Cốc thánh của Crypto AI: Khám phá tiên phong về đào tạo Phi tập trung

Trong toàn bộ chuỗi giá trị của AI, đào tạo mô hình là giai đoạn tiêu tốn tài nguyên nhiều nhất và có ngưỡng kỹ thuật cao nhất, quyết định trực tiếp giới hạn khả năng của mô hình và hiệu quả ứng dụng thực tế. So với giai đoạn suy luận với việc gọi nhẹ nhàng, quá trình đào tạo cần đầu tư tính toán quy mô lớn liên tục, quy trình xử lý dữ liệu phức tạp và hỗ trợ thuật toán tối ưu hóa cường độ cao, là "ngành công nghiệp nặng" thực sự trong việc xây dựng hệ thống AI. Từ quan điểm về mô hình kiến trúc, phương pháp đào tạo có thể được chia thành bốn loại: đào tạo tập trung, đào tạo phân tán, học liên bang và phương pháp đào tạo Phi tập trung mà bài viết này sẽ tập trung thảo luận.

Đào tạo tập trung là phương pháp truyền thống phổ biến nhất, được thực hiện bởi một tổ chức duy nhất trong cụm hiệu suất cao tại chỗ, hoàn thành toàn bộ quy trình đào tạo, từ phần cứng, phần mềm nền tảng, hệ thống lập lịch cụm, đến tất cả các thành phần của khung đào tạo đều được điều phối hoạt động bởi một hệ thống kiểm soát thống nhất. Kiến trúc phối hợp sâu sắc này giúp hiệu quả của việc chia sẻ bộ nhớ, đồng bộ hóa độ dốc và cơ chế chịu lỗi đạt tối ưu, rất phù hợp cho việc đào tạo các mô hình quy mô lớn như GPT, Gemini, với những lợi thế về hiệu suất cao và kiểm soát tài nguyên, nhưng đồng thời cũng tồn tại các vấn đề như độc quyền dữ liệu, rào cản tài nguyên, tiêu thụ năng lượng và rủi ro điểm đơn.

Huấn luyện phân tán là cách thức chính để huấn luyện mô hình lớn hiện nay, cốt lõi của nó là phân chia nhiệm vụ huấn luyện mô hình và phân phối tới nhiều máy để thực hiện phối hợp, nhằm vượt qua các nút thắt trong tính toán và lưu trữ của một máy đơn. Mặc dù về mặt vật lý có đặc điểm "Phi tập trung", nhưng tổng thể vẫn được kiểm soát, điều phối và đồng bộ bởi các tổ chức trung tâm, thường hoạt động trong môi trường mạng cục bộ tốc độ cao, thông qua công nghệ bus liên kết tốc độ cao NVLink, do nút chính phối hợp các nhiệm vụ con một cách thống nhất. Các phương pháp chính bao gồm:

• Dữ liệu song song: Mỗi nút đào tạo các tham số dữ liệu khác nhau, chia sẻ trọng số mô hình, cần phải khớp.
• Song song mô hình: Triển khai các phần khác nhau của mô hình trên các nút khác nhau, đạt được khả năng mở rộng mạnh mẽ.
• Ống song song: thực hiện tuần tự theo giai đoạn, tăng thông lượng
• Song song tensor: phân đoạn tinh vi phép toán ma trận, nâng cao độ phân giải song song

Đào tạo phân tán là sự kết hợp của "kiểm soát tập trung + thực thi phân tán", tương tự như việc cùng một ông chủ chỉ huy từ xa nhiều nhân viên "văn phòng" hợp tác để hoàn thành nhiệm vụ. Hiện tại, hầu hết các mô hình lớn chính (GPT-4, Gemini, LLaMA và nhiều mô hình khác ) đều được đào tạo theo cách này.

Phi tập trung huấn luyện thì đại diện cho con đường tương lai với tính mở và khả năng kháng kiểm duyệt cao hơn. Đặc điểm cốt lõi của nó là: nhiều nút không tin cậy ( có thể là máy tính gia đình, GPU đám mây hoặc thiết bị biên ) hợp tác thực hiện các nhiệm vụ huấn luyện mà không cần có bộ điều phối trung tâm, thường thông qua giao thức để điều phối phân phát nhiệm vụ và hợp tác, và nhờ vào cơ chế khuyến khích mã hóa để đảm bảo tính trung thực của sự đóng góp. Các thách thức chính mà mô hình này phải đối mặt bao gồm:

• Thiết bị khác nhau và khó khăn trong việc phân chia: Khó khăn trong việc phối hợp thiết bị khác nhau, hiệu quả phân chia nhiệm vụ thấp
• Đường truyền hiệu quả bị nghẽn: Giao tiếp mạng không ổn định, nghẽn điểm đồng bộ độ dốc rõ rệt
• Thiếu thực thi đáng tin cậy: Thiếu môi trường thực thi đáng tin cậy, khó xác minh xem nút có thực sự tham gia tính toán hay không
• Thiếu sự phối hợp thống nhất: không có bộ điều phối trung ương, phân phối nhiệm vụ, cơ chế quay lại bất thường phức tạp

Huấn luyện Phi tập trung có thể hiểu là: một nhóm tình nguyện viên toàn cầu, mỗi người đóng góp sức mạnh tính toán để cùng nhau huấn luyện mô hình, nhưng "huấn luyện Phi tập trung quy mô lớn thực sự khả thi" vẫn là một thách thức kỹ thuật hệ thống, liên quan đến kiến trúc hệ thống, giao thức truyền thông, an ninh mật mã, cơ chế kinh tế, xác minh mô hình và nhiều khía cạnh khác, nhưng liệu có thể "hợp tác hiệu quả + khuyến khích trung thực + kết quả đúng đắn" vẫn đang trong giai đoạn khám phá nguyên mẫu ban đầu.

Học liên bang như một hình thức chuyển tiếp giữa phân phối và Phi tập trung, nhấn mạnh việc giữ lại dữ liệu tại địa phương, tập trung tổng hợp các tham số mô hình, phù hợp với các tình huống chú trọng vào tuân thủ quyền riêng tư như y tế, tài chính. Học liên bang có cấu trúc kỹ thuật của đào tạo phân phối và khả năng hợp tác cục bộ, đồng thời có lợi thế phân tán dữ liệu của đào tạo Phi tập trung, nhưng vẫn phụ thuộc vào các bên điều phối đáng tin cậy, không có đặc tính hoàn toàn mở và chống kiểm duyệt. Có thể coi đây là một giải pháp "Phi tập trung có kiểm soát" trong các tình huống tuân thủ quyền riêng tư, với các nhiệm vụ đào tạo, cấu trúc tin cậy và cơ chế giao tiếp đều tương đối ôn hòa, thích hợp hơn như một kiến trúc triển khai chuyển tiếp cho ngành công nghiệp.

Phi tập trung đào tạo các ranh giới, cơ hội và con đường thực tế

Từ góc độ quy phạm đào tạo, đào tạo phi tập trung không phù hợp với tất cả các loại nhiệm vụ. Trong một số tình huống, do cấu trúc nhiệm vụ phức tạp, nhu cầu tài nguyên cực kỳ cao hoặc độ khó hợp tác lớn, nó tự nhiên không phù hợp để hoàn thành một cách hiệu quả giữa các nút không đồng nhất và không cần tin cậy. Ví dụ, đào tạo mô hình lớn thường phụ thuộc vào bộ nhớ cao, độ trễ thấp và băng thông cao, khó có thể chia nhỏ và đồng bộ một cách hiệu quả trong mạng mở; nhiệm vụ có các hạn chế mạnh về quyền riêng tư dữ liệu và chủ quyền ( như y tế, tài chính, và dữ liệu nhạy cảm ) bị hạn chế bởi quy định pháp lý và ràng buộc đạo đức, không thể chia sẻ mở; trong khi các nhiệm vụ thiếu cơ sở khuyến khích hợp tác ( như mô hình đóng nguồn của doanh nghiệp hoặc đào tạo nguyên mẫu nội bộ ) lại thiếu động lực tham gia từ bên ngoài. Những ranh giới này tạo thành những hạn chế thực tế hiện tại của đào tạo phi tập trung.

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

![Cốc thánh của Crypto AI: Khám phá tiên phong trong đào tạo Phi tập trung])https://img-cdn.gateio.im/webp-social/moments-69eb6c2dab3d6284b890285c71e7a47f.webp(

Phi tập trung训练经典项目解析

Hiện tại, trong lĩnh vực đào tạo Phi tập trung và học liên bang, các dự án blockchain tiêu biểu chủ yếu bao gồm Prime Intellect, Pluralis.ai, Gensyn, Nous Research và Flock.io. Xét về tính đổi mới công nghệ và độ khó trong việc hiện thực hóa, Prime Intellect, Nous Research và Pluralis.ai đã đưa ra nhiều khám phá nguyên bản trong thiết kế hệ thống và thuật toán, đại diện cho hướng nghiên cứu lý thuyết tiên tiến hiện nay; trong khi đó, con đường hiện thực hóa của Gensyn và Flock.io tương đối rõ ràng, đã có thể thấy những tiến bộ ban đầu trong việc hiện thực hóa. Bài viết này sẽ lần lượt phân tích công nghệ cốt lõi và kiến trúc kỹ thuật của năm dự án này, và tiếp tục thảo luận về sự khác biệt và mối quan hệ bổ sung của chúng trong hệ thống đào tạo AI Phi tập trung.

![Cốc thánh của Crypto AI: Khám phá tiên phong trong đào tạo Phi tập trung])https://img-cdn.gateio.im/webp-social/moments-b11af8d10db6e8baa0c19e87aa18dd82.webp(

) Prime Intellect: nhà tiên phong mạng lưới hợp tác học tăng cường có thể xác minh được quá trình huấn luyện

Prime Intellect cam kết xây dựng một mạng lưới huấn luyện AI không cần tin tưởng, cho phép bất kỳ ai cũng có thể tham gia huấn luyện và nhận được phần thưởng đáng tin cậy cho những đóng góp tính toán của mình. Prime Intellect hy vọng thông qua ba mô-đun PRIME-RL + TOPLOC + SHARDCAST, xây dựng một hệ thống huấn luyện AI Phi tập trung có tính khả thi, cởi mở và đầy đủ cơ chế khuyến khích.

(# 01、Cấu trúc ngăn xếp giao thức Prime Intellect và giá trị các mô-đun chính

![Chén thánh của Crypto AI: Khám phá tiên phong về đào tạo phi tập trung])https://img-cdn.gateio.im/webp-social/moments-0a322ea8b70c3d00d8d99606559c1864.webp###

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

#PRIME-RL: Kiến trúc nhiệm vụ học tăng cường bất đồng bộ phân tách

PRIME-RL là khung mô hình và thực hiện nhiệm vụ được Prime Intellect tùy chỉnh cho các kịch bản đào tạo Phi tập trung, được thiết kế đặc biệt cho mạng lưới dị thường và sự tham gia không đồng bộ. Nó sử dụng học tăng cường như đối tượng thích ứng ưu tiên, cấu trúc tách rời quy trình đào tạo, suy diễn và tải trọng, cho phép mỗi nút đào tạo hoàn thành vòng lặp nhiệm vụ độc lập tại chỗ và phối hợp thông qua giao diện tiêu chuẩn hóa với cơ chế xác thực và tổng hợp. So với quy trình học giám sát truyền thống, PRIME-RL thích hợp hơn để thực hiện đào tạo linh hoạt trong môi trường không có điều độ trung tâm, vừa giảm độ phức tạp của hệ thống, vừa đặt nền tảng cho việc hỗ trợ đa nhiệm song song và tiến hóa chiến lược.

#TOPLOC:Cơ chế xác minh hành vi đào tạo nhẹ

TOPLOC(Quan sát Đáng tin cậy & Kiểm tra Địa phương) là cơ chế cốt lõi đào tạo có thể xác minh do Prime Intellect đề xuất, dùng để xác định xem một nút có thực sự hoàn thành việc học chính sách hiệu quả dựa trên dữ liệu quan sát hay không. Khác với các phương án nặng nề như ZKML, TOPLOC không phụ thuộc vào việc tính toán lại toàn bộ mô hình, mà hoàn thành việc xác minh cấu trúc nhẹ bằng cách phân tích "chuỗi quan sát ↔ cập nhật chính sách" giữa các quỹ đạo nhất quán cục bộ. Nó lần đầu tiên chuyển đổi các quỹ đạo hành vi trong quá trình đào tạo thành các đối tượng có thể xác minh, là đổi mới chính để thực hiện phân phối phần thưởng đào tạo không cần tin cậy, cung cấp con đường khả thi cho việc xây dựng mạng lưới đào tạo hợp tác phi tập trung có thể kiểm toán và có thể khuyến khích.

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

SHARDCAST là giao thức truyền tải trọng số và tập hợp được thiết kế bởi Prime Intellect, tối ưu hóa cho môi trường mạng thực sự với bất đồng bộ, băng thông hạn chế và trạng thái nút biến đổi. Nó kết hợp cơ chế truyền tin gossip và chiến lược đồng bộ cục bộ, cho phép nhiều nút tiếp tục gửi các cập nhật một phần trong trạng thái không đồng bộ, đạt được sự hội tụ dần dần của trọng số và tiến hóa nhiều phiên bản. So với các phương pháp AllReduce tập trung hoặc đồng bộ, SHARDCAST nâng cao đáng kể khả năng mở rộng và khả năng chịu lỗi của đào tạo Phi tập trung, là nền tảng cốt lõi để xây dựng sự đồng thuận trọng số ổn định và lặp lại đào tạo liên tục.

#OpenDiLoCo: Khung giao tiếp bất đối xứng thưa thớt

OpenDiLoCo là một khung tối ưu hóa giao tiếp được nhóm Prime Intellect độc lập thực hiện và mã nguồn mở dựa trên ý tưởng DiLoCo do DeepMind đề xuất, được thiết kế đặc biệt để đối phó với những thách thức phổ biến trong đào tạo phi tập trung như hạn chế băng thông, thiết bị không đồng nhất và độ ổn định của nút. Kiến trúc của nó dựa trên sự phân phối dữ liệu, thông qua việc xây dựng các cấu trúc topo thưa như Ring, Expander, và Small-World, tránh được chi phí giao tiếp cao của đồng bộ toàn cầu, chỉ phụ thuộc vào các nút láng giềng cục bộ để hoàn thành việc đào tạo mô hình hợp tác. Kết hợp với cập nhật không đồng bộ và cơ chế chịu lỗi điểm dừng, OpenDiLoCo cho phép GPU tiêu dùng và thiết bị biên cũng có thể tham gia ổn định vào các nhiệm vụ đào tạo, nâng cao đáng kể khả năng tham gia vào đào tạo hợp tác toàn cầu, là một trong những cơ sở hạ tầng giao tiếp then chốt để xây dựng mạng lưới đào tạo phi tập trung.

#PCCL: Thư viện giao tiếp phối hợp

PCCL###Prime Collective Communication Library( là thư viện giao tiếp nhẹ được Prime Intellect thiết kế riêng cho môi trường đào tạo AI phi tập trung, nhằm giải quyết các nút thắt thích ứng của các thư viện giao tiếp truyền thống) như NCCL, Gloo( trong các thiết bị không đồng nhất và mạng băng thông thấp. PCCL hỗ trợ topology thưa, nén gradient, đồng bộ độ chính xác thấp và khôi phục điểm dừng, có thể chạy trên GPU tiêu dùng và các nút không ổn định, là thành phần nền tảng hỗ trợ khả năng giao tiếp bất đồng bộ của giao thức OpenDiLoCo. Nó cải thiện đáng kể khả năng chịu băng thông của mạng đào tạo và tương thích thiết bị, mở ra "km cuối" cho cơ sở giao tiếp của mạng đào tạo hợp tác thực sự mở và không cần tin cậy.

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

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

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

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

![Cúp thánh của Crypto AI: Khám phá tiên phong về đào tạo Phi tập trung]###