Décentralisation entraînement: exploration du Saint Graal de l'IA

Dans la chaîne de valeur complète de l'intelligence artificielle, l'entraînement des modèles est l'étape qui consomme le plus de ressources et présente le plus haut niveau d'exigence technique, déterminant directement la limite de capacité des modèles et l'efficacité de leur 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 le véritable "heavy industry" 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 entité au sein d'un cluster haute performance local, où l'ensemble du processus d'entraînement, des composants matériels, des logiciels sous-jacents, du système de planification de cluster, jusqu'au cadre d'entraînement, est coordonné par un système de contrôle unifié. Cette architecture de collaboration profonde 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 tels que GPT et Gemini, avec des avantages en termes d'efficacité et de contrôle des ressources. 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 de défaillance.

L'entraînement distribué est la méthode principale actuelle pour l'entraînement de grands modèles. Son cœur consiste à décomposer les tâches d'entraînement des modèles et à les répartir sur plusieurs machines pour une exécution collaborative, afin de surmonter les goulets d'étranglement en calcul et en stockage sur une seule machine. Bien qu'il présente physiquement des caractéristiques "distribuées", l'ensemble reste contrôlé et synchronisé par une institution centralisée, fonctionnant souvent dans un environnement de réseau local à haute vitesse, grâce à la technologie de bus d'interconnexion haute vitesse NVLink, où le nœud principal coordonne uniformément les sous-tâches. Les méthodes principales incluent :

• Données parallèles : chaque nœud entraîne des paramètres de données différents, partage les poids du modèle, doit correspondre.
• Parallélisme de modèle : déployer différentes parties du modèle sur différents nœuds pour réaliser une forte extensibilité.
• Pipeline parallèle : exécution séquentielle par étapes, augmentation du débit
• Parallélisme des 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 "bureaux" pour collaborer à l'exécution d'une tâche. Actuellement, presque tous les grands modèles principaux sont entraînés de cette manière.

La formation décentralisée représente un chemin futur plus ouvert et résistant à la censure. Ses caractéristiques principales sont : plusieurs nœuds qui ne se font pas confiance collaborent pour accomplir des tâches d'entraînement sans coordinateur central, généralement par le biais de protocoles qui pilotent la distribution des tâches et la coopération, 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 appareils et difficulté de découpage : la coordination des appareils hétérogènes est difficile, l'efficacité du découpage des tâches est faible.
• Bouteille-neck d'efficacité de communication : communication réseau instable, le goulot d'étranglement de synchronisation de gradient est 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 planificateur central, distribution des tâches, mécanismes de rollback des exceptions complexes

La formation décentralisée peut être comprise comme : un groupe de bénévoles du monde entier contribuant chacun leur puissance de calcul pour former un modèle de manière collaborative, mais "la véritable formation décentralisée à grande échelle réalisable" reste un défi systémique complexe, impliquant l'architecture système, les protocoles de communication, la sécurité cryptographique, les mécanismes économiques, la validation des modèles et d'autres aspects. Cependant, la possibilité de "collaboration efficace + incitation à l'honnêteté + résultats corrects" est encore dans une phase d'exploration précoce 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, adapté aux scénarios axés sur la conformité à la vie privée. L'apprentissage fédéré possède la structure d'ingénierie de l'entraînement distribué et la capacité de coopération locale, tout en ayant l'avantage de la dispersion des données de l'entraînement décentralisé, mais il dépend toujours d'une partie coordonnatrice de confiance et ne possède pas les caractéristiques d'ouverture totale et de résistance à la censure. On peut le considérer comme une solution de "Décentralisation contrôlée" dans un contexte de conformité à la vie privée, où les tâches d'entraînement, la structure de confiance et les mécanismes de communication sont relativement modérés, ce qui le rend plus approprié comme architecture de déploiement de transition dans l'industrie.

Décentralisation des limites, opportunités et voies réalistes de l'entraînement

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 naturellement pas 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 dans un réseau ouvert ; les tâches limitées par des exigences strictes en matière de confidentialité des données et de souveraineté sont entravées par des contraintes légales et éthiques, rendant impossible le partage ouvert ; et les tâches manquant d'incitations à la collaboration n'ont pas de motivation externe à participer. Ces frontières constituent ensemble les limites réelles de la formation décentralisée actuelle.

Mais cela ne signifie pas que l'entraînement décentralisé est un faux procès. En fait, dans les types de tâches légères en structure, faciles à paralléliser et incitatives, l'entraînement décentralisé montre un avenir d'application clair. Cela inclut, sans s'y limiter : le fine-tuning LoRA, les tâches de post-entraînement d'alignement de comportement, les tâches d'entraînement et d'annotation par crowdsourcing, l'entraînement de petits modèles de base sous contrôle des ressources, ainsi que les scénarios d'entraînement collaboratif impliquant des dispositifs 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.

Décentralisation entraînement classique projet analyse

Actuellement, dans le domaine de la formation décentralisée et de l'apprentissage fédéré, les projets blockchain représentatifs incluent 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 dans l'architecture système et la conception d'algorithmes, représentant les directions de recherche théorique à la pointe actuelle ; tandis que les chemins de mise en œuvre de Gensyn et Flock.io sont relativement clairs, montrant déjà des progrès d'ingénierie préliminaires.

Prime Intellect: pionnier des réseaux collaboratifs d'apprentissage renforcé vérifiables par des trajectoires 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 en calcul. Prime Intellect espère construire un système d'entraînement AI décentralisé, vérifiable, ouvert et doté d'un mécanisme d'incitation complet grâce aux trois modules PRIME-RL + TOPLOC + SHARDCAST.

Structure de la pile de protocoles Prime Intellect et valeur des modules clés

Le mécanisme central de Prime Intellect comprend :

PRIME-RL : Architecture de tâche d'apprentissage par renforcement asynchrone découplé

PRIME-RL est un cadre de modélisation et d'exécution de tâches sur mesure pour des scénarios d'entraînement décentralisés, conçu par Prime Intellect, 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 d'accomplir indépendamment la boucle de tâches localement, tout en collaborant via des interfaces standardisées avec des mécanismes de validation et d'agrégation. Par rapport aux processus d'apprentissage supervisé traditionnels, PRIME-RL est mieux 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 la parallélisation des tâches multiples et à l'évolution des stratégies.

TOPLOC:Mécanisme de validation du comportement d'entraînement léger

TOPLOC est un mécanisme central de vérification de l'entraînement proposé par Prime Intellect, utilisé pour déterminer si un nœud a réellement accompli 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 plutôt les trajectoires de cohérence locale entre "séquence d'observation ↔ mise à jour de stratégie" pour réaliser une vérification de structure légère. Il transforme pour la première fois les trajectoires de comportement durant le processus d'entraînement en objets vérifiables, ce qui constitue une innovation clé pour la distribution des récompenses d'entraînement sans confiance, fournissant ainsi une voie praticable pour construire un réseau d'entraînement collaboratif décentralisé, auditables et incitatifs.

SHARDCAST: Protocole d'agrégation et de diffusion 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 variables. Il combine des mécanismes de diffusion de type gossip et des stratégies de synchronisation locale, permettant à plusieurs nœuds de soumettre en continu des mises à jour partielles dans des états de non-synchronisation, réalisant ainsi une convergence progressive des poids et une évolution multi-version. Par rapport aux méthodes AllReduce centralisées ou synchronisées, SHARDCAST améliore significativement l'évolutivité et la tolérance aux pannes de l'entraînement décentralisé, constituant ainsi 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 et open source par l'équipe Prime Intellect, basé sur le concept DiLoCo proposé par DeepMind, conçu spécialement pour relever les défis courants tels que la bande passante limitée, l'hétérogénéité des appareils et l'instabilité des nœuds dans l'entraînement décentralisé. Son architecture est basée sur la parallélisation des données, en construisant des structures topologiques éparses comme Ring, Expander, Small-World, évitant ainsi les coûts de communication élevés liés à la synchronisation globale, et s'appuie uniquement sur les nœuds voisins locaux pour effectuer l'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 appareils de périphérie 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 la construction d'un réseau d'entraînement décentralisé.

PCCL: bibliothèque de communication coopérative

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 appareils hétérogènes et des réseaux à faible bande passante. PCCL prend en charge la topologie éparse, la compression de gradient, la synchronisation à basse précision et la reprise après point de contrôle, et peut fonctionner sur des GPU grand public et des nœuds instables, constituant le composant de base soutenant la capacité de communication asynchrone du protocole OpenDiLoCo. Il améliore considérablement la tolérance à la bande passante du réseau d'entraînement et la compatibilité des appareils, ouvrant la "dernière étape" des infrastructures de communication pour construire un véritable réseau d'entraînement collaboratif ouvert et sans confiance.

Prime Intellect réseau d'incitation et répartition des rôles

Prime Intellect a construit un réseau d'entraînement sans permission, 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 une formation locale, soumettre des mises à jour de poids et des trajectoires d'observation
• Nœuds 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 et la distribution des récompenses, constituant un cercle d'incitation autour du "comportement d'entraînement réel".

INTELLECT-2: Lancement du premier modèle d'entraînement décentralisé vérifiable

Prime Intellect a lancé INTELLECT-2 en mai 2025, le premier grand modèle d'apprentissage par renforcement au monde formé par la collaboration de nœuds décentralisés asynchrones et sans confiance, avec une taille de paramètres atteignant 32B. Le modèle INTELLECT-2 a été entraîné 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 de plus de 400 heures, démontrant la faisabilité et la stabilité du réseau de collaboration asynchrone. Ce modèle représente non seulement une percée en termes de performances, mais également le premier déploiement systématique du paradigme "l'entraînement est le consensus" proposé par Prime Intellect. INTELLECT-2 intègre des modules de protocole clés tels que PRIME-RL, TOPLOC et SHARDCAST, marquant la première réalisation de l'ouverture, de la vérifiabilité et de la boucle d'incitation économique dans le processus d'entraînement du réseau décentralisé.

En termes de performance, INTELLECT-2 est basé sur QwQ-32B et a bénéficié d'un entraînement RL spécialisé sur le code et les mathématiques, étant actuellement en affinement RL open source.