Phi tập trung训练:AI的圣杯探索

Trong toàn bộ chuỗi giá trị của trí tuệ nhân tạo, huấn luyện mô hình là khâu tiêu tốn tài nguyên nhiều nhất và có rào cản kỹ thuật cao nhất, quyết định trực tiếp khả năng tối đa của mô hình và hiệu quả ứng dụng thực tế. So với giai đoạn suy luận với việc gọi nhẹ nhàng, quá trình huấn luyện cần đầu tư sức mạnh 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, thực sự là "công nghiệp nặng" trong việc xây dựng hệ thống AI. Xét về mô hình kiến trúc, phương thức huấn luyện có thể chia thành bốn loại: huấn luyện tập trung, huấn luyện phân tán, học liên bang và huấn luyện phi tập trung mà bài viết này sẽ thảo luận trọng tâm.

Huấn luyện tập trung là phương pháp truyền thống phổ biến nhất, được thực hiện bởi một tổ chức duy nhất trong một cụm hiệu suất cao tại chỗ, hoàn thành toàn bộ quy trình huấn luyện, từ phần cứng, phần mềm cơ sở, hệ thống lập lịch cụm, đến tất cả các thành phần của khung huấn luyện đều được điều phối hoạt động bởi một hệ thống kiểm soát thống nhất. Kiến trúc phối hợp sâu sắc này giúp hiệu quả chia sẻ bộ nhớ, đồng bộ hóa gradient và cơ chế chịu lỗi đạt tối ưu, rất phù hợp cho việc huấn luyện các mô hình quy mô lớn như GPT, Gemini, với những lợi thế về hiệu suất cao và tài nguyên có thể kiểm soát, 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 phương thức chủ yếu trong huấn luyện mô hình lớn hiện tại, cốt lõi của nó là phân tách nhiệm vụ huấn luyện mô hình, sau đó phân phối đến nhiều máy để thực hiện hợp tác, nhằm vượt qua các nút thắt về tính toán và lưu trữ trên một máy. Mặc dù về mặt vật lý có đặc điểm "Phi tập trung", nhưng tổng thể vẫn được các tổ chức trung tâm kiểm soát, điều phối và đồng bộ, thường hoạt động trong môi trường mạng cục bộ tốc độ cao, thông qua công nghệ bus liên kết NVLink tốc độ cao, do nút chính đồng bộ hóa các nhiệm vụ con. Các phương pháp chủ yếu bao gồm:

• Dữ liệu song song: Mỗi nút huấn luyện các tham số dữ liệu khác nhau chia sẻ, cần khớp trọng số mô hình
• Mô hình song song: Triển khai các phần khác nhau của mô hình trên các nút khác nhau, đạt được khả năng mở rộng mạnh mẽ.
• Ống dẫn song song: Thực hiện tuần tự theo giai đoạn, tăng cường thông lượng
• Phân đoạn tensor: phân chia tinh vi tính toán ma trận, nâng cao độ mịn của song song

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

Phi tập trung huấn luyện thì đại diện cho con đường tương lai có tính mở hơn và có khả năng chống kiểm duyệt. Đặc điểm cốt lõi của nó là: nhiều nút không tin cậy lẫn nhau phối hợp thực hiện nhiệm vụ huấn luyện mà không có điều phối viên trung tâm, thường thông qua giao thức điều động phân phối nhiệm vụ và hợp tác, và nhờ vào cơ chế khuyến khích mã hóa để đảm bảo tính trung thực của đóng góp. Các thách thức chính mà mô hình này phải đối mặt bao gồm:

• Khó khăn trong việc phân tách và đồng bộ thiết bị: Khó khăn trong việc phối hợp các thiết bị khác nhau, hiệu quả phân tách nhiệm vụ thấp.
• Nút thắt hiệu suất truyền thông: Giao tiếp mạng không ổn định, nút thắt đồng bộ gradient rõ ràng
• Thiếu tính thực thi đáng tin cậy: Thiếu môi trường thực thi đáng tin cậy, khó xác minh xem nút có thực sự tham gia vào tính toán hay không
• Thiếu sự phối hợp thống nhất: không có bộ điều độ trung ương, phân phối nhiệm vụ, cơ chế quay lại bất thường phức tạp

Phi tập trung đào tạo có thể được hiểu là: một nhóm tình nguyện viên toàn cầu, mỗi người đóng góp sức mạnh tính toán để hợp tác đào tạo mô hình, nhưng "đào tạo 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 việc có thể "hợp tác hiệu quả + khuyến khích sự trung thực + kết quả chính xác" vẫn đang ở giai đoạn khám phá nguyên mẫu ban đầu.

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

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

Từ góc độ khuôn khổ 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, yêu cầu tài nguyên rất cao hoặc khó khăn trong hợp tác, nó tự nhiên không thích hợp để hoàn thành hiệu quả giữa các nút khác nhau, không 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 phân chia và đồng bộ hiệu quả trong mạng mở; các nhiệm vụ có quyền riêng tư dữ liệu và hạn chế chủ quyền mạnh bị giới hạn bởi tuân thủ pháp luật và ràng buộc đạo đức, không thể mở chia sẻ; trong khi các nhiệm vụ thiếu cơ sở khuyến khích hợp tác lại thiếu động lực tham gia từ bên ngoài. Những ranh giới này cùng nhau tạo thành những hạn chế thực tế của đào tạo phi tập trung hiện tại.

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, có thể khuyến khích, đào tạo phi tập trung cho thấy triển vọng ứng dụng rõ ràng. Bao gồm nhưng không giới hạn: tinh chỉnh LoRA, các nhiệm vụ đào tạo hậu kỳ liên quan đến căn chỉnh hành vi, nhiệm vụ đào tạo và gán nhãn dữ liệu crowdsourcing, đào tạo các mô hình cơ bản nhỏ có thể kiểm soát tài nguyên, cũng như các kịch bản đào tạo hợp tác với sự tham gia của thiết bị biên. Những nhiệm vụ này thường có tính song song cao, độ liên kết thấp và khả năng chịu đựng sức mạnh tính toán không đồng nhất, rất thích hợp để thực hiện đào tạo cộng tác qua mạng P2P, giao thức Swarm, bộ tối ưu phân tán, v.v.

Phi tập trung đào tạo các dự án kinh điển解析

Hiện tại, trong lĩnh vực đào tạo phi tập trung và học tập liên bang, các dự án blockchain tiêu biểu bao gồm Prime Intellect, Pluralis.ai, Gensyn, Nous Research và Flock.io. Xét về tính đổi mới công nghệ và độ khó thực hiện kỹ thuật, 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 phong hiện nay; trong khi đó, Gensyn và Flock.io có con đường thực hiện tương đối rõ ràng và đã có thể thấy tiến triển ban đầu trong việc hiện thực hóa.

Prime Intellect: Huấn luyện lộ trình có thể xác minh của mạng hợp tác học tăng cường tiên phong

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

Cấu trúc ngăn xếp giao thức Prime Intellect và giá trị của các mô-đun chính

Cơ chế cốt lõi của Prime Intellect bao gồm:

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

PRIME-RL là khung mô hình và thực thi nhiệm vụ được tùy chỉnh cho các kịch bản đào tạo Phi tập trung của Prime Intellect, được thiết kế đặc biệt cho các mạng lưới dị thể và sự tham gia không đồng bộ. Nó sử dụng học tăng cường như là đối tượng thích ứng ưu tiên, tách biệt cấu trúc giữa quá trình đào tạo, suy diễn và tải trọng, cho phép mỗi nút đào tạo hoàn thành quy trình 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 phù hợp hơn để thực hiện đào tạo linh hoạt trong môi trường không có điều phối trung tâm, vừa giảm độ phức tạp của hệ thống, vừa đặt nền tảng cho việc hỗ trợ nhiều nhiệm vụ song song và tiến hóa chiến lược.

TOPLOC:Cơ chế xác minh hành vi đào tạo nhẹ

TOPLOC là cơ chế cốt lõi về khả năng xác minh được đề xuất bởi Prime Intellect, dùng để xác định xem một nút có thực sự hoàn thành việc học chiến lược hiệu quả dựa trên dữ liệu quan sát hay không. Khác với các giải pháp nặng như ZKML, TOPLOC không phụ thuộc vào việc tính toán lại toàn bộ mô hình, mà thông qua việc phân tích "chuỗi quan sát ↔ cập nhật chiến lược" để hoàn thành xác minh cấu trúc nhẹ. Đây là lần đầu tiên chuyển đổi hành vi trong quá trình huấn luyện thành đối tượng có thể xác minh, là đổi mới quan trọng để thực hiện phân phối phần thưởng huấn luyện không cần tin cậy, cung cấp con đường khả thi để xây dựng mạng lưới huấn luyện hợp tác phi tập trung có thể kiểm toán và có thể khuyến khích.

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

SHARDCAST là giao thức truyền tải và tổng hợp trọng số được thiết kế bởi Prime Intellect, được tối ưu hóa cho môi trường mạng thực tế không đồng bộ, có băng thông hạn chế và trạng thái nút thay đổi. Nó kết hợp cơ chế truyền gossip và chiến lược đồng bộ cục bộ, cho phép nhiều nút liên 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 đa 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 truyền thông 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 cho những thách thức thường gặp trong đào tạo phi tập trung như băng thông hạn chế, thiết bị không đồng nhất và độ không ổn định của nút. Kiến trúc của nó dựa trên sự song song dữ liệu, thông qua việc xây dựng các cấu trúc topo thưa như Ring, Expander, Small-World, tránh được chi phí truyền thông cao của đồng bộ toàn cầu, chỉ cần dựa vào các nút láng giềng cục bộ để hoàn thành đào tạo hợp tác mô hình. 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, làm tăng đáng kể khả năng tham gia vào đào tạo hợp tác toàn cầu, là một trong những cơ sở hạ tầng truyền thông quan trọng để xây dựng mạng lưới đào tạo phi tập trung.

PCCL: Thư viện giao tiếp hợp tác

PCCL là thư viện truyền thông nhẹ được Prime Intellect thiết kế đặc biệt cho môi trường đào tạo AI Phi tập trung, nhằm giải quyết các nút thắt thích ứng trong các thiết bị khác nhau và mạng lưới băng thông thấp của thư viện truyền thông truyền thống. PCCL hỗ trợ topologie thưa thớt, nén độ dốc, đồng bộ độ chính xác thấp và khôi phục điểm dừng, có thể hoạt động trên GPU tiêu dùng và các nút không ổn định, là thành phần cơ sở hỗ trợ khả năng truyền thông không đồng bộ của giao thức OpenDiLoCo. Nó nâng cao đáng kể khả năng chịu đựng băng thông của mạng đào tạo và khả năng tương thích thiết bị, mở ra "km cuối" của cơ sở hạ tầng truyền thông để xây dựng một mạng lưới đào tạo hợp tác thực sự mở và không cần tin cậy.

Mạng khuyến khích Prime Intellect và phân công vai trò

Prime Intellect xây dựng một mạng lưới đào tạo không cần giấy 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 tế. Giao thức hoạt động dựa trên ba loại vai trò cốt lõi:

• Người khởi xướng nhiệm vụ: định nghĩa môi trường đào tạo, mô hình ban đầu, hàm thưởng và tiêu chuẩn xác minh
• Nút huấn luyện: thực hiện huấn luyện cục bộ, nộp cập nhật trọng số và theo dõi quan sát
• Node xác thực: Sử dụng cơ chế TOPLOC để xác minh tính xác thực của hành vi đào tạo và tham gia tính toán phần thưởng cũng như tổng hợp chiến lược.

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

INTELLECT-2: Phát hành mô hình đào tạo phi tập trung đầu tiên có thể xác minh

Prime Intellect đã phát hành INTELLECT-2 vào tháng 5 năm 2025, đây là mô hình học sâu lớn đầu tiên trên thế giới được đào tạo thông qua sự hợp tác của các nút phi tập trung đồng bộ, không cần tin cậy, với quy mô tham số đạt 32B. Mô hình INTELLECT-2 được hoàn thành thông qua sự hợp tác đào tạo của hơn 100 nút GPU khác nhau, trải rộng trên ba châu lục, sử dụng kiến trúc hoàn toàn đồng bộ, thời gian đào tạo vượt quá 400 giờ, cho thấy tính khả thi và ổn định của mạng lưới hợp tác phi tập trung. Mô hình này không chỉ là một bước đột phá về hiệu suất, mà còn là sự triển khai hệ thống đầu tiên của mô hình "đào tạo chính là đồng thuận" mà Prime Intellect đã đề xuất. INTELLECT-2 tích hợp các mô-đun giao thức cốt lõi như PRIME-RL, TOPLOC và SHARDCAST, đánh dấu sự mở hóa, tính xác thực và vòng khép kín của động lực kinh tế trong quá trình đào tạo của mạng lưới đào tạo phi tập trung.

Về hiệu suất, INTELLECT-2 dựa trên QwQ-32B được đào tạo và đã thực hiện đào tạo RL chuyên biệt về mã và toán học, đang ở giai đoạn tinh chỉnh RL mã nguồn mở hiện tại.