Cái chén thánh của Crypto AI: Khám phá tiên phong trong đào tạo Phi tập trung

Trong toàn bộ chuỗi giá trị của AI, huấn luyện mô hình là khâu tiêu tốn tài nguyên nhiều nhất và có rào cản kỹ thuật cao nhất, trực tiếp quyết định 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 thuật toán tối ưu hóa cường độ cao, là "công nghiệp nặng" thực sự trong việc xây dựng hệ thống AI. Từ góc độ mô hình kiến trúc, phương pháp huấn luyện có thể được chia thành bốn loại: huấn luyện tập trung, huấn luyện phân tán, học liên bang và phương pháp huấn luyện phi tập trung mà bài viết này tập trung thảo luận.

Đào tạo 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 đào tạo, từ phần cứng, phần mềm nền tảng, hệ thống lập lịch cụm, đến tất cả các thành phần của khung đào tạo đều được một hệ thống điều khiển thống nhất phối hợp vận hành. Kiến trúc phối hợp sâu sắc này giúp tối ưu hóa hiệu suất chia sẻ bộ nhớ, đồng bộ hóa gradient và cơ chế chịu lỗi, rất phù hợp cho việc đào tạo các mô hình quy mô lớn như GPT, Gemini, với lợi thế về hiệu suất 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.

Huấn luyện phân tán là cách chính hiện nay để huấn luyện các mô hình lớn, cốt lõi của nó là chia nhỏ nhiệm vụ huấn luyện mô hình, phân phối đến nhiều máy để thực hiện hợp tác, 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 phối và đồng bộ, thường hoạt động trong môi trường mạng cục bộ tốc độ cao, thông qua công nghệ bus liên kết NVLink tốc độ cao, do 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, cần khớp các trọng số mô hình
• Song song mô hình: Triển khai các phần khác nhau của mô hình trên các nút khác nhau, đạt được khả năng mở rộng mạnh mẽ
• Ống dẫn song song: Thực hiện tuần tự theo từng giai đoạn, nâng cao thông lượng
• Phân tán tensor: Chia nhỏ tính toán ma trận, nâng cao độ mịn của sự song song

Đào tạo phân tán là sự kết hợp của "kiểm soát tập trung + thực hiện phân tán", tương tự như một ông chủ cùng lúc chỉ huy nhiều nhân viên "văn phòng" từ xa hợp tác hoàn thành nhiệm vụ. Hiện nay, hầu như tất cả các mô hình lớn chính đều hoàn thành đào tạo theo cách này.

Phi tập trung训练 thì đại diện cho một con đường tương lai có tính mở và khả năng chống kiểm duyệt 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 ) phối hợp thực hiện nhiệm vụ đào tạo mà không cần một bộ điều phối trung tâm, thường thông qua giao thức điều khiển việc phân phối nhiệm vụ và hợp tác, và nhờ vào cơ chế khuyến khích mã hóa để đảm bảo tính trung thực của sự đóng góp. Các thách thức chính mà mô hình này phải đối mặt bao gồm:

• Khó khăn trong việc phân mảnh và đồng bộ thiết bị: Khó khăn trong việc phối hợp các thiết bị khác nhau, hiệu quả phân mảnh nhiệm vụ thấp
• Đỉnh điểm hiệu quả giao tiếp: Giao tiếp mạng không ổn định, đỉnh điểm đồng bộ gradient rõ ràng
• Thiếu khả năng thực thi đáng tin cậy: Thiếu môi trường thực thi đáng 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 ương, phân phối nhiệm vụ, cơ chế hoàn tác phức tạp

Phi tập trung đào tạo có thể hiểu là: một nhóm tình nguyện viên toàn cầu, mỗi người đóng góp sức mạnh tính toán để hợp tác đào tạo mô hình, nhưng "đào tạo 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 truyền thông, an ninh mật mã, cơ chế kinh tế, xác minh mô hình và nhiều khía cạnh khác, nhưng liệu có thể "hợp tác hiệu quả + khuyến khích trung thực + kết quả chính xác" vẫn đang ở giai đoạn khám phá nguyên mẫu sớm.

Học tập liên bang, như một hình thức chuyển tiếp giữa phân tán và Phi tập trung, nhấn mạnh việc giữ lại dữ liệu tại chỗ và tổng hợp các tham số mô hình, phù hợp với các tình huống chú trọng đến sự tuân thủ quyền riêng tư như y tế, tài chính (. Học tập liên bang có cấu trúc kỹ thuật của huấn luyện phân tán và khả năng hợp tác cục bộ, đồng thời sở hữu lợi thế phân tán dữ liệu của huấn luyện Phi tập trung, nhưng vẫn phụ thuộc vào bên điều phối đáng tin cậy và không có đặc điểm hoàn toàn mở và chống kiểm duyệt. Nó có thể được xem như một giải pháp "Phi tập trung có kiểm soát" trong các tình huống tuân thủ quyền riêng tư, với các nhiệm vụ huấn luyện, cấu trúc tin cậy và cơ chế truyền thông đều tương đối ôn hòa, phù hợp hơn cho việc triển khai chuyển tiếp trong ngành công nghiệp.

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

Xét từ góc độ phương pháp đào tạo, đào tạo 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, yêu 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 khác nhau và không có sự tin cậy. Ví dụ, việc đào tạo mô hình lớn thường phụ thuộc vào bộ nhớ cao, độ trễ thấp và băng thông cao, khó có thể chia nhỏ và đồng bộ hiệu quả trong mạng mở; các nhiệm vụ bị hạn chế bởi quyền riêng tư dữ liệu và hạn chế chủ quyền do tuân thủ pháp lý và đạo đức, không thể chia sẻ công khai; trong khi các nhiệm vụ thiếu cơ sở khuyến khích hợp tác thì không có động lực tham gia từ bên ngoài. Những ranh giới này tạo thành những hạn chế thực tế cho việc đào tạo phi tập trung hiện nay.

Nhưng điều này không có nghĩa là đào tạo phi tập trung là một giả thuyết sai. Trên thực tế, trong các loại nhiệm vụ có cấu trúc nhẹ, dễ song song và có thể khuyến khích, đào tạo phi tập trung thể hiện rõ ràng triển vọng ứng dụng. Bao gồm nhưng không giới hạn: tinh chỉnh LoRA, nhiệm vụ đào tạo sau hành vi như RLHF, DPO), nhiệm vụ đào tạo và gán nhãn dữ liệu từ cộng đồng, đào tạo mô hình cơ bản nhỏ với tài nguyên có thể kiểm soát, cũng như các kịch bản đào tạo hợp tác có sự tham gia của thiết bị biên. Những nhiệm vụ này thường có đặc điểm tính song song cao, tính liên kết thấp và khả năng chịu đựng sức mạnh tính toán không đồng nhất, rất phù hợp để thực hiện đào tạo hợp tác thông qua mạng P2P, giao thức Swarm, bộ tối ưu phân tán và các phương thức khác.

Phi tập trung đào tạo phân tích dự án cổ điển

Hiện tại, trong lĩnh vực 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. Về mặt đổi mới công nghệ và độ khó trong việc triển khai kỹ thuật, Prime Intellect, Nous Research và Pluralis.ai đã đưa ra nhiều khám phá sáng tạo trong thiết kế hệ thống và thuật toán, đại diện cho các hướng nghiên cứu lý thuyết tiên tiến hiện nay; trong khi đó, con đường triển khai của Gensyn và Flock.io tương đối rõ ràng, đã có thể thấy những tiến bộ ban đầu trong việc hiện thực hóa. Bài viết này sẽ lần lượt phân tích các công nghệ cốt lõi và cấu trúc kỹ thuật đứng sau năm dự án này, và tiếp tục thảo luận 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 lộ trình có thể xác minh của mạng hợp tác học tăng cường tiên phong

Prime Intellect cam kết xây dựng một mạng lưới đào tạo AI không cần tin tưởng, 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 mình. Prime Intellect mong muốn thông qua ba mô-đun PRIME-RL + TOPLOC + SHARDCAST, xây dựng một hệ thống đào tạo AI Phi tập trung có khả năng xác minh, tính mở và cơ chế khuyến khích hoàn chỉnh.

)# 01、Cấu trúc ngăn xếp giao thức Prime Intellect và giá trị các mô-đun quan trọng

![Chén thánh của Crypto AI: Khám phá tiên phong trong đào tạo Phi tập trung]###https://img-cdn.gateio.im/webp-social/moments-adb92bc4dfbaf26863cb0b4bb1081cd7.webp###

(# 02、Giải thích chi tiết cơ chế đào tạo Prime Intellect

#PRIME-RL: Kiến trúc nhiệm vụ học tăng cường phi tập trung không đồng bộ

PRIME-RL là khung mô hình và thực hiện nhiệm vụ được tùy chỉnh bởi Prime Intellect cho các tình huống đào tạo 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 như đối tượng ưu tiên thích ứng, phân tách có cấu trúc quy trình đào tạo, suy diễn và tải trọng lên, cho phép mỗi nút đào tạo có thể hoàn thành chu trình nhiệm vụ độc lập tại chỗ, và hợp tác thông qua giao diện tiêu chuẩn hóa với cơ chế xác thực và tổng hợp. So với quy trình học có giám sát truyền thống, PRIME-RL thích hợp hơn để thực hiện đào tạo linh hoạt trong môi trường không có điều phối trung tâm, vừa giảm độ phức tạp của hệ thống, vừa tạo 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 là cơ chế cốt lõi có thể xác minh được do Prime Intellect đề xuất, 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 thay vào đó phân tích quỹ đạo nhất quán cục bộ giữa "chuỗi quan sát ↔ cập nhật chiến lược" để hoàn thành xác minh cấu trúc nhẹ. Nó lần đầu tiên chuyển đổi quỹ đạo hành vi trong quá trình huấn luyện thành đối tượng có thể xác minh, là đổi mới chính để đạt được phân phối phần thưởng huấn luyện không cần tin cậy, cung cấp con đường khả thi để xây dựng mạng lưới huấn luyện hợp tác tập trung có thể kiểm toán và có thể khuyến khích.

#SHARDCAST: Giao thức tổng hợp và truyền tải trọng số bất đồng bộ

SHARDCAST là giao thức phát tán và tổng hợp trọng số được thiết kế bởi Prime Intellect, được tối ưu hóa đặc biệt cho môi trường mạng thực tế không đồng bộ, hạn chế băng thông và trạng thái nút thay đổi. Nó kết hợp cơ chế phát tán gossip với chiến lược đồng bộ cục bộ, cho phép nhiều nút tiếp tục gửi cập nhật một phần trong trạng thái không đồng bộ, đạt được sự hội tụ dần dần của trọng số và sự 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 khả năng chịu lỗi của đào tạo Phi tập trung, là nền tảng cốt lõi để xây dựng sự đồng thuận trọng số ổn định và đào tạo lặp lại liên tục.

#OpenDiLoCo: Khung giao tiếp bất đồng bộ thưa thớt

OpenDiLoCo là một khung tối ưu hóa giao tiếp được nhóm Prime Intellect độc lập thực hiện và mã nguồn mở dựa trên khái niệm DiLoCo do DeepMind đề xuất, được thiết kế đặc biệt cho các thách thức thường gặp trong đào tạo phi tập trung như hạn chế băng thông, thiết bị không đồng nhất và độ ổn định của nút. Kiến trúc của nó dựa trên dữ liệu song song, bằng cách xây dựng các cấu trúc tô pô thưa như Ring, Expander, Small-World, đã tránh được chi phí giao tiếp cao do đồng bộ toàn cục, chỉ dựa vào các nút hàng xóm cục bộ để hoàn thành việc đào tạo hợp tác mô hình. Kết hợp với cập nhật không đồng bộ và cơ chế khôi phục 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 chính để xây dựng mạng lưới đào tạo phi tập trung.

#PCCL:Thư viện giao tiếp hợp tác

PCCL là thư viện giao tiếp nhẹ được Prime Intellect thiết kế riêng cho môi trường đào tạo AI Phi tập trung, nhằm giải quyết các điểm nghẽn thích ứng của thư viện giao tiếp truyền thống trong các thiết bị khác nhau và mạng lưới băng thông thấp. PCCL hỗ trợ topo thưa thớt, nén độ dốc, đồng bộ độ chính xác thấp và khôi phục điểm dừng, có thể chạy trên GPU tiêu dùng và các nút không ổn định, là thành phần cơ sở hỗ trợ khả năng giao tiếp bất đồng bộ của giao thức OpenDiLoCo. Nó nâng cao rõ rệt khả năng chịu băng thông và tính tương thích thiết bị của mạng đào tạo, mở ra "km cuối cùng" của cơ sở giao tiếp cho việc xây dựng mạng đào tạo hợp tác thực sự mở và không cần tin cậy.

)# 03、Mạng khuyến khích Prime Intellect và phân công vai trò

Prime Intellect xây dựng một mạng lưới huấn luyện không cần cấp phép, có thể xác minh và có cơ chế khuyến khích kinh tế, cho phép bất kỳ ai tham gia nhiệm vụ và nhận phần thưởng dựa trên đóng góp thực tế. Giao thức hoạt động dựa trên ba loại vai trò cốt lõi:

• Người khởi xướng nhiệm vụ: định nghĩa môi trường đào tạo, mô hình ban đầu, hàm thưởng và tiêu chuẩn xác thực
• Nút huấn luyện: Thực hiện huấn luyện cục bộ, gửi cập nhật trọng số và quan sát lộ trình
• Nút xác thực: Sử dụng cơ chế TOPLOC để xác minh tính xác thực của hành vi đào tạo, và tham gia vào việc tính toán phần thưởng và tổng hợp chiến lược.

Quy trình lõi của giao thức bao gồm phát hành nhiệm vụ, đào tạo nút, xác minh quỹ đạo, tổng hợp trọng số ###SHARDCAST### và phát thưởng, tạo thành một vòng khép kín khuyến khích xung quanh "hành vi đào tạo thực sự".

(# 04、INTELLECT-2: Phát hành mô hình đào tạo phi tập trung có thể xác minh đầu tiên

Prime Intellect đã phát hành INTELLECT-2 vào tháng 5 năm 2025, đây là mô hình học tăng cường lớn đầu tiên trên thế giới được đào tạo thông qua hợp tác của các nút phi tập trung không cần tin tưởng và bất đồng bộ, với quy mô tham số đạt 32B. Mô hình INTELLECT-2 được hoàn thành thông qua việc hợp tác đào tạo của hơn 100 nút GPU đa dạng trải rộng trên ba châu lục, sử dụng kiến trúc hoàn toàn bất đồng bộ, thời gian đào tạo vượt quá 400 giờ, cho thấy tính khả thi và ổn định của mạng lưới hợp tác bất đồng bộ. Mô hình này không chỉ là một bước đột phá về hiệu suất, mà còn là sự hiện thực hóa hệ thống đầu tiên của khái niệm "đào tạo chính là đồng thuận" mà Prime Intellect đã đề xuất. INTELLECT-2 tích hợp các mô-đun giao thức cốt lõi như cấu trúc đào tạo bất đồng bộ PRIME-RL), xác minh hành vi đào tạo TOPLOC### và tổng hợp trọng số bất đồng bộ SHARDCAST(, đánh dấu lần đầu tiên mạng lưới đào tạo phi tập trung đạt được đào tạo.