Sự tiến hóa của các phương thức đào tạo AI: Cuộc cách mạng công nghệ từ kiểm soát tập trung đến hợp tác phi tập trung

Trong toàn bộ chuỗi giá trị của AI, việc huấn luyện mô hình là giai đoạn tiêu tốn nhiều tài nguyên nhất và có rào cản kỹ thuật cao nhất, trực tiếp quyết định giới hạn khả năng của mô hình và hiệu quả ứng dụng thực tế. So với việc gọi nhẹ nhàng trong giai đoạn suy diễn, 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 từ các thuật toán tối ưu hóa cường độ cao, thực sự là "ngành công nghiệp nặng" trong việc xây dựng hệ thống AI. Từ góc độ kiến trúc, phương thức huấn luyện có thể được chia thành bốn loại: huấn luyện tập trung, huấn luyện phân tán, học tập liên bang và huấn luyện 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 hoàn thành bởi một tổ chức duy nhất trong cụm hiệu suất cao tại địa phương, từ phần cứng ( như GPU NVIDIA ), phần mềm nền tảng ( như CUDA, cuDNN ), hệ thống phân bổ cụm ( như Kubernetes ), đến khung đào tạo ( như PyTorch dựa trên backend NCCL ), tất cả các thành phần đều được điều phối hoạt động bởi một hệ thống kiểm soát thống nhất. Kiến trúc hợp tác sâu sắc này giúp chia sẻ bộ nhớ, đồng bộ hóa độ dốc và cơ chế chịu lỗi đạt hiệu suất tối ưu, rất thích hợp cho việc đào tạo các mô hình quy mô lớn như GPT, Gemini, với ưu điểm hiệu suất cao, 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 cách thức chính để huấn luyện mô hình lớn hiện nay, cốt lõi của nó là phân chia nhiệm vụ huấn luyện mô hình, sau đó phân phối tới nhiều máy để phối hợp thực hiện, nhằm vượt qua các nút thắt về tính toán và lưu trữ trên một máy đơn. Mặc dù về mặt vật lý có đặc điểm "Phi tập trung", nhưng tổng thể vẫn được các tổ chức tập trung kiểm soát, điều phối và đồng bộ, thường hoạt động trong môi trường mạng cục bộ tốc độ cao, thông qua công nghệ bus kết nối tốc độ cao NVLink, do nút chính thống nhất điều phối các nhiệm vụ con. Các phương pháp chính bao gồm:

• Dữ liệu song song: Mỗi nút huấn luyện các tham số dữ liệu khác nhau để chia sẻ, cần khớp trọng số mô hình
• 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.
• Đường ống song song: Thực hiện tuần tự theo từng giai đoạn, tăng thông lượng
• Phân đoạn tensor: Phân tách tính toán ma trận một cách tinh vi, nâng cao độ mịn của sự song song

Huấn luyện phân tán là sự kết hợp của "kiểm soát tập trung + thực hiện phân tán", tương tự như một ông chủ chỉ huy từ xa nhiều nhân viên "văn phòng" hợp tác hoàn thành nhiệm vụ. Hiện nay hầu hết các mô hình lớn phổ biến (GPT-4, Gemini, LLaMA và ) đều được hoàn thành bằng cách này.

Phi tập trung đào tạo thì đại diện cho con đường tương lai với tính mở và khả năng chống 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 ) phối hợp hoàn thành nhiệm vụ đào tạo mà không cần bộ điều phối trung tâm, thường thông qua giao thức để thúc đẩy việc phân phối và hợp tác nhiệm vụ, và nhờ vào cơ chế khuyến khích mã hóa để đảm bảo tính trung thực của sự đóng góp. Những 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 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 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 tâm, phân phối nhiệm vụ, cơ chế khôi phục 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 hợp tác 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 thực mô hình và nhiều khía cạnh khác, nhưng liệu có thể "hợp tác hiệu quả + khuyến khích trung thực + kết quả chính xác" vẫn đang ở giai đoạn thăm dò nguyên mẫu ban đầu.

Học liên bang như một hình thức chuyển tiếp giữa phân tán và Phi tập trung, nhấn mạnh việc giữ lại dữ liệu tại địa phương và tập hợp các tham số mô hình, phù hợp với các tình huống chú trọng tuân thủ quyền riêng tư như y tế, tài chính. Học liên bang có cấu trúc kỹ thuật của đào tạo phân tán và khả năng hợp tác cục bộ, đồng thời có lợi thế về phân tán dữ liệu trong đào tạo Phi tập trung, nhưng vẫn phụ thuộc vào bên phối hợp đáng tin cậy, không có đặc điểm 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 nhiệm vụ đào tạo, cấu trúc tin cậy và cơ chế giao tiếp tương đối ôn hòa, phù hợp hơn để triển khai tạm thời trong ngành công nghiệp.

( Bảng so sánh toàn cảnh các phương pháp huấn luyện AI) Kiến trúc công nghệ × Khuyến khích tin cậy × Đặc điểm ứng dụng###

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

Từ góc độ mô hình huấn luyện, Phi tập trung huấn luyện 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 cực cao hoặc độ khó trong hợp tác, 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, huấn luyện mô hình lớn thường phụ thuộc vào bộ nhớ đồ họa cao, độ trễ thấp và băng thông cao, nên khó có thể chia sẻ và đồng bộ hóa một cách hiệu quả trên mạng mở; các nhiệm vụ có yêu cầu cao về quyền riêng tư dữ liệu và chủ quyền như y tế, tài chính, dữ liệu nhạy cảm ) bị hạn chế bởi quy định pháp lý và ràng buộc đạo đức, không thể chia sẻ công khai; trong khi các nhiệm vụ thiếu động lực hợp tác như mô hình mã nguồn kín của doanh nghiệp hoặc huấn luyện nguyên mẫu nội bộ ### lại thiếu động lực tham gia từ bên ngoài. Những ranh giới này cùng nhau tạo thành những hạn chế thực tế của huấn luyện Phi tập trung hiện nay.

Nhưng điều này không có nghĩa là đào tạo phi tập trung là giả thuyết. 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 triển vọng ứng dụng rõ ràng. Bao gồm nhưng không giới hạn: tinh chỉnh LoRA, các nhiệm vụ đào tạo hậu như RLHF, DPO(, nhiệm vụ đào tạo và gán nhãn dữ liệu crowdsourcing, đào tạo 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, tính kết nối thấp và khả năng chấp nhận sức mạnh tính toán dị thể, 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 thức khác.

)# Phi tập trung huấn luyện nhiệm vụ thích ứng tổng quan bảng

( 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 bao gồm Prime Intellect, Pluralis.ai, Gensyn, Nous Research và Flock.io. Xét về tính đổi mới công nghệ và độ khó trong thực hiện kỹ thuật, Prime Intellect, Nous Research và Pluralis.ai đã đưa ra nhiều khám phá sáng tạo trong thiết kế hệ thống và thuật toán, đại diện cho hướng nghiên cứu lý thuyết hiện tại; trong khi đó, Gensyn và Flock.io có con đường thực hiện 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 các công nghệ cốt lõi và kiến trúc kỹ thuật của năm dự án này, đồng thời khám phá thêm sự khác biệt và mối quan hệ bổ sung của chúng trong hệ thống đào tạo AI phi tập trung.

)# Prime Intellect: Người tiên phong trong mạng lưới hợp tác học tăng cường có thể xác minh được quỹ đạo đào tạo

Prime Intellect cam kết xây dựng một mạng lưới đào tạo AI không cần tin tưởng, cho phép bất kỳ ai tham gia đào tạo và nhận 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 đào tạo AI phi tập trung có tính xác minh, tính mở và cơ chế khuyến khích hoàn chỉnh.

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

![Sự tiến hóa của mô hình đào tạo AI: Cách mạng công nghệ từ kiểm soát tập trung đến Phi tập trung hợp tác]###https://img-cdn.gateio.im/webp-social/moments-3a83d085e7a7abfe72221958419cd6d8.webp(

Hai, Giải thích cơ chế chính của đào tạo Prime Intellect

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

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

TOPLOC:Cơ chế xác thực hành vi đào tạo nhẹ

TOPLOC)Giám sát đáng tin cậy & Kiểm tra địa phương### là cơ chế cốt lõi để huấn luyện có thể xác minh do Prime Intellect đề xuất, 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 nề như ZKML, TOPLOC không phụ thuộc vào việc tính toán lại toàn bộ mô hình, mà hoàn thành xác minh cấu trúc nhẹ thông qua việc phân tích quỹ đạo nhất quán cục bộ giữa "chuỗi quan sát ↔ cập nhật chiến lược". Nó lần đầu tiên chuyển đổi quỹ đạo 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 mà 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 phát tán và tổng hợp trọng số được thiết kế bởi Prime Intellect, được tối ưu hóa cho môi trường mạng thực tế không đồng bộ, băng thông hạn chế và trạng thái nút thay đổi. Nó kết hợp cơ chế phát tán 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 trọng số dần dần và tiến hóa nhiều phiên bản. So với các phương pháp AllReduce tập trung hoặc đồng bộ, SHARDCAST đáng kể nâng cao khả năng mở rộng và khả năng chịu lỗi của đào tạo Phi tập trung, là nền tảng chính để xây dựng sự đồng thuận trọng số ổn định và quá trình đào tạo liên tục.

OpenDiLoCo: Khung giao tiếp không đồng bộ 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 mà DeepMind đã đề xuất, được thiết kế đặc biệt để giải quyết những thách thức thường gặp trong huấn luyện Phi tập trung như giới hạn băng thông, thiết bị không đồng nhất và sự không ổn định của nút. Kiến trúc của nó dựa trên dữ liệu song song, thông qua việc xây dựng các cấu trúc topo thưa như Ring, Expander, Small-World, đã tránh được chi phí giao tiếp cao của đồng bộ toàn cầu, chỉ dựa vào các nút láng giềng cục bộ để hoàn thành huấn luyện hợp tác mô hình. Kết hợp với cập nhật không đồng bộ và cơ chế khôi phục điểm dừng, OpenDiLoCo cho phép GPU tiêu dùng và thiết bị biên cũng có thể tham gia ổn định vào các nhiệm vụ huấn luyện, nâng cao đáng kể tính khả tham gia của huấn luyện hợp tác toàn cầu, là một trong những cơ sở hạ tầng giao tiếp quan trọng để xây dựng mạng lưới huấn luyện Phi tập trung.

PCCL: Thư viện giao tiếp hợp tác

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 trong các thư viện giao tiếp truyền thống) như NCCL, Gloo( trong các thiết bị dị thể và mạng băng thông thấp. PCCL hỗ trợ topo thưa, nén gradient, đồng bộ độ chính xác thấp và phục hồi 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 không đồng bộ của giao thức OpenDiLoCo. Nó nâng cao đáng kể độ dung nạp băng thông và khả năng tương thích thiết bị của mạng đào tạo, mở ra "km cuối" cho nền tảng giao tiếp cần thiết để xây dựng một mạng lưới đào tạo hợp tác thực sự mở, không cần tin cậy.

Ba, Mạng lưới 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: xác định môi trường đào tạo, mô hình ban đầu, hàm thưởng và tiêu chuẩn xác thực
• Nút huấn luyện: thực hiện huấn luyện cục bộ, gửi 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 vào việc tính toán phần thưởng cũng như tích hợp chiến lược.

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

![Sự tiến hóa của mô hình đào tạo AI: từ kiểm soát tập trung đến cuộc cách mạng công nghệ hợp tác phi tập trung])https://img-cdn.gateio.im/webp-social/moments-45f26de57a53ac937af683e629dbb804.webp(

Bốn, 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 toàn bộ