Le Saint Graal de Crypto AI : Exploration à la pointe de la formation décentralisée

Dans l'ensemble de la chaîne de valeur de l'IA, l'entraînement des modèles est l'étape qui consomme le plus de ressources et qui présente le plus haut niveau de technicité, déterminant directement le plafond des capacités du modèle et l'efficacité de son application réelle. Par rapport 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 de données complexes et un soutien d'algorithmes d'optimisation intensifs, ce qui en fait une véritable "industrie lourde" dans 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 fédéral 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 composants matériels, des logiciels de base, du système de répartition du cluster jusqu'au cadre d'entraînement, est coordonné par un système de contrôle unifié. Cette architecture de collaboration profonde permet d'optimiser 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 tels que GPT et Gemini, avec des avantages en termes d'efficacité élevée et de contrôle des ressources. Cependant, elle présente également des problèmes tels que le monopole des données, les barrières à l'entrée, la consommation d'énergie et le risque de point de défaillance.

L'entraînement distribué est la méthode dominante pour l'entraînement de grands modèles, son cœur réside dans le décomposition des tâches d'entraînement du modèle, qui sont ensuite réparties sur plusieurs machines pour une exécution collaborative, afin de surmonter les limites de calcul et de stockage d'une seule machine. Bien qu'il possède des caractéristiques "décentralisées" sur le plan physique, 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 interconnecté haute vitesse NVLink, avec un nœud principal coordonnant unifié les sous-tâches. Les méthodes dominantes comprennent :

• Données parallèles : chaque nœud entraîne des données différentes avec des paramètres partagés, nécessitant une correspondance des poids du modèle.
• Parallélisme de modèle : déployer différentes parties du modèle sur différents nœuds pour réaliser une grande extensibilité
• Pipeline parallèle : exécution en série par étapes, augmentation du débit
• Parallélisation de tenseurs : segmentation raffinée des calculs matriciels, amélioration de la granularité de parallélisme

L'entraînement distribué est une combinaison de "contrôle centralisé + exécution distribuée", comparable à un même patron dirigeant à distance plusieurs employés dans des "bureaux" pour accomplir une tâche. Actuellement, presque tous les grands modèles principaux sont entraînés de cette manière.

La formation décentralisée représente une voie future plus ouverte et résistante à la censure. Ses caractéristiques clés comprennent : plusieurs nœuds mutuellement non fiables ( pouvant être des ordinateurs personnels, des GPU cloud ou des dispositifs en périphérie ) collaborant pour réaliser des tâches de formation sans coordinateur central, généralement en utilisant des protocoles pour distribuer les tâches et collaborer, 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 difficultés de découpage : difficulté de coordination des appareils hétérogènes, faible efficacité de découpage des tâches.
• Goulots d'étranglement de l'efficacité de communication : communication réseau instable, goulot d'étranglement de synchronisation de gradient évident
• Exécution fiable manquante : manque d'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, mécanisme de rollback des exceptions complexe

La formation décentralisée peut être comprise comme : un groupe de bénévoles du monde entier qui contribuent chacun à la puissance de calcul pour former le modèle de manière collaborative, mais "la véritable formation décentralisée à grande échelle réalisable" reste un défi systémique, 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 + incitatif à l'honnêteté + résultats corrects" en est encore au stade de l'exploration des prototypes précoces.

L'apprentissage fédéré, en tant que forme intermédiaire entre la distribution et la Décentralisation, met l'accent sur la conservation locale des données et l'agrégation centralisée des paramètres du modèle, adapté aux scénarios axés sur la conformité à la vie privée, tels que la santé et la finance. L'apprentissage fédéré possède la structure d'ingénierie de l'entraînement distribué et la capacité de collaboration locale, tout en bénéficiant des avantages de la dispersion des données d'un entraînement décentralisé, mais il dépend toujours d'un coordinateur de confiance et ne possède pas de caractéristiques complètement ouvertes et résistantes à la censure. Il peut être considéré comme une solution "décentralisée contrôlée" dans des scénarios de conformité à la vie privée, avec des tâches d'entraînement, une structure de confiance et un mécanisme de communication relativement modérés, plus adaptés comme architecture de déploiement transitoire dans l'industrie.

Décentralisation des limites, opportunités et chemins réels de la formation

D'un point de vue des paradigmes d'entraînement, la formation décentralisée 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, elle n'est pas naturellement adaptée à être réalisée efficacement entre des nœuds hétérogènes et non fiables. Par exemple, l'entraînement de grands modèles dépend souvent de haute mémoire vidéo, de faible latence et de bande passante élevée, ce qui rend difficile la découpe et la synchronisation efficaces sur un réseau ouvert ; les tâches soumises à des restrictions fortes en matière de confidentialité des données et de souveraineté sont limitées par des contraintes légales et éthiques, ne pouvant être partagées ouvertement ; tandis que les tâches manquant d'incitations à la collaboration n'ont pas de motivation externe à la participation. Ces frontières constituent ensemble les limitations réelles de la formation décentralisée actuelle.

Mais cela ne signifie pas que l'entraînement décentralisé est un faux problème. En fait, dans le cas de types de tâches légères en structure, faciles à paralléliser et incitatives, l'entraînement décentralisé montre des perspectives d'application claires. Y compris, mais sans s'y limiter : le fine-tuning LoRA, des tâches d'entraînement post-formation alignées sur le comportement comme RLHF, DPO(, des 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 appareils en périphérie. 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 un entraînement collaboratif via des réseaux P2P, des protocoles Swarm, des optimiseurs distribués, etc.

![Saint Graal de la Crypto AI : exploration à la pointe de l'entraînement décentralisé])https://img-cdn.gateio.im/webp-social/moments-a8004f094fff74515470052b3a24617c.webp(

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 technique 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 de recherche théorique à la pointe; tandis que les voies de mise en œuvre de Gensyn et Flock.io sont relativement claires, des progrès d'ingénierie préliminaires peuvent déjà être observés. Cet article analysera successivement les technologies clés et les architectures d'ingénierie derrière ces cinq projets, et explorera davantage leurs différences et leurs relations complémentaires dans le système d'entraînement AI décentralisé.

) Prime Intellect : Pion des réseaux de collaboration d'apprentissage par renforcement vérifiables par la trajectoire d'entraînement

Prime Intellect s'engage à construire un réseau d'entraînement AI sans confiance, permettant à quiconque de participer à l'entraînement et de recevoir des récompenses fiables pour ses contributions de calcul. Prime Intellect souhaite, à travers les trois grands modules PRIME-RL + TOPLOC + SHARDCAST, établir un système d'entraînement AI décentralisé doté de vérifiabilité, d'ouverture et d'un mécanisme d'incitation complet.

(# 01、Structure de la pile de protocoles Prime Intellect et valeur des modules clés

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

02, Explication détaillée des mécanismes clés de l'entraînement de Prime Intellect

#PRIME-RL: Architecture de tâche d'apprentissage par 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. Par rapport aux processus d'apprentissage supervisé traditionnels, PRIME-RL est plus adapté pour réaliser un entraînement flexible dans un environnement sans planification centrale, réduisant ainsi la complexité du système et jetant les bases pour prendre en charge le parallélisme multitâche et l'évolution des stratégies.

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

TOPLOC est un mécanisme de noyau de vérifiabilité de formation proposé par Prime Intellect, utilisé pour déterminer si un nœud a réellement effectué un apprentissage de stratégie efficace 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 "séquence d'observation ↔ mise à jour de stratégie" pour réaliser une vérification de structure allégée. Il transforme pour la première fois les trajectoires de comportement durant le processus d'entraînement en objets vérifiables, représentant une innovation clé pour la répartition des récompenses d'entraînement sans confiance, et fournit une voie praticable pour construire un réseau d'entraînement collaboratif décentralisé, auditable et incitatif.

#SHARDCAST: Protocole d'agrégation et de propagation de poids asynchrone

SHARDCAST est un protocole de diffusion et d'agrégation de poids conçu par Prime Intellect, optimisé pour des environnements réseau réels asynchrones, à bande passante limitée et avec des états de nœuds changeants. Il combine un mécanisme de diffusion par gossip et une stratégie de synchronisation locale, permettant à plusieurs nœuds de soumettre en continu des mises à jour partielles dans des états désynchronisés, réalisant ainsi 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 essentielle pour établir un consensus de poids stable et des itérations d'entraînement continues.

#OpenDiLoCo: Cadre de communication asynchrone sparse

OpenDiLoCo est un cadre d'optimisation de communication développé de manière indépendante et open source par l'équipe Prime Intellect, basé sur le concept DiLoCo proposé par DeepMind. Il est spécialement conçu pour relever les défis courants dans l'entraînement décentralisé, tels que les contraintes de bande passante, l'hétérogénéité des dispositifs et l'instabilité des nœuds. Son architecture est basée sur la parallélisation des données, en construisant des structures topologiques rares telles que Ring, Expander et Small-World, évitant ainsi les coûts de communication élevés associés à la synchronisation globale, et s'appuyant uniquement sur les nœuds voisins locaux pour réaliser un entraînement collaboratif du modèle. En combinant des mises à jour asynchrones et un mécanisme de tolérance aux pannes, OpenDiLoCo permet aux GPU grand public et aux dispositifs en périphérie de participer de manière stable aux tâches d'entraînement, améliorant ainsi considérablement la participation à l'entraînement collaboratif mondial, et constitue l'une des infrastructures de communication clés pour construire un réseau d'entraînement décentralisé.

#PCCL: Bibliothèque de communication collaborative

PCCL 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 sur des dispositifs hétérogènes et des réseaux à faible bande passante. PCCL prend en charge les topologies clairsemées, la compression des gradients, la synchronisation de faible précision et la reprise après interruption, et peut fonctionner sur des GPU grand public et des nœuds instables, constituant un composant de base pour 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 "dernière étape" de l'infrastructure de communication 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 à des 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 un entraînement local, soumettre des mises à jour de poids et des trajectoires d'observation
• Nœuds de validation : utiliser le mécanisme TOPLOC pour vérifier l'authenticité des comportements d'entraînement et participer au calcul des récompenses et à l'agrégation des stratégies.

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

![Le Saint Graal de Crypto AI : exploration à la pointe de la formation décentralisée]###https://img-cdn.gateio.im/webp-social/moments-69eb6c2dab3d6284b890285c71e7a47f.webp(

)# 04, INTELLECT-2 : Lancement du premier modèle d'entraînement décentralisé vérifiable

Prime Intellect a lancé INTELLECT-2 en mai 2025, qui est le premier grand modèle d'apprentissage renforcé au monde formé par une collaboration de nœuds décentralisés asynchrones et sans confiance, avec une échelle de paramètres atteignant 32B. Le modèle INTELLECT-2 a été entraîné par plus de 100 nœuds GPU hétérogènes répartis sur trois continents, utilisant une architecture entièrement asynchrone, avec une durée d'entraînement de plus de 400 heures, démontrant la faisabilité et la stabilité d'un réseau de collaboration asynchrone. Ce modèle représente non seulement une percée en termes de performances, mais aussi la première mise en œuvre systématique du paradigme "l'entraînement c'est le consensus" proposé par Prime Intellect. INTELLECT-2 intègre les modules de protocole clés tels que la structure d'entraînement asynchrone PRIME-RL(, la validation des comportements d'entraînement TOPLOC) et l'agrégation de poids asynchrone SHARDCAST###, marquant ainsi la première réalisation d'un réseau d'entraînement décentralisé.