Évolution des paradigmes d'entraînement de l'IA : de la contrôle centralisé à la révolution technologique de la collaboration décentralisée
Dans la chaîne de valeur complète de l'IA, l'entraînement des modèles est l'étape la plus consommatrice de ressources et la plus difficile sur le plan technique, déterminant directement la limite de capacité des modèles et l'efficacité des applications pratiques. Comparé 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 des données complexes et un soutien d'algorithmes d'optimisation à haute intensité, constituant le véritable "secteur lourd" de la construction des systèmes d'IA. D'un point de vue des paradigmes d'architecture, les méthodes d'entraînement peuvent être classées 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 institution au sein d'un cluster haute performance local, où l'ensemble du processus d'entraînement, des matériels, des logiciels de base, du système de planification de cluster, jusqu'à tous les composants du cadre d'entraînement, est coordonné par un système de contrôle unifié. Cette architecture de profonde synergie optimise l'efficacité du partage de mémoire, de la synchronisation des gradients et des mécanismes de tolérance aux pannes, ce qui la rend très adaptée à l'entraînement de modèles à grande échelle comme GPT et Gemini, avec des avantages d'efficacité élevée et de ressources contrôlables. Cependant, elle présente également des problèmes de monopole de données, de barrières à l'accès aux ressources, de consommation d'énergie et de risque de point unique.
L'entraînement distribué est la méthode principale de formation des grands modèles actuelle, son noyau consiste à décomposer les tâches d'entraînement du modèle puis à les distribuer à plusieurs machines pour exécuter de manière collaborative, afin de surmonter les goulets d'étranglement de calcul et de stockage sur une seule machine. Bien qu'il possède physiquement des caractéristiques "décentralisées", l'ensemble est toujours contrôlé et synchronisé par une institution centralisée, fonctionnant souvent dans un environnement de réseau local à haute vitesse, utilisant la technologie de bus d'interconnexion NVLink, avec un nœud principal coordonnant uniformément les sous-tâches. Les méthodes principales incluent :
Parallélisme des données : chaque nœud entraîne des paramètres de données différents avec des poids de modèle à faire correspondre.
Parallélisme de modèle : déployer différentes parties du modèle sur différents nœuds pour réaliser une forte extensibilité ;
Pipelines parallèles : exécution en série par étapes, augmentation du débit ;
Parallélisme de tenseurs : segmentation fine des calculs matriciels, amélioration de la granularité du parallélisme.
L'entraînement distribué est une combinaison de "contrôle centralisé + exécution distribuée", comparable à un même patron dirigeant à distance plusieurs employés de "bureau" pour collaborer à l'accomplissement d'une tâche. Actuellement, presque tous les grands modèles mainstream sont entraînés de cette manière.
La formation décentralisée représente un chemin futur plus ouvert et résistant à la censure. Ses caractéristiques principales sont les suivantes : plusieurs nœuds qui ne se font pas confiance collaborent à l'achèvement des tâches d'entraînement sans coordinateur central, généralement en utilisant des protocoles pour piloter la distribution des tâches et la coopération, et en s'appuyant sur des mécanismes d'incitation cryptographiques pour garantir l'honnêteté des contributions. Les principaux défis auxquels ce modèle est confronté incluent :
Hétérogénéité des appareils et difficulté de fragmentation : la coordination des appareils hétérogènes est difficile, l'efficacité de la fragmentation des tâches est faible ;
Goulots d'étranglement de l'efficacité de communication : communication réseau instable, goulot d'étranglement de la synchronisation des gradients évident ;
Exécution fiable manquante : manque d'un environnement d'exécution fiable, difficile de vérifier si les nœuds participent réellement au calcul ;
Manque de coordination unifiée : pas de répartiteur central, distribution des tâches et mécanismes de rollback d'exception complexes.
L'entraînement décentralisé peut être compris comme : un groupe de bénévoles du monde entier contribuant chacun à la puissance de calcul pour entraîner le modèle en collaboration, mais la "vraie possibilité d'un entraînement décentralisé à grande échelle" reste un défi systémique d'ingénierie, impliquant l'architecture système, les protocoles de communication, la sécurité cryptographique, les mécanismes économiques, la validation des modèles, et d'autres niveaux. Cependant, la question de savoir si cela peut être "collaboratif et efficace + inciter à l'honnêteté + résultats corrects" est encore à un stade précoce d'exploration de prototypes.
L'apprentissage fédéré, en tant que forme de transition entre la distribution et la Décentralisation, met l'accent sur la conservation locale des données et l'agrégation centralisée des paramètres du modèle, ce qui le rend adapté aux scénarios qui privilégient la conformité à la vie privée. L'apprentissage fédéré possède une structure d'ingénierie de formation distribuée et des capacités de collaboration locale, tout en bénéficiant des avantages de décentralisation des données, mais il reste dépendant d'une entité de coordination de confiance et ne possède pas de caractéristiques entièrement ouvertes et anti-censure. Il peut être considéré comme une solution de "décentralisation contrôlée" dans un scénario de conformité à la vie privée, avec des tâches d'entraînement, une structure de confiance et des mécanismes de communication relativement modérés, et il est plus approprié en tant qu'architecture de déploiement transitoire dans l'industrie.
Décentralisation des limites, opportunités et chemins réalistes de l'entraînement
D'un point de vue des paradigmes d'entraînement, la Décentralisation de l'entraînement n'est pas adaptée à tous les types de tâches. Dans certains scénarios, en raison de la complexité de la structure des tâches, des besoins en ressources extrêmement élevés ou de la difficulté de collaboration, il est naturellement inadapté d'accomplir efficacement ces tâches entre des nœuds hétérogènes et non fiables. Par exemple, l'entraînement de grands modèles dépend souvent d'une grande mémoire vidéo, d'une faible latence et d'une bande passante élevée, ce qui rend difficile la découpe et la synchronisation efficaces dans un réseau ouvert ; les tâches soumises à de fortes restrictions en matière de confidentialité des données et de souveraineté sont limitées par la conformité légale et les contraintes éthiques, ce qui empêche le partage ouvert ; tandis que les tâches manquant de bases d'incitation à la collaboration souffrent d'un manque de motivation extérieure. Ces frontières constituent ensemble les limitations réelles de l'entraînement décentralisé actuel.
Mais cela ne signifie pas que l'entraînement décentralisé est un faux problème. En fait, dans des types de tâches légères, facilement parallélisables et incitatives, l'entraînement décentralisé présente des perspectives d'application claires. Cela inclut, mais sans s'y limiter : le fine-tuning LoRA, les tâches de post-formation d'alignement comportemental, l'entraînement et l'annotation des données par crowdsourcing, l'entraînement de petits modèles de base avec contrôle des ressources, ainsi que les scénarios d'entraînement collaboratif impliquant des dispositifs périphériques. Ces tâches présentent généralement des caractéristiques de haute parallélisation, de faible couplage et de tolérance à la puissance de calcul hétérogène, ce qui les rend très adaptées à l'entraînement collaboratif via des réseaux P2P, des protocoles Swarm, des optimiseurs distribués, etc.
Actuellement, dans le domaine de la formation décentralisée et de l'apprentissage fédéré, les projets de blockchain représentatifs comprennent 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 en matière d'architecture système et de conception d'algorithmes, représentant ainsi les directions avant-gardistes de la recherche théorique actuelle ; tandis que les chemins de mise en œuvre de Gensyn et Flock.io sont relativement clairs, et des progrès d'ingénierie préliminaires sont déjà visibles. 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 cadre d'un système de formation AI décentralisé.
Prime Intellect : précurseur des réseaux collaboratifs d'apprentissage renforcé vérifiables par trajectoire d'entraînement
Prime Intellect s'engage à construire un réseau d'entraînement d'IA sans confiance, permettant à quiconque de participer à l'entraînement et de recevoir des récompenses fiables pour ses contributions de calcul. Prime Intellect espère construire un système d'entraînement d'IA décentralisé, vérifiable, ouvert et avec un mécanisme d'incitation complet grâce à trois modules : PRIME-RL + TOPLOC + SHARDCAST.
Prime Intellect a lancé INTELLECT-2 en mai 2025, le premier modèle de renforcement au monde formé par la collaboration de nœuds décentralisés asynchrones et sans confiance, avec une taille de paramètre atteignant 32B. Le modèle INTELLECT-2 a été formé grâce à la collaboration de plus de 100 nœuds hétérogènes GPU répartis sur trois continents, utilisant une architecture entièrement asynchrone, avec une durée d'entraînement dépassant 400 heures, démontrant ainsi la faisabilité et la stabilité du réseau de collaboration asynchrone. Ce modèle représente non seulement une percée en termes de performance, mais également la première mise en œuvre systémique du paradigme "l'entraînement est un consensus" proposé par Prime Intellect. INTELLECT-2 intègre des modules de protocole clés tels que PRIME-RL (structure d'entraînement asynchrone), TOPLOC (validation des comportements d'entraînement) et SHARDCAST (agrégation de poids asynchrone), marquant la première réalisation de l'ouverture, de la vérifiabilité et de la boucle d'incitation économique dans le processus d'entraînement d'un réseau décentralisé.
En termes de performance, INTELLECT-2 est basé sur QwQ-32B et a effectué un entraînement RL spécialisé sur le code et les mathématiques, se plaçant à la pointe des modèles RL fine-tunés open source actuels. Bien qu'il n'ait pas encore surpassé des modèles fermés comme GPT-4 ou Gemini, sa véritable signification réside dans le fait qu'il s'agit du premier modèle décentralisé au monde dont le processus d'entraînement complet est reproductible, vérifiable et auditables. Prime Intellect a non seulement ouvert le modèle, mais plus important encore, a ouvert le processus d'entraînement lui-même - les données d'entraînement, les trajectoires de mise à jour des stratégies, les processus de validation et la logique d'agrégation sont tous transparents et vérifiables, construisant un prototype de réseau d'entraînement décentralisé dans lequel chacun peut participer, collaborer de manière fiable et partager les bénéfices.
Pluralis : Explorateur de paradigmes de formation collaborative entre modèles asynchrones parallèles et compression structurelle
Pluralis est un projet Web3 AI axé sur le "réseau d'entraînement collaboratif de confiance", dont l'objectif principal est de promouvoir un paradigme d'entraînement de modèle décentralisé, à participation ouverte et avec un mécanisme d'incitation à long terme. Contrairement aux voies d'entraînement centralisées ou fermées actuellement dominantes, Pluralis propose un concept entièrement nouveau appelé Protocol Learning : "protocoliser" le processus d'entraînement de modèle, en construisant un système d'entraînement ouvert doté d'une boucle d'incitation endogène grâce à des mécanismes de collaboration vérifiables et à une cartographie de la propriété du modèle.
Le Protocol Learning proposé par Pluralis comprend trois piliers clés :
Modèle non extractible : le modèle est distribué sous forme de fragments entre plusieurs nœuds, aucun nœud unique ne peut restaurer les poids complets et reste propriétaire. Ce design fait que le modèle devient naturellement un "actif au sein du protocole", permettant un contrôle des certificats d'accès, une protection contre les fuites et un lien avec l'attribution des revenus.
Entraînement parallèle de modèles basé sur Internet : grâce au mécanisme de parallélisme de modèle Pipeline asynchrone (architecture SWARM), différents nœuds ne détiennent qu'une partie des poids et collaborent via un réseau à faible bande passante pour compléter l'entraînement ou l'inférence.
Modèle de répartition de la propriété par contribution : tous les nœuds participants obtiennent une part de propriété du modèle en fonction de leur contribution à l'entraînement, leur permettant ainsi de bénéficier d'une part des futurs revenus et des droits de gouvernance du protocole.
Pluralis se concentre clairement sur "modèle asynchrone parallèle" comme direction centrale, soulignant les avantages suivants par rapport à la parallélisation des données :
Prise en charge des réseaux à faible bande passante et des nœuds non cohérents ;
Appareils hétérogènes adaptés, permettant la participation de GPU grand public ;
Capacité de planification élastique naturelle, supporte les nœuds se connectant/déconnectant fréquemment ;
Trois points de rupture : compression de structure + mise à jour asynchrone + non-extractibilité des poids.
Gensyn : couche de protocole d'entraînement décentralisé alimentée par une exécution vérifiable
Gensyn est un projet Web3 AI axé sur "l'exécution fiable des tâches d'entraînement en apprentissage profond", dont le cœur ne réside pas dans la reconstruction de l'architecture des modèles ou des paradigmes d'entraînement, mais dans la construction d'un réseau d'exécution d'entraînement distribué vérifiable comprenant "distribution des tâches + exécution de l'entraînement + validation des résultats + incitations équitables". Grâce à une conception d'architecture de formation hors chaîne + validation sur chaîne, Gensyn établit un marché d'entraînement mondial efficace, ouvert et incitatif, rendant "l'entraînement comme minage" une réalité.
Gensyn n'est pas "comment entraîner", mais plutôt "qui entraîne, comment vérifier, comment partager les bénéfices". Sa nature est un protocole de calcul vérifiable pour les tâches d'entraînement, qui résout principalement :
Qui exécute les tâches d'entraînement (distribution de puissance de calcul et correspondance dynamique)
Comment vérifier le résultat de l'exécution (sans recalcul complet, uniquement vérifier les opérateurs en litige)
Comment répartir les bénéfices de l'entraînement (Stake, Slashing et mécanismes de jeu multi-rôles)
Le réseau Gensyn introduit quatre types de participants :
Soumissionnaire : publier des tâches d'entraînement, définir la structure et le budget ;
Solver : exécuter les tâches d'entraînement, soumettre les résultats ;
Vérificateur : vérifier le comportement d'entraînement, s'assurer qu'il est conforme et efficace ;
Lanceur d'alerte : défier les validateurs, obtenir des récompenses d'arbitrage ou assumer des amendes.
Ce mécanisme s'inspire de la conception de jeu économique de Truebit, incitant à une coopération honnête des participants à travers l'insertion obligatoire d'erreurs + l'arbitrage aléatoire, garantissant le bon fonctionnement du réseau.
Évolution des paradigmes d'entraînement de l'IA : de la contrôle centralisé à la décentralisation collaborative des changements technologiques
Évolution des paradigmes d'entraînement de l'IA : de la contrôle centralisé à la révolution technologique de la collaboration décentralisée
Dans la chaîne de valeur complète de l'IA, l'entraînement des modèles est l'étape la plus consommatrice de ressources et la plus difficile sur le plan technique, déterminant directement la limite de capacité des modèles et l'efficacité des applications pratiques. Comparé 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 des données complexes et un soutien d'algorithmes d'optimisation à haute intensité, constituant le véritable "secteur lourd" de la construction des systèmes d'IA. D'un point de vue des paradigmes d'architecture, les méthodes d'entraînement peuvent être classées 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 institution au sein d'un cluster haute performance local, où l'ensemble du processus d'entraînement, des matériels, des logiciels de base, du système de planification de cluster, jusqu'à tous les composants du cadre d'entraînement, est coordonné par un système de contrôle unifié. Cette architecture de profonde synergie optimise l'efficacité du partage de mémoire, de la synchronisation des gradients et des mécanismes de tolérance aux pannes, ce qui la rend très adaptée à l'entraînement de modèles à grande échelle comme GPT et Gemini, avec des avantages d'efficacité élevée et de ressources contrôlables. Cependant, elle présente également des problèmes de monopole de données, de barrières à l'accès aux ressources, de consommation d'énergie et de risque de point unique.
L'entraînement distribué est la méthode principale de formation des grands modèles actuelle, son noyau consiste à décomposer les tâches d'entraînement du modèle puis à les distribuer à plusieurs machines pour exécuter de manière collaborative, afin de surmonter les goulets d'étranglement de calcul et de stockage sur une seule machine. Bien qu'il possède physiquement des caractéristiques "décentralisées", l'ensemble est toujours contrôlé et synchronisé par une institution centralisée, fonctionnant souvent dans un environnement de réseau local à haute vitesse, utilisant la technologie de bus d'interconnexion NVLink, avec un nœud principal coordonnant uniformément les sous-tâches. Les méthodes principales incluent :
L'entraînement distribué est une combinaison de "contrôle centralisé + exécution distribuée", comparable à un même patron dirigeant à distance plusieurs employés de "bureau" pour collaborer à l'accomplissement d'une tâche. Actuellement, presque tous les grands modèles mainstream sont entraînés de cette manière.
La formation décentralisée représente un chemin futur plus ouvert et résistant à la censure. Ses caractéristiques principales sont les suivantes : plusieurs nœuds qui ne se font pas confiance collaborent à l'achèvement des tâches d'entraînement sans coordinateur central, généralement en utilisant des protocoles pour piloter la distribution des tâches et la coopération, et en s'appuyant sur des mécanismes d'incitation cryptographiques pour garantir l'honnêteté des contributions. Les principaux défis auxquels ce modèle est confronté incluent :
L'entraînement décentralisé peut être compris comme : un groupe de bénévoles du monde entier contribuant chacun à la puissance de calcul pour entraîner le modèle en collaboration, mais la "vraie possibilité d'un entraînement décentralisé à grande échelle" reste un défi systémique d'ingénierie, impliquant l'architecture système, les protocoles de communication, la sécurité cryptographique, les mécanismes économiques, la validation des modèles, et d'autres niveaux. Cependant, la question de savoir si cela peut être "collaboratif et efficace + inciter à l'honnêteté + résultats corrects" est encore à un stade précoce d'exploration de prototypes.
L'apprentissage fédéré, en tant que forme de transition entre la distribution et la Décentralisation, met l'accent sur la conservation locale des données et l'agrégation centralisée des paramètres du modèle, ce qui le rend adapté aux scénarios qui privilégient la conformité à la vie privée. L'apprentissage fédéré possède une structure d'ingénierie de formation distribuée et des capacités de collaboration locale, tout en bénéficiant des avantages de décentralisation des données, mais il reste dépendant d'une entité de coordination de confiance et ne possède pas de caractéristiques entièrement ouvertes et anti-censure. Il peut être considéré comme une solution de "décentralisation contrôlée" dans un scénario de conformité à la vie privée, avec des tâches d'entraînement, une structure de confiance et des mécanismes de communication relativement modérés, et il est plus approprié en tant qu'architecture de déploiement transitoire dans l'industrie.
Décentralisation des limites, opportunités et chemins réalistes de l'entraînement
D'un point de vue des paradigmes d'entraînement, la Décentralisation de l'entraînement n'est pas adaptée à tous les types de tâches. Dans certains scénarios, en raison de la complexité de la structure des tâches, des besoins en ressources extrêmement élevés ou de la difficulté de collaboration, il est naturellement inadapté d'accomplir efficacement ces tâches entre des nœuds hétérogènes et non fiables. Par exemple, l'entraînement de grands modèles dépend souvent d'une grande mémoire vidéo, d'une faible latence et d'une bande passante élevée, ce qui rend difficile la découpe et la synchronisation efficaces dans un réseau ouvert ; les tâches soumises à de fortes restrictions en matière de confidentialité des données et de souveraineté sont limitées par la conformité légale et les contraintes éthiques, ce qui empêche le partage ouvert ; tandis que les tâches manquant de bases d'incitation à la collaboration souffrent d'un manque de motivation extérieure. Ces frontières constituent ensemble les limitations réelles de l'entraînement décentralisé actuel.
Mais cela ne signifie pas que l'entraînement décentralisé est un faux problème. En fait, dans des types de tâches légères, facilement parallélisables et incitatives, l'entraînement décentralisé présente des perspectives d'application claires. Cela inclut, mais sans s'y limiter : le fine-tuning LoRA, les tâches de post-formation d'alignement comportemental, l'entraînement et l'annotation des données par crowdsourcing, l'entraînement de petits modèles de base avec contrôle des ressources, ainsi que les scénarios d'entraînement collaboratif impliquant des dispositifs périphériques. Ces tâches présentent généralement des caractéristiques de haute parallélisation, de faible couplage et de tolérance à la puissance de calcul hétérogène, ce qui les rend très adaptées à l'entraînement collaboratif via des réseaux P2P, des protocoles Swarm, des optimiseurs distribués, etc.
Décentralisation entraînement classiques projets analyse
Actuellement, dans le domaine de la formation décentralisée et de l'apprentissage fédéré, les projets de blockchain représentatifs comprennent 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 en matière d'architecture système et de conception d'algorithmes, représentant ainsi les directions avant-gardistes de la recherche théorique actuelle ; tandis que les chemins de mise en œuvre de Gensyn et Flock.io sont relativement clairs, et des progrès d'ingénierie préliminaires sont déjà visibles. 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 cadre d'un système de formation AI décentralisé.
Prime Intellect : précurseur des réseaux collaboratifs d'apprentissage renforcé vérifiables par trajectoire d'entraînement
Prime Intellect s'engage à construire un réseau d'entraînement d'IA sans confiance, permettant à quiconque de participer à l'entraînement et de recevoir des récompenses fiables pour ses contributions de calcul. Prime Intellect espère construire un système d'entraînement d'IA décentralisé, vérifiable, ouvert et avec un mécanisme d'incitation complet grâce à trois modules : PRIME-RL + TOPLOC + SHARDCAST.
Prime Intellect a lancé INTELLECT-2 en mai 2025, le premier modèle de renforcement au monde formé par la collaboration de nœuds décentralisés asynchrones et sans confiance, avec une taille de paramètre atteignant 32B. Le modèle INTELLECT-2 a été formé grâce à la collaboration de plus de 100 nœuds hétérogènes GPU répartis sur trois continents, utilisant une architecture entièrement asynchrone, avec une durée d'entraînement dépassant 400 heures, démontrant ainsi la faisabilité et la stabilité du réseau de collaboration asynchrone. Ce modèle représente non seulement une percée en termes de performance, mais également la première mise en œuvre systémique du paradigme "l'entraînement est un consensus" proposé par Prime Intellect. INTELLECT-2 intègre des modules de protocole clés tels que PRIME-RL (structure d'entraînement asynchrone), TOPLOC (validation des comportements d'entraînement) et SHARDCAST (agrégation de poids asynchrone), marquant la première réalisation de l'ouverture, de la vérifiabilité et de la boucle d'incitation économique dans le processus d'entraînement d'un réseau décentralisé.
En termes de performance, INTELLECT-2 est basé sur QwQ-32B et a effectué un entraînement RL spécialisé sur le code et les mathématiques, se plaçant à la pointe des modèles RL fine-tunés open source actuels. Bien qu'il n'ait pas encore surpassé des modèles fermés comme GPT-4 ou Gemini, sa véritable signification réside dans le fait qu'il s'agit du premier modèle décentralisé au monde dont le processus d'entraînement complet est reproductible, vérifiable et auditables. Prime Intellect a non seulement ouvert le modèle, mais plus important encore, a ouvert le processus d'entraînement lui-même - les données d'entraînement, les trajectoires de mise à jour des stratégies, les processus de validation et la logique d'agrégation sont tous transparents et vérifiables, construisant un prototype de réseau d'entraînement décentralisé dans lequel chacun peut participer, collaborer de manière fiable et partager les bénéfices.
Pluralis : Explorateur de paradigmes de formation collaborative entre modèles asynchrones parallèles et compression structurelle
Pluralis est un projet Web3 AI axé sur le "réseau d'entraînement collaboratif de confiance", dont l'objectif principal est de promouvoir un paradigme d'entraînement de modèle décentralisé, à participation ouverte et avec un mécanisme d'incitation à long terme. Contrairement aux voies d'entraînement centralisées ou fermées actuellement dominantes, Pluralis propose un concept entièrement nouveau appelé Protocol Learning : "protocoliser" le processus d'entraînement de modèle, en construisant un système d'entraînement ouvert doté d'une boucle d'incitation endogène grâce à des mécanismes de collaboration vérifiables et à une cartographie de la propriété du modèle.
Le Protocol Learning proposé par Pluralis comprend trois piliers clés :
Pluralis se concentre clairement sur "modèle asynchrone parallèle" comme direction centrale, soulignant les avantages suivants par rapport à la parallélisation des données :
Gensyn : couche de protocole d'entraînement décentralisé alimentée par une exécution vérifiable
Gensyn est un projet Web3 AI axé sur "l'exécution fiable des tâches d'entraînement en apprentissage profond", dont le cœur ne réside pas dans la reconstruction de l'architecture des modèles ou des paradigmes d'entraînement, mais dans la construction d'un réseau d'exécution d'entraînement distribué vérifiable comprenant "distribution des tâches + exécution de l'entraînement + validation des résultats + incitations équitables". Grâce à une conception d'architecture de formation hors chaîne + validation sur chaîne, Gensyn établit un marché d'entraînement mondial efficace, ouvert et incitatif, rendant "l'entraînement comme minage" une réalité.
Gensyn n'est pas "comment entraîner", mais plutôt "qui entraîne, comment vérifier, comment partager les bénéfices". Sa nature est un protocole de calcul vérifiable pour les tâches d'entraînement, qui résout principalement :
Le réseau Gensyn introduit quatre types de participants :
Ce mécanisme s'inspire de la conception de jeu économique de Truebit, incitant à une coopération honnête des participants à travers l'insertion obligatoire d'erreurs + l'arbitrage aléatoire, garantissant le bon fonctionnement du réseau.
![Évolution des paradigmes d'entraînement AI : de la contrôle centralisé à la révolution technologique de la collaboration décentralisée](