Le Saint Graal de Crypto AI : Exploration à la pointe de l'entraînement décentralisé

Dans l'ensemble de la chaîne de valeur de l'IA, l'entraînement des modèles est l'étape la plus consommatrice de ressources et présentant le plus haut seuil technologique, déterminant directement le plafond de capacité des modèles et l'efficacité de leur application réelle. Par rapport à l'appel léger de l'étape 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 forte intensité, constituant ainsi le véritable "secteur lourd" de la construction des systèmes d'IA. En termes de paradigme 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 local à haute performance, où l'ensemble du processus d'entraînement, depuis le matériel, le logiciel de base, le 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 coopération approfondie permet d'atteindre une efficacité optimale en matière de partage de mémoire, de synchronisation des gradients et de mécanismes de tolérance aux pannes, ce qui la rend particulièrement adaptée à l'entraînement de modèles à grande échelle comme GPT et Gemini, avec des avantages en termes d'efficacité et de contrôle des ressources, mais pose en même temps des problèmes de monopole des données, de barrières à l'entrée, de consommation d'énergie et de risques de point de défaillance.

L'entraînement distribué est la méthode principale pour l'entraînement de grands modèles actuellement. Son cœur est de décomposer les tâches d'entraînement du modèle, puis de les distribuer à plusieurs machines pour une exécution collaborative, afin de surmonter les goulets d'étranglement en matière de calcul et de stockage sur une seule machine. Bien qu'il possède physiquement des caractéristiques "distribuées", l'ensemble est toujours contrôlé et synchronisé par une institution centralisée, fonctionnant souvent dans un environnement de réseau local à haute vitesse, grâce à la technologie de bus interconnecté à haute vitesse NVLink, avec un nœud principal coordonnant de manière unifiée les sous-tâches. Les méthodes principales incluent :

• Données parallèles : chaque nœud entraîne des paramètres de données différents, partageant les poids du modèle, nécessitant une correspondance.
• Parallélisme de modèle : déployer différentes parties du modèle sur différents nœuds pour réaliser une forte extensibilité
• Pipeline parallèle : 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", semblable à un même patron dirigeant à distance plusieurs employés de "bureau" pour collaborer à l'accomplissement de tâches. Actuellement, presque tous les grands modèles principaux (GPT-4, Gemini, LLaMA, etc. ) sont formés de cette manière.

La formation décentralisée représente un chemin futur plus ouvert et résistant à la censure. Ses caractéristiques clés sont : plusieurs nœuds qui ne se font pas confiance ( peuvent être des ordinateurs de bureau, des GPU cloud ou des dispositifs en périphérie ) travaillant ensemble pour accomplir des tâches d'entraînement sans coordinateur central, généralement en utilisant des protocoles pour distribuer et collaborer sur les tâches, et en s'appuyant sur des mécanismes d'incitation cryptographique pour garantir l'honnêteté des contributions. Les principaux défis auxquels ce modèle est confronté incluent :

• Hétérogénéité des dispositifs et difficulté de partitionnement : la coordination des dispositifs hétérogènes est difficile, l'efficacité du partitionnement des tâches est faible.
• Goulot d'étranglement de l'efficacité de communication : communication réseau instable, goulot d'étranglement de synchronisation de gradient évident
• Manque d'exécution fiable : absence d'un environnement d'exécution fiable, rendant difficile la vérification de la véritable participation des nœuds au calcul.
• Manque de coordination unifiée : pas de centralisateur, distribution des tâches, mécanisme de retour d'exception complexe

L'entraînement décentralisé peut être compris comme : un groupe de bénévoles du monde entier, chacun contribuant de la puissance de calcul pour entraîner le modèle de manière collaborative, mais "le véritable entraînement décentralisé à grande échelle" demeure un défi systémique, impliquant l'architecture des systèmes, les protocoles de communication, la sécurité cryptographique, les mécanismes économiques, la validation des modèles, etc. Cependant, la question de savoir si cela peut être "collaboratif et efficace + incitatif à l'honnêteté + résultats corrects" est encore à un stade précoce d'exploration des 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. Il est adapté aux scénarios où la conformité à la vie privée est primordiale, comme dans les domaines médical et financier (. L'apprentissage fédéré possède la structure d'ingénierie de l'entraînement distribué et la capacité de collaboration locale, tout en bénéficiant de l'avantage de la dispersion des données de l'entraînement décentralisé. Cependant, il dépend toujours d'une partie de coordination de confiance et ne possède pas de caractéristiques totalement ouvertes et résistantes à la censure. Il peut être considéré comme une solution de "décentralisation contrôlée" dans des scénarios de conformité à la vie privée, relativement modérée en termes de tâches d'entraînement, de structures de confiance et de mécanismes de communication, et est donc plus adapté en tant qu'architecture de déploiement transitoire dans l'industrie.

![Le Saint Graal de Crypto AI : Exploration à la pointe de l'entraînement décentralisé])https://img-cdn.gateio.im/webp-social/moments-adb92bc4dfbaf26863cb0b4bb1081cd7.webp(

Décentralisation des limites, opportunités et chemins réalistes de la formation

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 n'est naturellement pas approprié de les réaliser efficacement entre des nœuds hétérogènes et sans confiance. Par exemple, l'entraînement de grands modèles dépend souvent d'une haute mémoire vidéo, d'une faible latence et d'une bande passante élevée, ce qui rend difficile une découpe et une synchronisation efficaces sur un réseau ouvert ; des tâches avec des restrictions strictes en matière de confidentialité des données et de souveraineté, telles que la santé, la finance, et les données sensibles, sont limitées par des contraintes légales et éthiques, ce qui empêche un partage ouvert ; et des tâches sans base d'incitation à la collaboration, telles que l'entraînement de modèles propriétaires d'entreprise ou de prototypes internes, manquent de motivation pour la participation externe. Ces frontières constituent ensemble les limites réalistes de l'entraînement décentralisé actuel.

Mais cela ne signifie pas que l'entraînement décentralisé est un faux problème. En fait, pour les types de tâches légères, faciles à paralléliser et incitatives, l'entraînement décentralisé montre des perspectives d'application claires. Cela inclut, mais sans s'y limiter : le fine-tuning LoRA, les tâches d'entraînement post-formation de type alignement comportemental comme RLHF, DPO), les tâches d'entraînement et d'annotation par crowdsourcing, l'entraînement de petits modèles de base contrôlables en ressources, ainsi que des scénarios d'entraînement collaboratif impliquant des dispositifs en périphérie. Ces tâches présentent généralement des caractéristiques de haute parallélisme, de faible couplage et de tolérance à l'hétérogénéité des capacités de calcul, ce qui les rend très adaptées à l'entraînement collaboratif via des réseaux P2P, des protocoles Swarm, des optimisateurs distribués, etc.

Décentralisation entraînement classique projet analyse

Actuellement, dans le domaine de l'entraînement décentralisé 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 technique, Prime Intellect, Nous Research et Pluralis.ai ont proposé de nombreuses explorations originales dans la conception de systèmes et d'algorithmes, représentant les directions de recherche théorique à la pointe; tandis que les chemins de mise en œuvre de Gensyn et Flock.io sont relativement clairs, montrant déjà des progrès d'ingénierie préliminaires. Cet article analysera successivement les technologies et l'architecture d'ingénierie sous-jacentes de ces cinq projets, et explorera davantage leurs différences et leurs relations complémentaires dans le système d'entraînement AI décentralisé.

( Prime Intellect: pionnier des réseaux collaboratifs d'apprentissage renforcé avec trajectoires d'entraînement vérifiables

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 sa contribution computationnelle. Prime Intellect souhaite, à travers les trois grands modules PRIME-RL + TOPLOC + SHARDCAST, construire un système d'entraînement d'IA décentralisé avec vérifiabilité, ouverture et mécanisme d'incitation complet.

)# 01、Valeur de la structure de la pile de protocoles Prime Intellect et des modules clés

(# 02, Explication détaillée des mécanismes clés de formation de Prime Intellect

#PRIME-RL: Architecture de tâche de renforcement asynchrone découplée

PRIME-RL est un cadre de modélisation et d'exécution de tâches personnalisé par Prime Intellect pour des scénarios d'entraînement décentralisés, conçu spécifiquement pour des réseaux hétérogènes et une participation asynchrone. Il utilise l'apprentissage par renforcement comme objet d'adaptation prioritaire, découplant structurellement les processus d'entraînement, d'inférence et de téléchargement de poids, permettant à chaque nœud d'entraînement de compléter indépendamment la boucle de tâches localement et de collaborer via des interfaces standardisées avec des mécanismes de validation et d'agrégation. Comparé aux processus d'apprentissage supervisé traditionnels, PRIME-RL est plus adapté à la mise en œuvre d'un entraînement flexible dans un environnement sans planification centrale, réduisant ainsi la complexité du système et posant les bases pour le soutien à l'exécution parallèle de multiples tâches et à l'évolution des stratégies.

#TOPLOC:Mécanisme de validation de comportement d'entraînement léger

TOPLOC)Observation de Confiance et Vérification de Localité### est un mécanisme central de vérifiabilité de formation proposé par Prime Intellect, utilisé pour déterminer si un nœud a réellement accompli un apprentissage de stratégie valide basé sur des données d'observation. Contrairement à des solutions lourdes comme ZKML, TOPLOC ne dépend pas du recalcul complet du modèle, mais analyse les trajectoires de cohérence locale entre "séquences d'observation ↔ mise à jour de stratégie" pour réaliser une vérification de structure légère. Il transforme pour la première fois les trajectoires de comportement au cours du processus de formation en objets vérifiables, ce qui constitue une innovation clé pour réaliser une distribution de récompenses d'apprentissage sans confiance, et fournit une voie réalisable pour construire un réseau de formation coopératif décentralisé, auditable et incitatif.

#SHARDCAST: Protocole de regroupement et de propagation de poids asynchrone

SHARDCAST est un protocole de propagation et d'agrégation de poids conçu par Prime Intellect, optimisé pour des environnements de réseau réels asynchrones, à bande passante limitée et avec des états de nœud variés. Il combine un mécanisme de propagation gossip avec une stratégie de synchronisation locale, permettant à plusieurs nœuds de soumettre continuellement des mises à jour partielles dans des états non synchronisés, réalisant une convergence progressive des poids et une évolution multi-version. Par rapport aux méthodes AllReduce centralisées ou synchronisées, SHARDCAST améliore considérablement l'évolutivité et la tolérance aux pannes de l'entraînement décentralisé, constituant la base fondamentale pour établir un consensus stable sur les poids et un entraînement itératif continu.

#OpenDiLoCo: Cadre de communication asynchrone sparse

OpenDiLoCo est un cadre d'optimisation de communication réalisé de manière indépendante et open source par l'équipe Prime Intellect, basé sur le concept DiLoCo proposé par DeepMind, conçu spécifiquement pour relever les défis courants de formation décentralisée tels que la bande passante limitée, l'hétérogénéité des appareils et l'instabilité des nœuds. Son architecture est basée sur la parallélisation des données, en construisant des structures topologiques éparses telles que Ring, Expander et Small-World, ce qui évite les coûts de communication élevés liés à la synchronisation globale, ne dépendant que des nœuds voisins locaux pour effectuer un entraînement collaboratif du modèle. En combinant mises à jour asynchrones et mécanismes de tolérance aux pannes, OpenDiLoCo permet aux GPU grand public et aux dispositifs edge de participer de manière stable aux tâches d'entraînement, améliorant considérablement la participation à l'entraînement collaboratif mondial, et constitue l'une des infrastructures de communication clés pour construire un réseau de formation décentralisé.

#PCCL: Bibliothèque de communication collaborative

PCCL###Prime Collective Communication Library( est une bibliothèque de communication légère conçue sur mesure par Prime Intellect pour un environnement d'entraînement AI décentralisé, visant à résoudre les goulets d'étranglement d'adaptation des bibliothèques de communication traditionnelles ) telles que NCCL, Gloo### dans des dispositifs hétérogènes et des réseaux à faible bande passante. PCCL prend en charge des topologies éparses, la compression des gradients, la synchronisation à faible précision et la récupération à partir de points de contrôle, et peut fonctionner sur des GPU grand public et des nœuds instables. C'est un composant de base qui soutient la capacité de communication asynchrone du protocole OpenDiLoCo. Il améliore considérablement la tolérance à la bande passante et la compatibilité des dispositifs du réseau d'entraînement, ouvrant la voie à la communication de "dernier kilomètre" pour construire un véritable réseau d'entraînement collaboratif ouvert et sans confiance.

(# 03、Prime Intellect incitations réseau et répartition des rôles

Prime Intellect a construit un réseau d'entraînement sans autorisation, vérifiable et doté d'un mécanisme d'incitation économique, permettant à quiconque de participer aux tâches et de recevoir des récompenses en fonction de contributions réelles. Le protocole fonctionne sur la base de trois types de rôles clés :

• Initiateur de la tâche : définir l'environnement d'entraînement, le modèle initial, la fonction de récompense et les critères de validation
• Nœud d'entraînement : exécuter l'entraînement local, soumettre les mises à jour de poids et les trajectoires d'observation
• Nœud de validation : utiliser le mécanisme TOPLOC pour vérifier la véracité des comportements d'entraînement et participer au calcul des récompenses et à l'agrégation des stratégies.

Le processus central du protocole comprend la publication de tâches, l'entraînement des nœuds, la validation des trajectoires, l'agrégation des poids )SHARDCAST( et la distribution des récompenses, formant un cercle incitatif autour du "comportement d'entraînement réel".

![Le Saint Graal de l'IA Crypto : exploration à la pointe de l'entraînement décentralisé])