تطور أنماط تدريب الذكاء الاصطناعي: من السيطرة المركزية إلى الثورة التقنية للتعاون اللامركزي
في سلسلة القيمة الكاملة للذكاء الاصطناعي، تعتبر عملية تدريب النماذج هي الأكثر استهلاكًا للموارد والأعلى من حيث عتبة التقنية، حيث تحدد بشكل مباشر الحد الأقصى لقدرات النموذج وأثره الفعلي في التطبيق. بالمقارنة مع الاستدعاء الخفيف في مرحلة الاستدلال، تتطلب عملية التدريب استثمارًا مستمرًا من القوة الحاسوبية الكبيرة، وعمليات معالجة البيانات المعقدة، ودعم خوارزميات تحسين عالية الكثافة، مما يجعلها "الصناعة الثقيلة" الحقيقية لبناء أنظمة الذكاء الاصطناعي. من منظور نماذج الهيكل، يمكن تقسيم طرق التدريب إلى أربع فئات: التدريب المركزي، التدريب الموزع، التعلم الفيدرالي، والتدريب اللامركزي الذي يناقش في هذه المقالة.
يعد التدريب المركز طريقة تقليدية شائعة، حيث يتم تنفيذ جميع عمليات التدريب بواسطة مؤسسة واحدة داخل مجموعة عالية الأداء محليًا، من الأجهزة، والبرمجيات الأساسية، ونظام جدولة المجموعات، إلى جميع مكونات إطار التدريب، يتم تنسيق تشغيلها بواسطة نظام تحكم موحد. تتيح هذه البنية التحتية المتعمقة للتعاون تحقيق أفضل كفاءة لمشاركة الذاكرة، ومزامنة التدرجات، وآليات التحمل، مما يجعلها مناسبة لتدريب نماذج كبيرة مثل GPT وGemini، ولها مزايا كفاءة عالية، وموارد قابلة للتحكم، ولكنها في الوقت نفسه تواجه مشاكل احتكار البيانات، وحواجز الموارد، واستهلاك الطاقة، ومخاطر النقاط الفردية.
التدريب الموزع هو الطريقة السائدة حالياً في تدريب النماذج الكبيرة، حيث يتمثل جوهره في تقسيم مهام تدريب النموذج ثم توزيعها على عدة آلات للتنفيذ التعاوني، لتجاوز عوائق الحوسبة والتخزين على جهاز واحد. على الرغم من أن لديها خصائص "موزعة" من الناحية الفيزيائية، إلا أن الكل لا يزال يتم التحكم فيه من قبل مؤسسة مركزية في جدولة وتزامن المهام، وغالباً ما تعمل في بيئة شبكة محلية عالية السرعة، من خلال تقنية NVLink للربط السريع، حيث يقوم العقدة الرئيسية بتنسيق المهام الفرعية بشكل موحد. تشمل الأساليب الرئيسية ما يلي:
التوازي البياني: يقوم كل عقدة بتدريب بيانات مختلفة مع مشاركة المعلمات، ويجب مطابقة أوزان النموذج
التوازي النموذجي: نشر أجزاء مختلفة من النموذج على عقد مختلفة لتحقيق قابلية توسيع قوية؛
مواسير متوازية: تنفيذ متسلسل على مراحل، مما يزيد من معدل النقل؛
التوازي بالموتر: تقسيم دقيق لحساب المصفوفات، مما يعزز من حجم التوازي.
التدريب الموزع هو مزيج من "التحكم المركزي + التنفيذ الموزع"، مقارنةً بمدير واحد يقود عن بُعد عدة "مكاتب" للموظفين للتعاون في إكمال المهام. في الوقت الحالي، يتم تدريب جميع النماذج الكبيرة الرئيسية تقريبًا بهذه الطريقة.
تمثل التدريب اللامركزي مسارًا مستقبليًا أكثر انفتاحًا ومقاومةً للرقابة. تكمن ميزته الأساسية في: العديد من العقد غير الموثوقة تتعاون لإكمال مهام التدريب دون منسق مركزي، عادةً من خلال بروتوكولات تدفع توزيع المهام والتعاون، وبالاعتماد على آلية تحفيز تشفير لضمان نزاهة المساهمات. تشمل التحديات الرئيسية التي تواجه هذا النموذج:
صعوبة التوافق بين الأجهزة المختلفة وتقسيم المهام: صعوبة تنسيق الأجهزة المتنوعة، وكفاءة منخفضة في تقسيم المهام؛
عنق الزجاجة في كفاءة الاتصال: الاتصال الشبكي غير مستقر، وعقدة التزامن في التدرج واضحة؛
نقص التنفيذ الموثوق: نقص في بيئة التنفيذ الموثوق، مما يجعل من الصعب التحقق مما إذا كانت العقدة تشارك فعليًا في الحساب؛
نقص التنسيق الموحد: لا يوجد جهاز تحكم مركزي، توزيع المهام، وآلية التراجع عن الأخطاء معقدة.
يمكن فهم التدريب اللامركزي على أنه: مجموعة من المتطوعين العالميين، كل منهم يساهم في قوة الحوسبة لتدريب النموذج بشكل تعاوني، ولكن "التدريب اللامركزي الكبير القابل للتطبيق حقًا" لا يزال تحديًا هندسيًا نظاميًا، ويتعلق بمجالات متعددة مثل بنية النظام، بروتوكولات الاتصال، أمان التشفير، الآليات الاقتصادية، والتحقق من النموذج، ولكن ما إذا كان "التعاون الفعال + تحفيز النزاهة + النتائج الصحيحة" لا يزال في مرحلة استكشاف النموذج الأولي المبكر.
تعتبر التعلم الفيدرالي شكلًا انتقاليًا بين التوزيع واللامركزية، حيث يركز على الاحتفاظ بالبيانات محليًا، وتجميع معلمات النموذج مركزيًا، وهو مناسب للسيناريوهات التي تركز على الامتثال للخصوصية. يتمتع التعلم الفيدرالي بهيكل هندسي للتدريب الموزع وقدرة على التعاون المحلي، كما أنه يدمج مزايا البيانات الموزعة للتدريب اللامركزي، ولكنه لا يزال يعتمد على جهة تنسيق موثوقة، ولا يتمتع بخصائص مفتوحة تمامًا ومقاومة للرقابة. يمكن اعتباره نوعًا من "اللامركزية المُتحكم بها" في سياقات الامتثال للخصوصية، حيث يكون التدريب، هيكل الثقة، وآلية الاتصال جميعها أكثر اعتدالًا، مما يجعله أكثر ملاءمة كهيكل نشر انتقالي في الصناعة.
اللامركزية تدريب الحدود والفرص والطرق الواقعية
من حيث نمط التدريب، فإن التدريب اللامركزي لا يناسب جميع أنواع المهام. في بعض السيناريوهات، بسبب تعقيد هيكل المهمة، وارتفاع متطلبات الموارد، أو صعوبة التعاون، فإنه بطبيعة الحال غير مناسب لإكمالها بكفاءة بين العقد المتنوعة والموثوقة. على سبيل المثال، يعتمد تدريب النماذج الكبيرة غالبًا على ذاكرة عالية، وزمن استجابة منخفض، وعرض نطاق ترددي عالي، مما يجعل من الصعب تقسيمها ومزامنتها بفعالية في الشبكات المفتوحة؛ المهام التي تتعلق بخصوصية البيانات وحدود السيادة مقيدة بالقوانين والامتثال والاعتبارات الأخلاقية، مما يمنع المشاركة المفتوحة؛ بينما تفتقر المهام التي لا تحتوي على حوافز تعاون أساسية إلى الدافع للمشاركة الخارجية. هذه الحدود تشكل معًا القيود الواقعية الحالية للتدريب اللامركزي.
لكن هذا لا يعني أن التدريب اللامركزي هو نظرية زائفة. في الواقع، في أنواع المهام ذات الهيكل الخفيف، والسهولة في التوازي، والتحفيز، يظهر التدريب اللامركزي آفاق تطبيق واضحة. بما في ذلك، على سبيل المثال لا الحصر: ضبط LoRA، مهام التدريب اللاحقة الموجهة للسلوك، تدريب ووسم البيانات عبر الحشود، تدريب نماذج أساسية صغيرة قابلة للتحكم في الموارد، وكذلك سيناريوهات التدريب التعاوني بمشاركة الأجهزة الطرفية. تتمتع هذه المهام بشكل عام بميزات التوازي العالي، والترابط المنخفض، والقدرة على تحمل قوة الحوسبة المتغايرة، مما يجعلها مناسبة جداً للتدريب التعاوني من خلال الشبكات الند للند، وبروتوكولات Swarm، والمحسنات الموزعة.
اللامركزية训练经典项目解析
حاليا في مجال التدريب اللامركزي وتعلم الفيدرالية، تشمل المشاريع البارزة في سلسلة الكتل بشكل رئيسي Prime Intellect وPluralis.ai وGensyn وNous Research وFlock.io. من حيث الابتكار التكنولوجي وصعوبة التنفيذ الهندسي، قدمت Prime Intellect وNous Research وPluralis.ai العديد من الاستكشافات الأصلية في تصميم النظام والخوارزميات، مما يمثل الاتجاهات الرائدة في البحث النظري الحالي؛ بينما الطريق التنفيذي لـ Gensyn وFlock.io واضح نسبيًا، حيث يمكن رؤية تقدم أولي في الهندسة. ستقوم هذه المقالة بتحليل التقنيات الأساسية والهياكل الهندسية وراء هذه المشاريع الخمسة، وستناقش أيضًا الفروق والعلاقات التكاملية فيما بينها في نظام تدريب الذكاء الاصطناعي اللامركزي.
Prime Intellect: رائد الشبكات التعاونية لتعلم التعزيز القابل للتحقق من مسارات التدريب
تسعى Prime Intellect إلى بناء شبكة تدريب AI لا تتطلب الثقة، بحيث يمكن لأي شخص المشاركة في التدريب والحصول على مكافآت موثوقة مقابل مساهماته الحسابية. تأمل Prime Intellect من خلال ثلاثة وحدات هي PRIME-RL و TOPLOC و SHARDCAST، إلى بناء نظام تدريب AI لامركزي يتمتع بالتحقق والانفتاح وآلية تحفيزية مكتملة.
أصدرت Prime Intellect في مايو 2025 INTELLECT-2، وهو أول نموذج كبير للتعلم المعزز تم تدريبه بواسطة تعاون عقد لامركزي غير موثوق به وغير متزامن، بحجم معلمات يصل إلى 32B. تم تدريب نموذج INTELLECT-2 بالتعاون بين أكثر من 100 عقدة GPU غير متجانسة منتشرة عبر ثلاث قارات، مستخدمًا بنية غير متزامنة بالكامل، واستغرق التدريب أكثر من 400 ساعة، مما يُظهر جدوى واستقرار شبكة التعاون غير المتزامن. لا يمثل هذا النموذج مجرد اختراق في الأداء، بل هو أيضًا التنفيذ النظامي الأول لنموذج "التدريب هو الإجماع" الذي اقترحته Prime Intellect. يدمج INTELLECT-2 بروتوكولات أساسية مثل PRIME-RL (هيكل التدريب غير المتزامن) وTOPLOC (تحقق سلوك التدريب) وSHARDCAST (تجميع الوزن غير المتزامن)، مما يُشير إلى أن شبكة التدريب اللامركزية قد حققت لأول مرة الانفتاح والتحقق والدائرة الاقتصادية في عملية التدريب.
من حيث الأداء، يعتمد INTELLECT-2 على QwQ-32B وقد تم تدريبه بشكل خاص على RL من الناحية البرمجية والرياضية، مما يجعله في طليعة نماذج RL المفتوحة المصدر الحالية. على الرغم من أنه لم يتجاوز بعد نماذج مغلقة المصدر مثل GPT-4 أو Gemini، فإن معناه الحقيقي هو: أنه أول نموذج لامركزي على مستوى العالم يمكن إعادة إنتاجه والتحقق منه وتدقيقه بالكامل. لم يقم Prime Intellect بفتح مصدر النموذج فحسب، بل الأهم من ذلك أنه فتح مصدر عملية التدريب نفسها - بيانات التدريب، مسارات تحديث الاستراتيجيات، عمليات التحقق والمنطق التجميعي كلها شفافة ومتاحة للتحقق، مما أنشأ نموذجًا لشبكة تدريب لامركزية يمكن للجميع المشاركة فيها والتعاون بثقة ومشاركة الأرباح.
Pluralis: مستكشف نماذج التدريب المتزامن بالتوازي مع ضغط الهيكل.
Pluralis هو مشروع AI في Web3 يركز على "شبكة تدريب تعاونية موثوقة"، والهدف الأساسي له هو دفع نموذج تدريب يتميز باللامركزية، والمشاركة المفتوحة، وآلية تحفيز طويلة الأجل. على عكس مسارات التدريب المركزية أو المغلقة السائدة حاليًا، تقدم Pluralis مفهومًا جديدًا يسمى "تعلم البروتوكول": حيث يتم "بروتوكول" عملية تدريب النموذج، من خلال آليات التعاون القابلة للتحقق ورسم ملكية النموذج، لبناء نظام تدريب مفتوح يتمتع بدائرة تحفيز داخلية.
تتكون بروتوكول التعلم الذي قدمته Pluralis من ثلاثة أعمدة رئيسية:
نموذج غير قابل للاستخراج: يتم توزيع النموذج بشكل مجزأ بين عدة عقد، ولا يمكن لأي عقدة واحدة استعادة الوزن الكامل مما يحافظ على سرية المصدر. تجعل هذه التصميم النموذج بشكل طبيعي "أصول داخل البروتوكول"، مما يتيح التحكم في شهادات الوصول وحماية التسرب وربط العوائد.
التدريب المتوازي للنموذج القائم على الإنترنت: من خلال آلية النموذج المتوازي غير المتزامن (بنية SWARM)، تمتلك العقد المختلفة فقط جزءًا من الأوزان، وتتعاون عبر شبكة منخفضة العرض الترددي لإكمال التدريب أو الاستدلال.
نموذج توزيع الملكية حسب المساهمة: يحصل جميع العقد المشاركة على جزء من ملكية النموذج بناءً على مساهمتهم في التدريب، وبالتالي يتمتعون بحصة من الأرباح المستقبلية وحقوق حوكمة البروتوكول.
تؤكد Pluralis بوضوح على "النموذج غير المتزامن المتوازي" كوجهة رئيسية، مشددة على المزايا التالية مقارنة بالتوازي المعتمد على البيانات:
يدعم الشبكات ذات النطاق الترددي المنخفض والعقد غير المتسقة؛
التكيف مع تنوع الأجهزة ، والسماح لمعالجات الرسوميات من الفئة الاستهلاكية بالمشاركة؛
تمتلك بشكل طبيعي قدرة جدولة مرنة، تدعم تكرار تشغيل/إيقاف العقد.
ثلاث نقاط突破: ضغط الهيكل + التحديث غير المتزامن + عدم قابلية استخراج الوزن.
جينسين: طبقة بروتوكول تدريب لامركزية مدفوعة بالتنفيذ القابل للتحقق
Gensyn هو مشروع Web3 AI يركز على "تنفيذ المهام التدريبية للتعلم العميق بشكل موثوق"، حيث لا تكمن أهميته في إعادة بناء الهياكل النموذجية أو أنماط التدريب، بل في بناء شبكة تنفيذ تدريبية موزعة قابلة للتحقق تتضمن "توزيع المهام + تنفيذ التدريب + التحقق من النتائج + الحوافز العادلة". من خلال تصميم بنية تحتية للتدريب خارج السلسلة + التحقق على السلسلة، أنشأت Gensyn سوق تدريب عالمي فعال ومفتوح وقابل للتحفيز، مما يجعل "التدريب هو التعدين" حقيقة واقعة.
Gensyn ليست "كيف تدرب"، بل هي بنية تحتية لـ "من يدرب، كيف يتم التحقق، وكيف يتم توزيع الأرباح". جوهرها هو بروتوكول حساب قابل للتحقق لمهام التدريب، والذي يحل بشكل أساسي:
من سيقوم بتنفيذ مهام التدريب (توزيع القوة الحاسوبية والمطابقة الديناميكية)
كيفية التحقق من نتائج التنفيذ (بدون إعادة حساب كاملة، فقط التحقق من المتنازع عليه)
كيفية توزيع عائدات التدريب (الرهانات، الخصومات وآلية الألعاب متعددة الأدوار)
يقدم شبكة Gensyn أربع فئات من المشاركين:
المقدم: نشر مهام التدريب، تحديد الهيكل والميزانية؛
Solver：تنفيذ مهام التدريب، تقديم النتائج؛
Verifier: تحقق من سلوك التدريب، لضمان توافقه وفعاليته؛
المبلّغ عن المخالفات: تحدي المُتحققين، والحصول على مكافآت التحكيم أو تحمل الغرامات.
تستمد هذه الآلية إلهامها من تصميم لعبة الاقتصاد Truebit من خلال إدخال الأخطاء بشكل قسري + التحكيم العشوائي، مما يحفز المشاركين على التعاون بصدق ويضمن تشغيل الشبكة بشكل موثوق.
، ولا ينبغي اعتباره موافقة على آرائه من قبل Gate، ولا بمثابة نصيحة مالية أو مهنية. انظر إلى إخلاء المسؤولية للحصول على التفاصيل.
تسجيلات الإعجاب 10
أعجبني
10
7
مشاركة
تعليق
0/400
NftCollectors
· 08-02 05:28
بعد قراءة هذه المقالة، أود أن أقول إن تدريب اللامركزية يشبه إلى حد كبير إنشاء فن NFT، كلاهما يستكشف نماذج جديدة لتوزيع القيمة... لقد قلت سابقًا إن المستقبل هو اللامركزية، ومن الواضح أن نموذج تدريب الذكاء الاصطناعي التقليدي لا يستطيع مواكبة ابتكارات عصر الويب 3، حيث أن البيانات داخل السلسلة توضح بجلاء الاتجاهات العامة، ومن يفهم، يفهم.
شاهد النسخة الأصليةرد0
DegenDreamer
· 08-01 18:06
من سيدفع تكلفة التدريب الكبيرة هذه؟
شاهد النسخة الأصليةرد0
CoinBasedThinking
· 08-01 18:05
مرة أخرى، هل نحتاج إلى تغيير بنية الذكاء الاصطناعي؟ أليس مجرد حيلة جديدة لتضخيم قوة الحوسبة!
شاهد النسخة الأصليةرد0
BlindBoxVictim
· 08-01 17:58
التوزيع ليس سوى ابن الأغنياء الغبي.
شاهد النسخة الأصليةرد0
SignatureVerifier
· 08-01 17:53
*sigh* اختناق مركزي آخر يتنكر كابتكار... محكوم عليه بالفشل تحت الضغط بصراحة
شاهد النسخة الأصليةرد0
MeaninglessApe
· 08-01 17:40
من أين جاءت كل هذه الكلمات الكبيرة، إذا كنت لا تفهم، فلا بأس.
شاهد النسخة الأصليةرد0
GasFeeLady
· 08-01 17:39
تمامًا مثل رسوم الغاز حاليًا... التدريب المركزي أصبح مكلفًا للغاية بصراحة، يالك من أمر محزن
تطور نماذج تدريب الذكاء الاصطناعي: من التحكم المركزي إلى التحول التكنولوجي للتعاون اللامركزي
تطور أنماط تدريب الذكاء الاصطناعي: من السيطرة المركزية إلى الثورة التقنية للتعاون اللامركزي
في سلسلة القيمة الكاملة للذكاء الاصطناعي، تعتبر عملية تدريب النماذج هي الأكثر استهلاكًا للموارد والأعلى من حيث عتبة التقنية، حيث تحدد بشكل مباشر الحد الأقصى لقدرات النموذج وأثره الفعلي في التطبيق. بالمقارنة مع الاستدعاء الخفيف في مرحلة الاستدلال، تتطلب عملية التدريب استثمارًا مستمرًا من القوة الحاسوبية الكبيرة، وعمليات معالجة البيانات المعقدة، ودعم خوارزميات تحسين عالية الكثافة، مما يجعلها "الصناعة الثقيلة" الحقيقية لبناء أنظمة الذكاء الاصطناعي. من منظور نماذج الهيكل، يمكن تقسيم طرق التدريب إلى أربع فئات: التدريب المركزي، التدريب الموزع، التعلم الفيدرالي، والتدريب اللامركزي الذي يناقش في هذه المقالة.
يعد التدريب المركز طريقة تقليدية شائعة، حيث يتم تنفيذ جميع عمليات التدريب بواسطة مؤسسة واحدة داخل مجموعة عالية الأداء محليًا، من الأجهزة، والبرمجيات الأساسية، ونظام جدولة المجموعات، إلى جميع مكونات إطار التدريب، يتم تنسيق تشغيلها بواسطة نظام تحكم موحد. تتيح هذه البنية التحتية المتعمقة للتعاون تحقيق أفضل كفاءة لمشاركة الذاكرة، ومزامنة التدرجات، وآليات التحمل، مما يجعلها مناسبة لتدريب نماذج كبيرة مثل GPT وGemini، ولها مزايا كفاءة عالية، وموارد قابلة للتحكم، ولكنها في الوقت نفسه تواجه مشاكل احتكار البيانات، وحواجز الموارد، واستهلاك الطاقة، ومخاطر النقاط الفردية.
التدريب الموزع هو الطريقة السائدة حالياً في تدريب النماذج الكبيرة، حيث يتمثل جوهره في تقسيم مهام تدريب النموذج ثم توزيعها على عدة آلات للتنفيذ التعاوني، لتجاوز عوائق الحوسبة والتخزين على جهاز واحد. على الرغم من أن لديها خصائص "موزعة" من الناحية الفيزيائية، إلا أن الكل لا يزال يتم التحكم فيه من قبل مؤسسة مركزية في جدولة وتزامن المهام، وغالباً ما تعمل في بيئة شبكة محلية عالية السرعة، من خلال تقنية NVLink للربط السريع، حيث يقوم العقدة الرئيسية بتنسيق المهام الفرعية بشكل موحد. تشمل الأساليب الرئيسية ما يلي:
التدريب الموزع هو مزيج من "التحكم المركزي + التنفيذ الموزع"، مقارنةً بمدير واحد يقود عن بُعد عدة "مكاتب" للموظفين للتعاون في إكمال المهام. في الوقت الحالي، يتم تدريب جميع النماذج الكبيرة الرئيسية تقريبًا بهذه الطريقة.
تمثل التدريب اللامركزي مسارًا مستقبليًا أكثر انفتاحًا ومقاومةً للرقابة. تكمن ميزته الأساسية في: العديد من العقد غير الموثوقة تتعاون لإكمال مهام التدريب دون منسق مركزي، عادةً من خلال بروتوكولات تدفع توزيع المهام والتعاون، وبالاعتماد على آلية تحفيز تشفير لضمان نزاهة المساهمات. تشمل التحديات الرئيسية التي تواجه هذا النموذج:
يمكن فهم التدريب اللامركزي على أنه: مجموعة من المتطوعين العالميين، كل منهم يساهم في قوة الحوسبة لتدريب النموذج بشكل تعاوني، ولكن "التدريب اللامركزي الكبير القابل للتطبيق حقًا" لا يزال تحديًا هندسيًا نظاميًا، ويتعلق بمجالات متعددة مثل بنية النظام، بروتوكولات الاتصال، أمان التشفير، الآليات الاقتصادية، والتحقق من النموذج، ولكن ما إذا كان "التعاون الفعال + تحفيز النزاهة + النتائج الصحيحة" لا يزال في مرحلة استكشاف النموذج الأولي المبكر.
تعتبر التعلم الفيدرالي شكلًا انتقاليًا بين التوزيع واللامركزية، حيث يركز على الاحتفاظ بالبيانات محليًا، وتجميع معلمات النموذج مركزيًا، وهو مناسب للسيناريوهات التي تركز على الامتثال للخصوصية. يتمتع التعلم الفيدرالي بهيكل هندسي للتدريب الموزع وقدرة على التعاون المحلي، كما أنه يدمج مزايا البيانات الموزعة للتدريب اللامركزي، ولكنه لا يزال يعتمد على جهة تنسيق موثوقة، ولا يتمتع بخصائص مفتوحة تمامًا ومقاومة للرقابة. يمكن اعتباره نوعًا من "اللامركزية المُتحكم بها" في سياقات الامتثال للخصوصية، حيث يكون التدريب، هيكل الثقة، وآلية الاتصال جميعها أكثر اعتدالًا، مما يجعله أكثر ملاءمة كهيكل نشر انتقالي في الصناعة.
اللامركزية تدريب الحدود والفرص والطرق الواقعية
من حيث نمط التدريب، فإن التدريب اللامركزي لا يناسب جميع أنواع المهام. في بعض السيناريوهات، بسبب تعقيد هيكل المهمة، وارتفاع متطلبات الموارد، أو صعوبة التعاون، فإنه بطبيعة الحال غير مناسب لإكمالها بكفاءة بين العقد المتنوعة والموثوقة. على سبيل المثال، يعتمد تدريب النماذج الكبيرة غالبًا على ذاكرة عالية، وزمن استجابة منخفض، وعرض نطاق ترددي عالي، مما يجعل من الصعب تقسيمها ومزامنتها بفعالية في الشبكات المفتوحة؛ المهام التي تتعلق بخصوصية البيانات وحدود السيادة مقيدة بالقوانين والامتثال والاعتبارات الأخلاقية، مما يمنع المشاركة المفتوحة؛ بينما تفتقر المهام التي لا تحتوي على حوافز تعاون أساسية إلى الدافع للمشاركة الخارجية. هذه الحدود تشكل معًا القيود الواقعية الحالية للتدريب اللامركزي.
لكن هذا لا يعني أن التدريب اللامركزي هو نظرية زائفة. في الواقع، في أنواع المهام ذات الهيكل الخفيف، والسهولة في التوازي، والتحفيز، يظهر التدريب اللامركزي آفاق تطبيق واضحة. بما في ذلك، على سبيل المثال لا الحصر: ضبط LoRA، مهام التدريب اللاحقة الموجهة للسلوك، تدريب ووسم البيانات عبر الحشود، تدريب نماذج أساسية صغيرة قابلة للتحكم في الموارد، وكذلك سيناريوهات التدريب التعاوني بمشاركة الأجهزة الطرفية. تتمتع هذه المهام بشكل عام بميزات التوازي العالي، والترابط المنخفض، والقدرة على تحمل قوة الحوسبة المتغايرة، مما يجعلها مناسبة جداً للتدريب التعاوني من خلال الشبكات الند للند، وبروتوكولات Swarm، والمحسنات الموزعة.
اللامركزية训练经典项目解析
حاليا في مجال التدريب اللامركزي وتعلم الفيدرالية، تشمل المشاريع البارزة في سلسلة الكتل بشكل رئيسي Prime Intellect وPluralis.ai وGensyn وNous Research وFlock.io. من حيث الابتكار التكنولوجي وصعوبة التنفيذ الهندسي، قدمت Prime Intellect وNous Research وPluralis.ai العديد من الاستكشافات الأصلية في تصميم النظام والخوارزميات، مما يمثل الاتجاهات الرائدة في البحث النظري الحالي؛ بينما الطريق التنفيذي لـ Gensyn وFlock.io واضح نسبيًا، حيث يمكن رؤية تقدم أولي في الهندسة. ستقوم هذه المقالة بتحليل التقنيات الأساسية والهياكل الهندسية وراء هذه المشاريع الخمسة، وستناقش أيضًا الفروق والعلاقات التكاملية فيما بينها في نظام تدريب الذكاء الاصطناعي اللامركزي.
Prime Intellect: رائد الشبكات التعاونية لتعلم التعزيز القابل للتحقق من مسارات التدريب
تسعى Prime Intellect إلى بناء شبكة تدريب AI لا تتطلب الثقة، بحيث يمكن لأي شخص المشاركة في التدريب والحصول على مكافآت موثوقة مقابل مساهماته الحسابية. تأمل Prime Intellect من خلال ثلاثة وحدات هي PRIME-RL و TOPLOC و SHARDCAST، إلى بناء نظام تدريب AI لامركزي يتمتع بالتحقق والانفتاح وآلية تحفيزية مكتملة.
أصدرت Prime Intellect في مايو 2025 INTELLECT-2، وهو أول نموذج كبير للتعلم المعزز تم تدريبه بواسطة تعاون عقد لامركزي غير موثوق به وغير متزامن، بحجم معلمات يصل إلى 32B. تم تدريب نموذج INTELLECT-2 بالتعاون بين أكثر من 100 عقدة GPU غير متجانسة منتشرة عبر ثلاث قارات، مستخدمًا بنية غير متزامنة بالكامل، واستغرق التدريب أكثر من 400 ساعة، مما يُظهر جدوى واستقرار شبكة التعاون غير المتزامن. لا يمثل هذا النموذج مجرد اختراق في الأداء، بل هو أيضًا التنفيذ النظامي الأول لنموذج "التدريب هو الإجماع" الذي اقترحته Prime Intellect. يدمج INTELLECT-2 بروتوكولات أساسية مثل PRIME-RL (هيكل التدريب غير المتزامن) وTOPLOC (تحقق سلوك التدريب) وSHARDCAST (تجميع الوزن غير المتزامن)، مما يُشير إلى أن شبكة التدريب اللامركزية قد حققت لأول مرة الانفتاح والتحقق والدائرة الاقتصادية في عملية التدريب.
من حيث الأداء، يعتمد INTELLECT-2 على QwQ-32B وقد تم تدريبه بشكل خاص على RL من الناحية البرمجية والرياضية، مما يجعله في طليعة نماذج RL المفتوحة المصدر الحالية. على الرغم من أنه لم يتجاوز بعد نماذج مغلقة المصدر مثل GPT-4 أو Gemini، فإن معناه الحقيقي هو: أنه أول نموذج لامركزي على مستوى العالم يمكن إعادة إنتاجه والتحقق منه وتدقيقه بالكامل. لم يقم Prime Intellect بفتح مصدر النموذج فحسب، بل الأهم من ذلك أنه فتح مصدر عملية التدريب نفسها - بيانات التدريب، مسارات تحديث الاستراتيجيات، عمليات التحقق والمنطق التجميعي كلها شفافة ومتاحة للتحقق، مما أنشأ نموذجًا لشبكة تدريب لامركزية يمكن للجميع المشاركة فيها والتعاون بثقة ومشاركة الأرباح.
Pluralis: مستكشف نماذج التدريب المتزامن بالتوازي مع ضغط الهيكل.
Pluralis هو مشروع AI في Web3 يركز على "شبكة تدريب تعاونية موثوقة"، والهدف الأساسي له هو دفع نموذج تدريب يتميز باللامركزية، والمشاركة المفتوحة، وآلية تحفيز طويلة الأجل. على عكس مسارات التدريب المركزية أو المغلقة السائدة حاليًا، تقدم Pluralis مفهومًا جديدًا يسمى "تعلم البروتوكول": حيث يتم "بروتوكول" عملية تدريب النموذج، من خلال آليات التعاون القابلة للتحقق ورسم ملكية النموذج، لبناء نظام تدريب مفتوح يتمتع بدائرة تحفيز داخلية.
تتكون بروتوكول التعلم الذي قدمته Pluralis من ثلاثة أعمدة رئيسية:
تؤكد Pluralis بوضوح على "النموذج غير المتزامن المتوازي" كوجهة رئيسية، مشددة على المزايا التالية مقارنة بالتوازي المعتمد على البيانات:
جينسين: طبقة بروتوكول تدريب لامركزية مدفوعة بالتنفيذ القابل للتحقق
Gensyn هو مشروع Web3 AI يركز على "تنفيذ المهام التدريبية للتعلم العميق بشكل موثوق"، حيث لا تكمن أهميته في إعادة بناء الهياكل النموذجية أو أنماط التدريب، بل في بناء شبكة تنفيذ تدريبية موزعة قابلة للتحقق تتضمن "توزيع المهام + تنفيذ التدريب + التحقق من النتائج + الحوافز العادلة". من خلال تصميم بنية تحتية للتدريب خارج السلسلة + التحقق على السلسلة، أنشأت Gensyn سوق تدريب عالمي فعال ومفتوح وقابل للتحفيز، مما يجعل "التدريب هو التعدين" حقيقة واقعة.
Gensyn ليست "كيف تدرب"، بل هي بنية تحتية لـ "من يدرب، كيف يتم التحقق، وكيف يتم توزيع الأرباح". جوهرها هو بروتوكول حساب قابل للتحقق لمهام التدريب، والذي يحل بشكل أساسي:
يقدم شبكة Gensyn أربع فئات من المشاركين:
تستمد هذه الآلية إلهامها من تصميم لعبة الاقتصاد Truebit من خلال إدخال الأخطاء بشكل قسري + التحكيم العشوائي، مما يحفز المشاركين على التعاون بصدق ويضمن تشغيل الشبكة بشكل موثوق.
![تطور نماذج تدريب الذكاء الاصطناعي: من السيطرة المركزية إلى الثورة التقنية للتعاون اللامركزي](