biaya komunikasi tinggi dari sinkronisasi global, hanya bergantung pada node tetangga lokal untuk menyelesaikan pelatihan model secara kolaboratif. Menggabungkan pembaruan asinkron dan mekanisme toleransi titik henti, OpenDiLoCo memungkinkan GPU konsumen dan perangkat edge untuk berpartisipasi dalam tugas pelatihan secara stabil, secara signifikan meningkatkan partisipasi pelatihan kolaboratif global, dan merupakan salah satu infrastruktur komunikasi kunci untuk membangun jaringan pelatihan desentralisasi.

PCCL: Perpustakaan Komunikasi Kolaboratif

PCCL adalah pustaka komunikasi ringan yang dirancang khusus oleh Prime Intellect untuk lingkungan pelatihan AI desentralisasi, bertujuan untuk mengatasi kendala penyesuaian pustaka komunikasi tradisional pada perangkat heterogen dan jaringan bandwidth rendah. PCCL mendukung topologi jarang, kompresi gradien, sinkronisasi presisi rendah, dan pemulihan titik henti, dapat dijalankan pada GPU kelas konsumen dan node yang tidak stabil, merupakan komponen dasar yang mendukung kemampuan komunikasi asinkron protokol OpenDiLoCo. Ini secara signifikan meningkatkan toleransi bandwidth jaringan pelatihan dan kompatibilitas perangkat, membuka "kilometer terakhir" dasar komunikasi untuk membangun jaringan pelatihan kolaboratif yang benar-benar terbuka dan tanpa kepercayaan.

03、Prime Intellect insentif jaringan dan pembagian peran

Prime Intellect membangun jaringan pelatihan yang dapat diverifikasi, tanpa izin, dan dilengkapi dengan mekanisme insentif ekonomi, sehingga siapa pun dapat berpartisipasi dalam tugas dan mendapatkan imbalan berdasarkan kontribusi yang nyata. Protokol ini berjalan berdasarkan tiga kategori peran inti:

• Peng发起者 tugas: mendefinisikan lingkungan pelatihan, model awal, fungsi penghargaan, dan standar verifikasi
• Node pelatihan: menjalankan pelatihan lokal, mengirim pembaruan bobot dan jejak pengamatan
• Node verifikasi: menggunakan mekanisme TOPLOC untuk memverifikasi keaslian perilaku pelatihan, serta berpartisipasi dalam perhitungan hadiah dan agregasi strategi

Proses inti dari protokol mencakup publikasi tugas, pelatihan node, verifikasi jejak, agregasi bobot (SHARDCAST) dan distribusi penghargaan, membentuk suatu siklus insentif yang berfokus pada "perilaku pelatihan yang nyata".

04、INTELLECT-2: Peluncuran model pelatihan desentralisasi yang dapat diverifikasi pertama

Prime Intellect meluncurkan INTELLECT-2 pada Mei 2025, yang merupakan model pembelajaran mendalam pertama di dunia yang dilatih melalui kolaborasi node desentralisasi yang asinkron dan tanpa kepercayaan, dengan skala parameter mencapai 32B. Model INTELLECT-2 dilatih secara kolaboratif oleh lebih dari 100 node GPU heterogen yang tersebar di tiga benua, menggunakan arsitektur sepenuhnya asinkron, durasi pelatihan