O Santo Graal do Crypto AI: Exploração da vanguarda do treinamento descentralizado

Na cadeia de valor total da IA, o treinamento de modelos é a etapa que consome mais recursos e apresenta a maior barreira técnica, determinando diretamente o limite de capacidade do modelo e o efeito prático da aplicação. Em comparação com a chamada leve da fase de inferência, o processo de treinamento requer um investimento contínuo de grande escala em poder computacional, processos de processamento de dados complexos e suporte de algoritmos de otimização de alta intensidade, sendo a verdadeira "indústria pesada" na construção de sistemas de IA. Do ponto de vista da arquitetura, os métodos de treinamento podem ser divididos em quatro categorias: treinamento centralizado, treinamento distribuído, aprendizado federado e o treinamento descentralizado, que é o foco deste artigo.

O treinamento centralizado é a forma tradicional mais comum, realizado por uma única instituição em um cluster de alto desempenho local, completando todo o processo de treinamento, desde hardware, software de base, sistema de agendamento de cluster, até todos os componentes do framework de treinamento, todos coordenados por um sistema de controle unificado. Esta arquitetura de profunda colaboração maximiza a eficiência do compartilhamento de memória, sincronização de gradientes e mecanismos de tolerância a falhas, sendo muito adequada para o treinamento de modelos em larga escala como GPT e Gemini, apresentando vantagens de alta eficiência e controle de recursos, mas também enfrenta problemas como monopólio de dados, barreiras de recursos, consumo de energia e riscos de ponto único.

O treinamento distribuído é a principal forma de treinamento de grandes modelos atualmente, cujo núcleo é dividir a tarefa de treinamento do modelo e distribuí-la a várias máquinas para execução colaborativa, a fim de superar os gargalos de computação e armazenamento de uma única máquina. Embora possua características "distribuídas" em termos físicos, o conjunto ainda é controlado e agendado por uma entidade centralizada, geralmente operando em um ambiente de rede local de alta velocidade, utilizando a tecnologia de barramento de interconexão de alta velocidade NVLink, com o nó principal coordenando uniformemente as subtarefas. Os métodos principais incluem:

• Paralelismo de dados: cada nó treina parâmetros de dados diferentes compartilhando pesos do modelo, precisa corresponder aos pesos do modelo.
• Paralelismo de modelo: implantar diferentes partes do modelo em diferentes nós, alcançando uma forte escalabilidade
• Pipeline paralelo: execução em série faseada, aumentando a taxa de transferência
• Paralelismo de tensores: segmentação refinada do cálculo de matrizes, aumento da granularidade de paralelismo

O treinamento distribuído é uma combinação de "controle centralizado + execução distribuída", comparável a um mesmo chefe a dirigir remotamente a colaboração de vários funcionários de "escritórios" para completar tarefas. Atualmente, quase todos os principais grandes modelos são treinados dessa forma.

Descentralização treinamento representa um caminho futuro mais aberto e resistente à censura. Suas características principais são: múltiplos nós desconfiados ( que podem ser computadores pessoais, GPUs em nuvem ou dispositivos de borda ) colaborando na realização de tarefas de treinamento sem um coordenador central, geralmente através de protocolos que impulsionam a distribuição e colaboração de tarefas, e utilizando mecanismos de incentivo criptográfico para garantir a honestidade das contribuições. Os principais desafios enfrentados por esse modelo incluem:

• Dificuldades na heterogeneidade e segmentação de dispositivos: Alta dificuldade na coordenação de dispositivos heterogêneos, baixa eficiência na segmentação de tarefas.
• Gargalo de eficiência de comunicação: comunicação de rede instável, gargalo de sincronização de gradiente evidente
• Falta de execução confiável: falta de um ambiente de execução confiável, difícil de verificar se os nós realmente participam do cálculo.
• Falta de coordenação unificada: sem um despachador central, a distribuição de tarefas e o mecanismo de rollback de exceções são complexos.

A formação descentralizada pode ser entendida como: um grupo de voluntários globais, cada um contribuindo com poder de computação para treinar modelos em colaboração, mas "a verdadeira formação descentralizada em larga escala viável" ainda é um desafio sistemático de engenharia, envolvendo arquitetura de sistema, protocolos de comunicação, segurança criptográfica, mecanismos econômicos, validação de modelos e vários outros aspectos, mas a questão de saber se pode "colaborar de forma eficaz + incentivar a honestidade + obter resultados corretos" ainda está na fase inicial de exploração de protótipos.

O aprendizado federado, como uma forma de transição entre distribuição e Descentralização, enfatiza a retenção local de dados e a agregação centralizada de parâmetros do modelo, sendo adequado para cenários que valorizam a conformidade com a privacidade, como saúde e finanças (. O aprendizado federado possui uma estrutura de engenharia de treinamento distribuído e capacidade de colaboração local, ao mesmo tempo que possui as vantagens de dispersão de dados do treinamento Descentralizado, mas ainda depende de um agente de coordenação confiável, não possuindo características totalmente abertas e resistentes à censura. Pode ser visto como uma solução de "Descentralização controlada" em cenários de conformidade com a privacidade, com tarefas de treinamento, estruturas de confiança e mecanismos de comunicação relativamente moderados, sendo mais adequado como uma arquitetura de implantação transitória na indústria.

![Crypto AI o Santo Graal: Exploração de ponta em treinamento Descentralização])https://img-cdn.gateio.im/webp-social/moments-a8004f094fff74515470052b3a24617c.webp(

Descentralização treinamento das fronteiras, oportunidades e caminhos reais

Do ponto de vista do paradigma de treinamento, a Descentralização do treinamento não é adequada para todos os tipos de tarefas. Em certos cenários, devido à complexidade da estrutura da tarefa, às altas demandas de recursos ou à grande dificuldade de colaboração, ela não é naturalmente adequada para ser realizada de forma eficiente entre nós heterogêneos e de confiança. Por exemplo, o treinamento de grandes modelos geralmente depende de alta memória, baixa latência e alta largura de banda, tornando difícil a divisão e a sincronização eficaz em redes abertas; tarefas com forte privacidade de dados e restrições de soberania estão limitadas por conformidade legal e restrições éticas, não podendo ser compartilhadas abertamente; enquanto tarefas que carecem de uma base de incentivo à colaboração carecem de motivação externa para participação. Essas fronteiras constituem as limitações reais do treinamento descentralizado atual.

Mas isso não significa que a Descentralização do treinamento seja um falso dilema. De fato, em tipos de tarefas que são leves em estrutura, fáceis de paralelizar e incentivadas, a Descentralização do treinamento mostra perspectivas de aplicação claras. Incluindo, mas não se limitando a: ajuste fino LoRA, tarefas de treinamento pós-alinhamento comportamental ) como RLHF, DPO (, treinamento e anotação de dados por meio de crowdsourcing, treinamento de pequenos modelos de base com recursos controláveis, e cenários de treinamento colaborativo com a participação de dispositivos de borda. Essas tarefas geralmente possuem alta paralelização, baixa acoplabilidade e características de tolerância a poder computacional heterogêneo, sendo muito adequadas para treinamento colaborativo através de redes P2P, protocolos Swarm, otimizadores distribuídos, entre outros.

![O Santo Graal do Crypto AI: Exploração de Ponta em Treinamento Descentralizado])https://img-cdn.gateio.im/webp-social/moments-adb92bc4dfbaf26863cb0b4bb1081cd7.webp(

Descentralização treinamento clássico projeto análise

Atualmente, na vanguarda do treinamento descentralizado e do aprendizado federado, os projetos de blockchain representativos incluem principalmente Prime Intellect, Pluralis.ai, Gensyn, Nous Research e Flock.io. Em termos de inovação técnica e dificuldade de implementação, Prime Intellect, Nous Research e Pluralis.ai propuseram muitas explorações originais em arquitetura de sistemas e design de algoritmos, representando as direções de pesquisa teórica mais avançadas; enquanto Gensyn e Flock.io têm caminhos de implementação relativamente claros, já sendo possível observar progressos iniciais na engenharia. Este artigo analisará sucessivamente as tecnologias centrais e as arquiteturas de engenharia por trás desses cinco projetos, e explorará ainda mais suas diferenças e relações complementares no sistema de treinamento de IA descentralizado.

) Prime Intellect: Pioneiro de redes colaborativas de aprendizado reforçado com trajetória de treinamento verificável

A Prime Intellect está dedicada a construir uma rede de treinamento de IA sem necessidade de confiança, permitindo que qualquer pessoa participe do treinamento e receba recompensas confiáveis por suas contribuições computacionais. A Prime Intellect espera, através dos três principais módulos PRIME-RL + TOPLOC + SHARDCAST, construir um sistema de treinamento de IA descentralizado que seja verificável, aberto e possua um mecanismo de incentivo completo.

01、Estrutura da pilha de protocolos Prime Intellect e valor dos módulos chave

![O Santo Graal do Crypto AI: Exploração na vanguarda do treinamento descentralizado]###https://img-cdn.gateio.im/webp-social/moments-69eb6c2dab3d6284b890285c71e7a47f.webp(

)# 02, Explicação detalhada dos mecanismos chave de treino do Prime Intellect

PRIME-RL: Arquitetura de Tarefas de Aprendizagem por Reforço Assíncrona Desacoplada

PRIME-RL é uma estrutura de modelagem e execução de tarefas personalizada pela Prime Intellect para cenários de treinamento descentralizado, projetada especificamente para redes heterogêneas e participação assíncrona. Ela utiliza aprendizado por reforço como objeto de adaptação prioritária, desacoplando estruturalmente os processos de treinamento, inferência e upload de pesos, permitindo que cada nó de treinamento complete o ciclo de tarefas de forma independente em sua localidade, e colabore através de interfaces padronizadas com mecanismos de validação e agregação. Comparado aos processos tradicionais de aprendizado supervisionado, o PRIME-RL é mais adequado para implementar treinamento flexível em ambientes sem agendamento centralizado, reduzindo a complexidade do sistema e estabelecendo uma base para suportar a paralelização de múltiplas tarefas e a evolução de estratégias.

TOPLOC:Mecanismo de validação de comportamento de treino leve

TOPLOC é um mecanismo central de verificabilidade proposto pela Prime Intellect, utilizado para determinar se um nó realmente completou um aprendizado de estratégia efetivo com base nos dados de observação. Ao contrário de soluções pesadas como o ZKML, o TOPLOC não depende do recalculo de todo o modelo, mas sim, completa a verificação de estrutura leve através da análise da trajetória de consistência local entre "sequência de observação ↔ atualização de estratégia". Ele transforma pela primeira vez as trajetórias de comportamento durante o processo de treinamento em objetos verificáveis, sendo uma inovação chave para a distribuição de recompensas de treinamento sem necessidade de confiança, oferecendo um caminho viável para a construção de uma rede de treinamento colaborativo descentralizada que seja auditável e incentivadora.

SHARDCAST: Protocolo de Agregação e Disseminação de Pesos Assíncronos

SHARDCAST é um protocolo de propagação e agregação de pesos projetado pela Prime Intellect, otimizado para ambientes de rede reais que são assíncronos, com largura de banda limitada e estados de nós mutáveis. Ele combina um mecanismo de propagação gossip com uma estratégia de sincronização local, permitindo que múltiplos nós continuem submetendo atualizações parciais em estados não sincronizados, alcançando a convergência gradual de pesos e a evolução de múltiplas versões. Em comparação com métodos AllReduce centralizados ou síncronos, o SHARDCAST melhora significativamente a escalabilidade e a tolerância a falhas do treinamento Descentralização, sendo a base fundamental para a construção de consenso de pesos estáveis e iterações de treinamento contínuas.

OpenDiLoCo: Estrutura de Comunicação Assíncrona Esparsa

OpenDiLoCo é uma estrutura de otimização de comunicação desenvolvida e de código aberto pela equipe Prime Intellect, com base na filosofia DiLoCo proposta pela DeepMind, projetada especificamente para enfrentar desafios comuns em treinamento descentralizado, como restrições de largura de banda, heterogeneidade de dispositivos e instabilidade de nós. Sua arquitetura é baseada em paralelismo de dados, evitando os altos custos de comunicação de sincronização global ao construir estruturas topológicas esparsas como Ring, Expander e Small-World, permitindo que o treinamento colaborativo do modelo seja realizado apenas com base em nós vizinhos locais. Combinando atualizações assíncronas e um mecanismo de tolerância a falhas de ponto de interrupção, o OpenDiLoCo permite que GPUs de consumo e dispositivos de borda participem de tarefas de treinamento de forma estável, melhorando significativamente a acessibilidade ao treinamento colaborativo global, sendo uma das infraestruturas de comunicação-chave para a construção de redes de treinamento descentralizado.

PCCL: Biblioteca de Comunicação Colaborativa

PCCL é uma biblioteca de comunicação leve desenvolvida pela Prime Intellect para um ambiente de treinamento de IA descentralizado, com o objetivo de resolver o gargalo de adaptação das bibliotecas de comunicação tradicionais em dispositivos heterogêneos e redes de baixa largura de banda. O PCCL suporta topologias esparsas, compressão de gradientes, sincronização de baixa precisão e recuperação de ponto de verificação, podendo ser executado em GPUs de consumo e nós instáveis, sendo um componente fundamental que suporta a capacidade de comunicação assíncrona do protocolo OpenDiLoCo. Ele melhora significativamente a tolerância à largura de banda da rede de treinamento e a compatibilidade dos dispositivos, abrindo o "último quilômetro" da infraestrutura de comunicação para construir uma rede de treinamento colaborativo verdadeiramente aberta e sem necessidade de confiança.

![O Santo Graal da Crypto AI: Exploração de Fronteira em Treinamento Descentralização]###https://img-cdn.gateio.im/webp-social/moments-b11af8d10db6e8baa0c19e87aa18dd82.webp(

)# 03、Prime Intellect incentivos de rede e divisão de papéis

A Prime Intellect construiu uma rede de treinamento sem permissão, verificável e com um mecanismo de incentivo econômico, permitindo que qualquer pessoa participe de tarefas e receba recompensas com base em contribuições reais. O protocolo opera com base em três categorias principais de papéis:

• Iniciador da tarefa: definir o ambiente de treino, o modelo inicial, a função de recompensa e os critérios de validação
• Nós de treinamento: executar treinamento local, enviar atualizações de pesos e rastreamento de observação
• Nós de validação: usar o mecanismo TOPLOC para verificar a autenticidade do comportamento de treinamento e participar no cálculo de recompensas e agregação de políticas.

O fluxo central do protocolo inclui a publicação de tarefas, o treinamento de nós, a verificação de trajetórias, a agregação de pesos ###SHARDCAST( e a distribuição de recompensas, formando um ciclo de incentivos em torno de "comportamento de treinamento real".

![O Santo Graal da Crypto AI: Exploração de Fronteira em Treinamento Descentralização])https://img-cdn.gateio.im/webp-social/moments-0a322ea8b70c3d00d8d99606559c1864.webp(

)# 04、INTELLECT-2: Lançamento do primeiro modelo de treino descentralizado verificável

A Prime Intellect lançou o INTELLECT-2 em maio de 2025, que é o primeiro grande modelo de aprendizado por reforço treinado globalmente por nós de nós descentralizados, assíncronos e sem necessidade de confiança, com uma escala de parâmetros de 32B. O modelo INTELLECT-2 foi treinado em colaboração por mais de 100 nós heterogêneos GPU espalhados por três continentes, utilizando uma arquitetura completamente assíncrona, com duração de treinamento.