Le Saint Graal de l'IA Crypto : exploration à la pointe de l'entraînement décentralisé

Dans la chaîne de valeur complète de l'IA, l'entraînement des modèles est l'étape qui consomme le plus de ressources et présente le plus haut seuil technologique, déterminant directement la limite de capacité des modèles et l'effet des applications réelles. Par rapport à l'appel léger 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, constituant le véritable "secteur lourd" de la construction des systèmes d'IA. Du point de vue des paradigmes d'architecture, les méthodes d'entraînement peuvent être divisées en quatre catégories : entraînement centralisé, entraînement distribué, apprentissage fédéré et entraînement décentralisé, qui est le sujet principal de cet article.

L'entraînement centralisé est la méthode traditionnelle la plus courante, réalisée par une seule entité sur un cluster haute performance local, où l'ensemble du processus d'entraînement, de la matériel, des logiciels sous-jacents, des systèmes de planification de cluster, jusqu'à tous les composants du cadre d'entraînement, est coordonné par un système de contrôle unifié. Cette architecture de coopération approfondie permet d'atteindre une efficacité optimale en matière de partage de mémoire, de synchronisation des gradients et de mécanismes de tolérance aux pannes, ce qui la rend très adaptée à l'entraînement de grands modèles comme GPT et Gemini, avec des avantages en termes d'efficacité et de contrôle des ressources, mais présente également des problèmes tels que le monopole des données, les barrières à l'accès aux ressources, la consommation d'énergie et les risques de points uniques.

L'entraînement distribué est la méthode principale pour l'entraînement de grands modèles actuellement. Son principe fondamental est de décomposer la tâche d'entraînement du modèle, puis de la distribuer à plusieurs machines pour une exécution collaborative, afin de surmonter les goulots d'étranglement liés au calcul et au stockage sur une seule machine. Bien qu'il possède physiquement des caractéristiques "distribuées", l'ensemble est toujours contrôlé, planifié et synchronisé par des institutions centralisées, et fonctionne souvent dans un environnement de réseau local à haute vitesse, utilisant la technologie de bus d'interconnexion haute vitesse NVLink, le nœud principal coordonnant de manière unifiée les sous-tâches. Les méthodes principales incluent :

• Données parallèles : 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 évolutivité
• Pipeline parallèle : exécution en série par étapes, amélioration du débit
• Parallélisme de tenseurs : segmentation fine des calculs matriciels, amélioration de la granularité de parallélisme

L'entraînement distribué est une combinaison de "contrôle centralisé + exécution distribuée", à l'instar d'un même patron dirigeant à distance plusieurs employés de "bureau" pour collaborer à l'accomplissement d'une tâche. Actuellement, presque tous les grands modèles principaux sont entraînés de cette manière.

La formation décentralisée représente un chemin futur plus ouvert et résistant à la censure. Ses caractéristiques principales sont : plusieurs nœuds non fiables ( pouvant être des ordinateurs domestiques, des GPU cloud ou des dispositifs edge ) collaborant pour accomplir des tâches d'entraînement sans coordinateur central, généralement en utilisant des protocoles pour la distribution et la collaboration des 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 découpage : la coordination des appareils hétérogènes est difficile, l'efficacité du découpage 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 : absence d'un environnement d'exécution fiable, difficile de vérifier si les nœuds participent réellement au calcul.
• Manque de coordination unifiée : pas de serveur central, la distribution des tâches et le mécanisme de rollback des exceptions sont complexes

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. Cependant, la "véritable formation décentralisée à grande échelle réalisable" reste un défi d'ingénierie systémique, impliquant l'architecture des systèmes, les protocoles de communication, la sécurité cryptographique, les mécanismes économiques, la validation des modèles et plusieurs autres aspects. Toutefois, la question de savoir si cela peut être "collaboratif et efficace + incitatif à l'honnêteté + résultats corrects" est encore au stade de l'exploration précoce des prototypes.

L'apprentissage fédéré, en tant que forme intermédiaire entre la distribution et la Décentralisation, met l'accent sur la conservation des données localement et l'agrégation centralisée des paramètres du modèle, adapté aux scénarios où la conformité à la vie privée est importante, comme la santé et la finance (. L'apprentissage fédéré possède une structure d'ingénierie d'entraînement distribué et une capacité de collaboration locale, tout en bénéficiant des avantages de la dispersion des données de l'entraînement décentralisé, mais reste dépendant d'une partie coordonnatrice de confiance, ne possédant pas de caractéristiques totalement ouvertes et résistantes à la censure. Il peut être considéré comme une solution de "Décentralisation contrôlée" dans des scénarios de conformité à la vie privée, avec des tâches d'entraînement, une structure de confiance et des mécanismes de communication relativement modérés, plus adaptés en tant qu'architecture de déploiement transitoire dans l'industrie.

![Le Saint Graal de l'IA Crypto : exploration à la pointe de la formation décentralisée])https://img-cdn.gateio.im/webp-social/moments-a8004f094fff74515470052b3a24617c.webp(

Décentralisation des limites, opportunités et chemins réels de l'entraînement

D'un 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 structure complexe des tâches, de la demande en ressources extrêmement élevée ou des difficultés de collaboration, elle n'est pas naturellement adaptée pour être réalisée efficacement entre des nœuds hétérogènes et non fiables. Par exemple, l'entraînement de grands modèles dépend souvent d'une mémoire vidéo élevée, d'une faible latence et d'une bande passante élevée, ce qui rend difficile la découpe et la synchronisation efficaces sur un réseau ouvert ; les tâches fortement soumises à des contraintes de confidentialité et de souveraineté des données sont limitées par la conformité légale et les contraintes éthiques, ce qui empêche un partage ouvert ; tandis que les tâches manquant d'incitations à la collaboration n'ont pas de motivation externe pour la participation. Ces frontières constituent ensemble les limites réalistes 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, facilement parallélisables et incitatives, l'entraînement décentralisé montre des perspectives d'application claires. Cela inclut, mais sans s'y limiter : le fine-tuning LoRA, les tâches d'entraînement post-formation alignées sur le comportement ) comme RLHF, DPO (, les tâches d'entraînement et d'annotation par crowdsourcing, l'entraînement de petits modèles de base contrôlables en ressources, ainsi que les scénarios d'entraînement collaboratif impliquant des dispositifs périphériques. Ces tâches présentent généralement des caractéristiques de haute parallélisabilité, de faible couplage et de tolérance à l'hétérogénéité des capacités de calcul, ce qui les rend très adaptées à une formation collaborative via des réseaux P2P, des protocoles Swarm, des optimiseurs distribués, etc.

![Le Saint Graal de Crypto AI : exploration à la pointe de l'entraînement décentralisé])https://img-cdn.gateio.im/webp-social/moments-adb92bc4dfbaf26863cb0b4bb1081cd7.webp(

Décentralisation entraînement classique projet analyse

Actuellement, dans le domaine de la formation décentralisée 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 chemins de mise en œuvre de Gensyn et Flock.io sont relativement clairs, montrant déjà des progrès d'ingénierie préliminaires. Cet article analysera successivement les technologies clés et l'architecture d'ingénierie derrière ces cinq projets, et explorera davantage leurs différences et relations complémentaires dans le système d'entraînement AI décentralisé.

) Prime Intellect : Pion des réseaux de collaboration d'apprentissage par renforcement vérifiables par des trajectoires d'entraînement

Prime Intellect s'engage à construire un réseau d'entraînement AI décentralisé sans confiance, permettant à quiconque de participer à l'entraînement et de recevoir des récompenses fiables pour sa contribution computationnelle. Prime Intellect aspire à créer un système d'entraînement AI décentralisé avec vérifiabilité, ouverture et 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 l'IA Crypto : Exploration à la pointe de l'entraînement décentralisé]###https://img-cdn.gateio.im/webp-social/moments-69eb6c2dab3d6284b890285c71e7a47f.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 de tâches sur mesure pour des scénarios d'entraînement décentralisés développé par Prime Intellect, spécialement conçu pour des réseaux hétérogènes et des participants asynchrones. Il utilise l'apprentissage par renforcement comme objet d'adaptation prioritaire, découplant structurellement les processus d'entraînement, d'inférence et de téléchargement des poids, permettant à chaque nœud d'entraînement de compléter indépendamment la boucle de tâches localement et de collaborer via une interface standardisée avec des mécanismes de validation et d'agrégation. Par rapport aux processus d'apprentissage supervisé traditionnels, PRIME-RL est plus adapté à la réalisation d'un entraînement flexible dans des environnements sans planification centrale, réduisant ainsi la complexité du système et établissant une base pour soutenir le parallélisme des tâches multiples et l'évolution des stratégies.

TOPLOC: Mécanisme léger de validation des comportements d'entraînement

TOPLOC est un mécanisme central de vérifiabilité de formation 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 la trajectoire de cohérence locale entre "séquence d'observation ↔ mise à jour de la stratégie" pour compléter la vérification de la structure légère. Il transforme pour la première fois les trajectoires de comportement pendant le processus de formation en objets vérifiables, ce qui représente une innovation clé pour réaliser une distribution de récompenses d'entraînement sans confiance, fournissant une voie réalisable pour construire un réseau d'entraînement décentralisé, audit et incitatif.

SHARDCAST: Protocole de synthèse et de propagation des poids asynchrones

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 en constante évolution. Il combine des mécanismes de propagation par gossip et des stratégies 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, constituant ainsi la base fondamentale pour établir un consensus stable sur les poids et une itération d'entraînement continue.

OpenDiLoCo: Cadre de communication asynchrone éparse

OpenDiLoCo est un cadre d'optimisation de communication indépendant et open source mis en œuvre par l'équipe Prime Intellect basé sur le concept DiLoCo proposé par DeepMind, conçu spécifiquement pour relever les défis courants de la formation décentralisée 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 éparses telles que Ring, Expander et Small-World, évitant ainsi le coût élevé de communication de la synchronisation globale, et permettant de réaliser la formation collaborative des modèles en ne s'appuyant que sur les nœuds voisins locaux. En combinant des mises à jour asynchrones et un mécanisme de tolérance aux pannes, OpenDiLoCo permet aux GPU grand public et aux dispositifs de périphérie de participer de manière stable aux tâches d'entraînement, améliorant considérablement la participation à la formation collaborative mondiale, et constitue l'une des infrastructures de communication clés pour construire un réseau d'entraînement décentralisé.

PCCL: Bibliothèque de communication collaborative

PCCL est une bibliothèque de communication légère conçue sur mesure par Prime Intellect pour un environnement d'entraînement AI décentralisé, visant à résoudre le goulot d'étranglement d'adaptation des bibliothèques de communication traditionnelles sur des appareils hétérogènes et des réseaux à faible bande passante. PCCL prend en charge la topologie sparse, la compression de gradients, la synchronisation de faible précision et la reprise après panne, et peut fonctionner sur des GPU grand public et des nœuds instables, constituant le composant de base soutenant la capacité de communication asynchrone du protocole OpenDiLoCo. Elle améliore considérablement la tolérance à la bande passante et la compatibilité des appareils du réseau d'entraînement, ouvrant la "dernière étape" de la base de communication pour construire un véritable réseau d'entraînement collaboratif ouvert et sans confiance.

![Le Saint Graal de l'IA Crypto : exploration de pointe de l'entraînement Décentralisation]###https://img-cdn.gateio.im/webp-social/moments-b11af8d10db6e8baa0c19e87aa18dd82.webp(

)# 03、Prime Intellect incitation réseau et répartition des 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 du comportement d'entraînement et participer au calcul des récompenses et à l'agrégation des stratégies.

Le processus clé de l'accord comprend la publication des tâches, la formation des nœuds, la validation des trajectoires, l'agrégation des poids ###SHARDCAST( et la distribution des récompenses, constituant un cercle d'incitation autour de "comportement d'entraînement réel".

![Le Saint Graal de Crypto AI : exploration à la pointe de l'entraînement décentralisé])https://img-cdn.gateio.im/webp-social/moments-0a322ea8b70c3d00d8d99606559c1864.webp(

)# 04, INTELLECT-2: Lancement du premier modèle d'entraînement décentralisé vérifiable.

Prime Intellect a lancé INTELLECT-2 en mai 2025, le premier grand modèle d'apprentissage par renforcement au monde entraîné par la collaboration de nœuds décentralisés asynchrones et sans confiance, avec une échelle de paramètres atteignant 32B. Le modèle INTELLECT-2 a été entraîné de manière collaborative par plus de 100 nœuds hétérogènes GPU répartis sur trois continents, utilisant une architecture entièrement asynchrone, durée d'entraînement