Evolución del paradigma de entrenamiento de IA: de control centralizado a la revolución tecnológica de la colaboración descentralizada
En toda la cadena de valor de la IA, el entrenamiento de modelos es la etapa con mayor consumo de recursos y la más alta en términos de barreras tecnológicas, que determina directamente el límite de capacidad del modelo y su efectividad en la aplicación práctica. En comparación con la llamada ligera de la fase de inferencia, el proceso de entrenamiento requiere una inversión continua de gran capacidad de cálculo, procesos de manejo de datos complejos y soporte de algoritmos de optimización de alta intensidad, lo que lo convierte en la verdadera "industria pesada" en la construcción de sistemas de IA. Desde la perspectiva del paradigma arquitectónico, los métodos de entrenamiento se pueden dividir en cuatro categorías: entrenamiento centralizado, entrenamiento distribuido, aprendizaje federal y el entrenamiento de Descentralización que se discutirá en este artículo.
El entrenamiento centralizado es la forma tradicional más común, llevada a cabo por una única institución en un clúster local de alto rendimiento que completa todo el proceso de entrenamiento, desde el hardware, el software de base, el sistema de programación del clúster, hasta todos los componentes del marco de entrenamiento, todos coordinados por un sistema de control unificado. Esta arquitectura de profunda colaboración permite que la compartición de memoria, la sincronización de gradientes y los mecanismos de tolerancia a fallos alcancen su máxima eficiencia, lo que la hace muy adecuada para el entrenamiento de modelos a gran escala como GPT y Gemini, con ventajas de alta eficiencia y recursos controlables. Sin embargo, también existen problemas como el monopolio de datos, las barreras de recursos, el consumo de energía y los riesgos de punto único.
El entrenamiento distribuido es la forma principal de entrenamiento de grandes modelos en la actualidad, y su núcleo consiste en descomponer la tarea de entrenamiento del modelo y distribuirla a múltiples máquinas para que trabajen en conjunto, con el fin de superar los cuellos de botella de cálculo y almacenamiento en una sola máquina. A pesar de poseer características "distribuidas" en lo físico, en general, todavía está controlado y sincronizado por una entidad centralizada, y a menudo opera en un entorno de red local de alta velocidad, utilizando la tecnología de bus de interconexión de alta velocidad NVLink, donde el nodo principal coordina uniformemente las subtareas. Los métodos principales incluyen:
Paralelismo de datos: cada nodo entrena diferentes datos compartiendo parámetros, se requiere que coincidan los pesos del modelo.
Paralelismo de modelos: implementar diferentes partes del modelo en diferentes nodos para lograr una fuerte escalabilidad;
Paralelismo de tuberías: ejecución en serie por etapas, aumentando la tasa de rendimiento;
Paralelización de tensores: segmentación refinada del cálculo de matrices, mejorando el grado de paralelización.
El entrenamiento distribuido es una combinación de "control centralizado + ejecución distribuida", análoga a un mismo jefe que dirige de forma remota la colaboración de varios empleados en "oficinas" para completar una tarea. Actualmente, casi todos los modelos grandes principales se entrenan de esta manera.
La Descentralización del entrenamiento representa una ruta futura más abierta y resistente a la censura. Su característica central es que: múltiples nodos que no se fían unos de otros colaboran para completar tareas de entrenamiento sin un coordinador central, generalmente mediante protocolos que impulsan la distribución de tareas y la colaboración, y utilizando mecanismos de incentivos criptográficos para garantizar la honestidad de las contribuciones. Los principales desafíos que enfrenta este modelo incluyen:
Dificultades en la heterogeneidad de dispositivos y en la fragmentación: alta dificultad para coordinar dispositivos heterogéneos, baja eficiencia en la fragmentación de tareas;
Cuello de botella en la eficiencia de comunicación: la comunicación de red es inestable y el cuello de botella en la sincronización de gradientes es evidente;
Ejecución confiable faltante: falta de un entorno de ejecución confiable, difícil de verificar si los nodos realmente participan en el cálculo;
Falta de coordinación unificada: sin un despachador central, la distribución de tareas y el mecanismo de retroceso de excepciones son complejos.
La entrenamiento de Descentralización puede entenderse como: un grupo de voluntarios globales que contribuyen con su poder de cálculo para entrenar modelos de forma colaborativa, pero "el verdadero entrenamiento de Descentralización a gran escala que es factible" sigue siendo un desafío ingenieril sistémico, que involucra arquitectura de sistemas, protocolos de comunicación, seguridad criptográfica, mecanismos económicos, validación de modelos y otros múltiples aspectos. Sin embargo, la posibilidad de "colaborar de manera efectiva + incentivar la honestidad + obtener resultados correctos" aún se encuentra en la etapa temprana de exploración de prototipos.
El aprendizaje federado, como una forma de transición entre la distribución y la Descentralización, enfatiza la retención local de datos y la agregación centralizada de parámetros del modelo, siendo adecuado para escenarios que priorizan la conformidad con la privacidad. El aprendizaje federado tiene la estructura de ingeniería del entrenamiento distribuido y la capacidad de colaboración local, al mismo tiempo que posee la ventaja de la dispersión de datos del entrenamiento descentralizado, pero aún depende de un coordinador de confianza y no posee características completamente abiertas y resistentes a la censura. Se puede considerar como una solución de "Descentralización controlada" en escenarios de conformidad con la privacidad, siendo relativamente moderada en las tareas de entrenamiento, la estructura de confianza y los mecanismos de comunicación, siendo más adecuada como una arquitectura de despliegue transitorio en la industria.
Descentralización entrenamiento de los límites, oportunidades y caminos reales
Desde la perspectiva de los paradigmas de entrenamiento, la Descentralización del entrenamiento no es adecuada para todos los tipos de tareas. En ciertos escenarios, debido a la complejidad de la estructura de la tarea, las altas demandas de recursos o la gran dificultad de colaboración, no es naturalmente adecuada para completarse de manera eficiente entre nodos heterogéneos y de confianza. Por ejemplo, el entrenamiento de modelos grandes a menudo depende de alta memoria de video, baja latencia y ancho de banda alto, lo que dificulta la división y sincronización efectiva en una red abierta; las tareas con fuertes restricciones de privacidad de datos y soberanía están limitadas por el cumplimiento legal y las restricciones éticas, lo que impide compartir abiertamente; y las tareas que carecen de incentivos de colaboración básicos carecen de motivación externa para la participación. Estas fronteras constituyen las limitaciones reales del entrenamiento descentralizado actual.
Pero esto no significa que la formación descentralizada sea un falso dilema. De hecho, en tipos de tareas que son ligeros en estructura, fáciles de paralelizar y que pueden ser incentivados, la formación descentralizada muestra claras perspectivas de aplicación. Incluyendo, pero no limitándose a: ajustes finos de LoRA, tareas de entrenamiento post-alineación de comportamiento, tareas de entrenamiento y etiquetado de datos mediante crowdsourcing, entrenamiento de modelos base pequeños y controlables en recursos, así como escenarios de entrenamiento colaborativo que involucran dispositivos de borde. Estas tareas generalmente presentan características de alta paralelización, bajo acoplamiento y tolerancia a potencia de cálculo heterogénea, lo que las hace muy adecuadas para el entrenamiento colaborativo a través de redes P2P, protocolos Swarm, optimizadores distribuidos, etc.
Actualmente, en el campo de vanguardia de la Descentralización de entrenamiento y aprendizaje federado, los proyectos de blockchain representativos incluyen principalmente Prime Intellect, Pluralis.ai, Gensyn, Nous Research y Flock.io. Desde la perspectiva de la innovación tecnológica y la dificultad de implementación ingenieril, Prime Intellect, Nous Research y Pluralis.ai han propuesto numerosas exploraciones originales en la arquitectura del sistema y el diseño de algoritmos, representando las direcciones de investigación teórica más avanzadas; mientras que Gensyn y Flock.io tienen caminos de implementación relativamente claros, ya se pueden ver avances de ingeniería preliminares. Este artículo analizará sucesivamente las tecnologías clave y las arquitecturas ingenieriles detrás de estos cinco proyectos, y explorará más a fondo sus diferencias y relaciones complementarias en el sistema de entrenamiento de IA descentralizada.
Prime Intellect: pionero de redes de colaboración de aprendizaje reforzado con trayectorias de entrenamiento verificables
Prime Intellect se dedica a construir una red de entrenamiento de IA sin necesidad de confianza, permitiendo que cualquiera participe en el entrenamiento y reciba recompensas confiables por su contribución computacional. Prime Intellect espera construir un sistema de entrenamiento de IA descentralizado, verificable, abierto y con un mecanismo de incentivos completo a través de tres módulos: PRIME-RL + TOPLOC + SHARDCAST.
Prime Intellect lanzó INTELLECT-2 en mayo de 2025, que es el primer gran modelo de aprendizaje reforzado del mundo entrenado por nodos descentralizados asíncronos y sin confianza, con una escala de parámetros de 32B. El modelo INTELLECT-2 fue entrenado en colaboración por más de 100 nodos heterogéneos GPU distribuidos en tres continentes, utilizando una arquitectura completamente asíncrona, con un tiempo de entrenamiento superior a 400 horas, demostrando la viabilidad y estabilidad de la red de colaboración asíncrona. Este modelo no solo representa un avance en el rendimiento, sino que también es la primera implementación sistemática del paradigma "entrenamiento es consenso" propuesto por Prime Intellect. INTELLECT-2 integra módulos de protocolo centrales como PRIME-RL (estructura de entrenamiento asíncrono), TOPLOC (verificación del comportamiento de entrenamiento) y SHARDCAST (agregación de pesos asíncronos), marcando la primera vez que una red de entrenamiento descentralizada ha logrado la apertura, la verificación y el ciclo de incentivos económicos en el proceso de entrenamiento.
En términos de rendimiento, INTELLECT-2 está basado en QwQ-32B y ha realizado un entrenamiento RL especializado en código y matemáticas, situándose a la vanguardia de los modelos de ajuste fino de RL de código abierto actuales. Aunque aún no ha superado a modelos de código cerrado como GPT-4 o Gemini, su verdadero significado radica en que: es el primer experimento de modelo descentralizado del mundo cuyo proceso de entrenamiento completo es reproducible, verificable y auditable. Prime Intellect no solo ha abierto el modelo, sino que lo más importante es que ha abierto el proceso de entrenamiento en sí: los datos de entrenamiento, las trayectorias de actualización de estrategias, el proceso de validación y la lógica de agregación son completamente transparentes y accesibles, construyendo un prototipo de red de entrenamiento descentralizado en el que todos pueden participar, colaborar de manera confiable y compartir beneficios.
Pluralis: Explorador del paradigma de entrenamiento colaborativo de modelos asíncronos en paralelo y compresión estructural.
Pluralis es un proyecto de IA Web3 centrado en la "red de entrenamiento colaborativo confiable", cuyo objetivo principal es promover un paradigma de entrenamiento de modelos que sea Descentralización, de participación abierta y que cuente con un mecanismo de incentivos a largo plazo. A diferencia de las rutas de entrenamiento centralizadas o cerradas que predominan actualmente, Pluralis propone un nuevo concepto llamado Aprendizaje de Protocolo: "protocolizar" el proceso de entrenamiento del modelo, construyendo un sistema de entrenamiento abierto que tenga un bucle de incentivos endógeno a través de mecanismos de colaboración verificables y mapeo de la propiedad del modelo.
El Protocol Learning propuesto por Pluralis incluye tres pilares clave:
Modelo no extraíble: el modelo se distribuye en forma de fragmentos entre múltiples nodos, y ningún nodo individual puede restaurar el peso completo manteniéndolo cerrado. Este diseño hace que el modelo se convierta naturalmente en un "activo dentro del protocolo", lo que permite el control de credenciales de acceso, la protección contra filtraciones y la vinculación de la propiedad de ingresos.
Entrenamiento paralelo de modelos basado en Internet: a través del mecanismo de paralelismo de modelos Pipeline asíncronos (arquitectura SWARM), diferentes nodos solo poseen parte del peso, colaborando a través de una red de baja capacidad para completar el entrenamiento o la inferencia.
Modelo de distribución de propiedad por contribución: todos los nodos participantes obtienen una parte de la propiedad del modelo en función de su contribución al entrenamiento, lo que les otorga derechos a la participación en los beneficios futuros y en la gobernanza del protocolo.
Pluralis define claramente su dirección central como "modelo asíncrono en paralelo", enfatizando las siguientes ventajas en comparación con la paralelización de datos:
Soporta redes de baja ancho de banda y nodos no consistentes;
Dispositivos heterogéneos compatibles, permitiendo la participación de GPU de consumo;
Naturalmente posee capacidad de programación flexible, soporta nodos que se conectan/desconectan con frecuencia;
Compresión de estructuras + Actualización asíncrona + No extractibilidad de pesos como tres grandes puntos de ruptura.
Gensyn: Capa de protocolo de entrenamiento descentralizado impulsada por ejecución verificable
Gensyn es un proyecto de IA Web3 centrado en la "ejecución confiable de tareas de entrenamiento de aprendizaje profundo", cuyo núcleo no está en reconstruir arquitecturas de modelos o paradigmas de entrenamiento, sino en construir una red de ejecución de entrenamiento distribuido verificable que abarque todo el proceso de "distribución de tareas + ejecución de entrenamiento + verificación de resultados + incentivos justos". A través del diseño arquitectónico de entrenamiento fuera de la cadena + verificación en la cadena, Gensyn establece un mercado global de entrenamiento eficiente, abierto y motivador, haciendo realidad que "el entrenamiento es minería".
Gensyn no es "cómo entrenar", sino la infraestructura de "quién entrena, cómo se verifica y cómo se distribuyen las ganancias". Su esencia es un protocolo de computación verificable para tareas de entrenamiento, que resuelve principalmente:
¿Quién ejecutará la tarea de entrenamiento (distribución de potencia de cálculo y coincidencia dinámica)?
Cómo verificar el resultado de la ejecución (sin necesidad de recalcular completamente, solo verificar los operadores en disputa)
Cómo distribuir los ingresos de entrenamiento (Stake, Slashing y mecanismo de juego de múltiples roles)
La red Gensyn introduce cuatro tipos de participantes:
Remitente: Publicar tareas de entrenamiento, establecer estructura y presupuesto;
Solver: ejecutar tareas de entrenamiento, enviar resultados;
Verificador: verifica el comportamiento de entrenamiento, asegurando su conformidad y efectividad;
Informante: desafiar a los validadores, obtener recompensas de arbitraje o asumir multas.
Este mecanismo se inspira en el diseño de juegos económicos de Truebit, incentivando la cooperación honesta de los participantes mediante la inserción forzada de errores + arbitraje aleatorio, asegurando el funcionamiento confiable de la red.
 y no debe considerarse como un respaldo por parte de Gate a las opiniones expresadas ni como asesoramiento financiero o profesional. Consulte el Descargo de responsabilidad para obtener más detalles.
10 me gusta
Recompensa
10
7
Compartir
Comentar
0/400
NftCollectors
· hace13h
Después de leer este artículo, solo quiero decir que la Descentralización del entrenamiento es esencialmente similar a la creación artística de NFT, ambos están explorando un nuevo paradigma de distribución de valor... Ya he dicho que el futuro es la Descentralización, el modelo de entrenamiento de IA tradicional claramente no puede seguir el ritmo de la innovación de la era web3, los datos on-chain ya muestran la tendencia mundial, los que entienden, entienden.
Ver originalesResponder0
DegenDreamer
· 08-01 18:06
¿Quién va a pagar por estos altos costos de entrenamiento?
Ver originalesResponder0
CoinBasedThinking
· 08-01 18:05
¿Otra gran reforma de la arquitectura de la IA? ¡No es más que una nueva moda de Potencia computacional!
Ver originalesResponder0
BlindBoxVictim
· 08-01 17:58
¿No es el hijo tonto del terrateniente el que no se distribuye?
Ver originalesResponder0
SignatureVerifier
· 08-01 17:53
*suspiro* otro embotellamiento centralizado disfrazado de innovación... estadísticamente condenado a fallar bajo carga, para ser honesto
Ver originalesResponder0
MeaninglessApe
· 08-01 17:40
¿De dónde vienen tantas palabras grandes? Si no entiendes, mejor déjalo así.
Ver originalesResponder0
GasFeeLady
· 08-01 17:39
justo como las tarifas de gas rn... la formación centralizada se está volviendo demasiado cara, la verdad, smh
Evolución de los paradigmas de entrenamiento de IA: de control centralizado a la transformación técnica de la colaboración descentralizada
Evolución del paradigma de entrenamiento de IA: de control centralizado a la revolución tecnológica de la colaboración descentralizada
En toda la cadena de valor de la IA, el entrenamiento de modelos es la etapa con mayor consumo de recursos y la más alta en términos de barreras tecnológicas, que determina directamente el límite de capacidad del modelo y su efectividad en la aplicación práctica. En comparación con la llamada ligera de la fase de inferencia, el proceso de entrenamiento requiere una inversión continua de gran capacidad de cálculo, procesos de manejo de datos complejos y soporte de algoritmos de optimización de alta intensidad, lo que lo convierte en la verdadera "industria pesada" en la construcción de sistemas de IA. Desde la perspectiva del paradigma arquitectónico, los métodos de entrenamiento se pueden dividir en cuatro categorías: entrenamiento centralizado, entrenamiento distribuido, aprendizaje federal y el entrenamiento de Descentralización que se discutirá en este artículo.
El entrenamiento centralizado es la forma tradicional más común, llevada a cabo por una única institución en un clúster local de alto rendimiento que completa todo el proceso de entrenamiento, desde el hardware, el software de base, el sistema de programación del clúster, hasta todos los componentes del marco de entrenamiento, todos coordinados por un sistema de control unificado. Esta arquitectura de profunda colaboración permite que la compartición de memoria, la sincronización de gradientes y los mecanismos de tolerancia a fallos alcancen su máxima eficiencia, lo que la hace muy adecuada para el entrenamiento de modelos a gran escala como GPT y Gemini, con ventajas de alta eficiencia y recursos controlables. Sin embargo, también existen problemas como el monopolio de datos, las barreras de recursos, el consumo de energía y los riesgos de punto único.
El entrenamiento distribuido es la forma principal de entrenamiento de grandes modelos en la actualidad, y su núcleo consiste en descomponer la tarea de entrenamiento del modelo y distribuirla a múltiples máquinas para que trabajen en conjunto, con el fin de superar los cuellos de botella de cálculo y almacenamiento en una sola máquina. A pesar de poseer características "distribuidas" en lo físico, en general, todavía está controlado y sincronizado por una entidad centralizada, y a menudo opera en un entorno de red local de alta velocidad, utilizando la tecnología de bus de interconexión de alta velocidad NVLink, donde el nodo principal coordina uniformemente las subtareas. Los métodos principales incluyen:
El entrenamiento distribuido es una combinación de "control centralizado + ejecución distribuida", análoga a un mismo jefe que dirige de forma remota la colaboración de varios empleados en "oficinas" para completar una tarea. Actualmente, casi todos los modelos grandes principales se entrenan de esta manera.
La Descentralización del entrenamiento representa una ruta futura más abierta y resistente a la censura. Su característica central es que: múltiples nodos que no se fían unos de otros colaboran para completar tareas de entrenamiento sin un coordinador central, generalmente mediante protocolos que impulsan la distribución de tareas y la colaboración, y utilizando mecanismos de incentivos criptográficos para garantizar la honestidad de las contribuciones. Los principales desafíos que enfrenta este modelo incluyen:
La entrenamiento de Descentralización puede entenderse como: un grupo de voluntarios globales que contribuyen con su poder de cálculo para entrenar modelos de forma colaborativa, pero "el verdadero entrenamiento de Descentralización a gran escala que es factible" sigue siendo un desafío ingenieril sistémico, que involucra arquitectura de sistemas, protocolos de comunicación, seguridad criptográfica, mecanismos económicos, validación de modelos y otros múltiples aspectos. Sin embargo, la posibilidad de "colaborar de manera efectiva + incentivar la honestidad + obtener resultados correctos" aún se encuentra en la etapa temprana de exploración de prototipos.
El aprendizaje federado, como una forma de transición entre la distribución y la Descentralización, enfatiza la retención local de datos y la agregación centralizada de parámetros del modelo, siendo adecuado para escenarios que priorizan la conformidad con la privacidad. El aprendizaje federado tiene la estructura de ingeniería del entrenamiento distribuido y la capacidad de colaboración local, al mismo tiempo que posee la ventaja de la dispersión de datos del entrenamiento descentralizado, pero aún depende de un coordinador de confianza y no posee características completamente abiertas y resistentes a la censura. Se puede considerar como una solución de "Descentralización controlada" en escenarios de conformidad con la privacidad, siendo relativamente moderada en las tareas de entrenamiento, la estructura de confianza y los mecanismos de comunicación, siendo más adecuada como una arquitectura de despliegue transitorio en la industria.
Descentralización entrenamiento de los límites, oportunidades y caminos reales
Desde la perspectiva de los paradigmas de entrenamiento, la Descentralización del entrenamiento no es adecuada para todos los tipos de tareas. En ciertos escenarios, debido a la complejidad de la estructura de la tarea, las altas demandas de recursos o la gran dificultad de colaboración, no es naturalmente adecuada para completarse de manera eficiente entre nodos heterogéneos y de confianza. Por ejemplo, el entrenamiento de modelos grandes a menudo depende de alta memoria de video, baja latencia y ancho de banda alto, lo que dificulta la división y sincronización efectiva en una red abierta; las tareas con fuertes restricciones de privacidad de datos y soberanía están limitadas por el cumplimiento legal y las restricciones éticas, lo que impide compartir abiertamente; y las tareas que carecen de incentivos de colaboración básicos carecen de motivación externa para la participación. Estas fronteras constituyen las limitaciones reales del entrenamiento descentralizado actual.
Pero esto no significa que la formación descentralizada sea un falso dilema. De hecho, en tipos de tareas que son ligeros en estructura, fáciles de paralelizar y que pueden ser incentivados, la formación descentralizada muestra claras perspectivas de aplicación. Incluyendo, pero no limitándose a: ajustes finos de LoRA, tareas de entrenamiento post-alineación de comportamiento, tareas de entrenamiento y etiquetado de datos mediante crowdsourcing, entrenamiento de modelos base pequeños y controlables en recursos, así como escenarios de entrenamiento colaborativo que involucran dispositivos de borde. Estas tareas generalmente presentan características de alta paralelización, bajo acoplamiento y tolerancia a potencia de cálculo heterogénea, lo que las hace muy adecuadas para el entrenamiento colaborativo a través de redes P2P, protocolos Swarm, optimizadores distribuidos, etc.
Descentralización entrenamiento clásico proyecto análisis
Actualmente, en el campo de vanguardia de la Descentralización de entrenamiento y aprendizaje federado, los proyectos de blockchain representativos incluyen principalmente Prime Intellect, Pluralis.ai, Gensyn, Nous Research y Flock.io. Desde la perspectiva de la innovación tecnológica y la dificultad de implementación ingenieril, Prime Intellect, Nous Research y Pluralis.ai han propuesto numerosas exploraciones originales en la arquitectura del sistema y el diseño de algoritmos, representando las direcciones de investigación teórica más avanzadas; mientras que Gensyn y Flock.io tienen caminos de implementación relativamente claros, ya se pueden ver avances de ingeniería preliminares. Este artículo analizará sucesivamente las tecnologías clave y las arquitecturas ingenieriles detrás de estos cinco proyectos, y explorará más a fondo sus diferencias y relaciones complementarias en el sistema de entrenamiento de IA descentralizada.
Prime Intellect: pionero de redes de colaboración de aprendizaje reforzado con trayectorias de entrenamiento verificables
Prime Intellect se dedica a construir una red de entrenamiento de IA sin necesidad de confianza, permitiendo que cualquiera participe en el entrenamiento y reciba recompensas confiables por su contribución computacional. Prime Intellect espera construir un sistema de entrenamiento de IA descentralizado, verificable, abierto y con un mecanismo de incentivos completo a través de tres módulos: PRIME-RL + TOPLOC + SHARDCAST.
Prime Intellect lanzó INTELLECT-2 en mayo de 2025, que es el primer gran modelo de aprendizaje reforzado del mundo entrenado por nodos descentralizados asíncronos y sin confianza, con una escala de parámetros de 32B. El modelo INTELLECT-2 fue entrenado en colaboración por más de 100 nodos heterogéneos GPU distribuidos en tres continentes, utilizando una arquitectura completamente asíncrona, con un tiempo de entrenamiento superior a 400 horas, demostrando la viabilidad y estabilidad de la red de colaboración asíncrona. Este modelo no solo representa un avance en el rendimiento, sino que también es la primera implementación sistemática del paradigma "entrenamiento es consenso" propuesto por Prime Intellect. INTELLECT-2 integra módulos de protocolo centrales como PRIME-RL (estructura de entrenamiento asíncrono), TOPLOC (verificación del comportamiento de entrenamiento) y SHARDCAST (agregación de pesos asíncronos), marcando la primera vez que una red de entrenamiento descentralizada ha logrado la apertura, la verificación y el ciclo de incentivos económicos en el proceso de entrenamiento.
En términos de rendimiento, INTELLECT-2 está basado en QwQ-32B y ha realizado un entrenamiento RL especializado en código y matemáticas, situándose a la vanguardia de los modelos de ajuste fino de RL de código abierto actuales. Aunque aún no ha superado a modelos de código cerrado como GPT-4 o Gemini, su verdadero significado radica en que: es el primer experimento de modelo descentralizado del mundo cuyo proceso de entrenamiento completo es reproducible, verificable y auditable. Prime Intellect no solo ha abierto el modelo, sino que lo más importante es que ha abierto el proceso de entrenamiento en sí: los datos de entrenamiento, las trayectorias de actualización de estrategias, el proceso de validación y la lógica de agregación son completamente transparentes y accesibles, construyendo un prototipo de red de entrenamiento descentralizado en el que todos pueden participar, colaborar de manera confiable y compartir beneficios.
Pluralis: Explorador del paradigma de entrenamiento colaborativo de modelos asíncronos en paralelo y compresión estructural.
Pluralis es un proyecto de IA Web3 centrado en la "red de entrenamiento colaborativo confiable", cuyo objetivo principal es promover un paradigma de entrenamiento de modelos que sea Descentralización, de participación abierta y que cuente con un mecanismo de incentivos a largo plazo. A diferencia de las rutas de entrenamiento centralizadas o cerradas que predominan actualmente, Pluralis propone un nuevo concepto llamado Aprendizaje de Protocolo: "protocolizar" el proceso de entrenamiento del modelo, construyendo un sistema de entrenamiento abierto que tenga un bucle de incentivos endógeno a través de mecanismos de colaboración verificables y mapeo de la propiedad del modelo.
El Protocol Learning propuesto por Pluralis incluye tres pilares clave:
Pluralis define claramente su dirección central como "modelo asíncrono en paralelo", enfatizando las siguientes ventajas en comparación con la paralelización de datos:
Gensyn: Capa de protocolo de entrenamiento descentralizado impulsada por ejecución verificable
Gensyn es un proyecto de IA Web3 centrado en la "ejecución confiable de tareas de entrenamiento de aprendizaje profundo", cuyo núcleo no está en reconstruir arquitecturas de modelos o paradigmas de entrenamiento, sino en construir una red de ejecución de entrenamiento distribuido verificable que abarque todo el proceso de "distribución de tareas + ejecución de entrenamiento + verificación de resultados + incentivos justos". A través del diseño arquitectónico de entrenamiento fuera de la cadena + verificación en la cadena, Gensyn establece un mercado global de entrenamiento eficiente, abierto y motivador, haciendo realidad que "el entrenamiento es minería".
Gensyn no es "cómo entrenar", sino la infraestructura de "quién entrena, cómo se verifica y cómo se distribuyen las ganancias". Su esencia es un protocolo de computación verificable para tareas de entrenamiento, que resuelve principalmente:
La red Gensyn introduce cuatro tipos de participantes:
Este mecanismo se inspira en el diseño de juegos económicos de Truebit, incentivando la cooperación honesta de los participantes mediante la inserción forzada de errores + arbitraje aleatorio, asegurando el funcionamiento confiable de la red.
![Evolución del paradigma de entrenamiento de IA: de control centralizado a revolución tecnológica de colaboración descentralizada](