Cawan Suci Crypto AI: Eksplorasi Terdepan Pelatihan Desentralisasi

Dalam seluruh rantai nilai AI, pelatihan model adalah tahap yang paling banyak mengkonsumsi sumber daya dan memiliki ambang teknis tertinggi, yang secara langsung menentukan batas kemampuan model dan efektivitas aplikasi nyata. Dibandingkan dengan pemanggilan ringan pada tahap inferensi, proses pelatihan memerlukan investasi daya komputasi besar secara terus-menerus, alur pengolahan data yang kompleks, dan dukungan algoritma optimasi yang intensif, merupakan "industri berat" sejati dalam pembangunan sistem AI. Dari sudut pandang paradigma arsitektur, metode pelatihan dapat dibagi menjadi empat kategori: pelatihan terpusat, pelatihan terdistribusi, pembelajaran federasi, dan pelatihan desentralisasi yang menjadi fokus pembahasan dalam artikel ini.

Pelatihan terpusat adalah metode tradisional yang paling umum, dilakukan oleh satu lembaga dalam kluster berkinerja tinggi lokal yang menyelesaikan seluruh proses pelatihan, dari perangkat keras, perangkat lunak dasar, sistem penjadwalan kluster, hingga semua komponen kerangka pelatihan dikoordinasikan oleh sistem kontrol yang terintegrasi. Arsitektur kolaboratif yang mendalam ini memungkinkan berbagi memori, sinkronisasi gradien, dan mekanisme toleransi kesalahan mencapai efisiensi terbaik, sangat cocok untuk pelatihan model besar seperti GPT dan Gemini, dengan keunggulan efisiensi tinggi dan sumber daya yang terkontrol, tetapi juga memiliki masalah seperti monopoli data, hambatan sumber daya, konsumsi energi, dan risiko titik tunggal.

Pelatihan terdistribusi adalah metode utama untuk pelatihan model besar saat ini, intinya adalah membagi tugas pelatihan model dan mendistribusikannya ke beberapa mesin untuk dieksekusi secara kolaboratif, guna mengatasi batasan komputasi dan penyimpanan di satu mesin. Meskipun secara fisik memiliki karakteristik "terdistribusi", keseluruhan masih dikendalikan oleh lembaga terpusat yang mengontrol penjadwalan dan sinkronisasi, sering kali berjalan di lingkungan jaringan lokal berkecepatan tinggi, melalui teknologi bus interkoneksi NVLink yang cepat, dengan node utama yang secara terpusat mengoordinasikan setiap sub-tugas. Metode utama termasuk:

• Paralel data: setiap node melatih parameter data yang berbeda dengan berbagi, perlu mencocokkan bobot model
• Paralelisme model: Menempatkan bagian-bagian berbeda dari model di node yang berbeda, mencapai skalabilitas yang kuat
• Pipa paralel: Eksekusi serial bertahap, meningkatkan throughput
• Paralel Tensor: Memperhalus pembagian perhitungan matriks, meningkatkan granularitas paralel

Pelatihan terdistribusi adalah kombinasi dari "kontrol terpusat + eksekusi terdistribusi", yang dapat dibandingkan dengan seorang bos yang mengarahkan beberapa karyawan "kantor" secara jarak jauh untuk menyelesaikan tugas. Saat ini, hampir semua model besar utama dilatih dengan cara ini.

Desentralisasi pelatihan mewakili jalur masa depan yang lebih terbuka dan tahan terhadap sensor. Ciri inti dari hal ini adalah: banyak node yang saling tidak percaya ( yang bisa berupa komputer rumah, GPU cloud, atau perangkat tepi ) yang bekerja sama menyelesaikan tugas pelatihan tanpa koordinator pusat, biasanya melalui protokol yang menggerakkan distribusi tugas dan kolaborasi, dan dengan bantuan mekanisme insentif kriptografi untuk memastikan kejujuran kontribusi. Tantangan utama yang dihadapi oleh model ini mencakup:

• Kesulitan heterogenitas perangkat dan pemisahan: koordinasi perangkat heterogen tinggi, efisiensi pemisahan tugas rendah
• Kendala efisiensi komunikasi: komunikasi jaringan tidak stabil, kendala sinkronisasi gradien yang jelas
• Eksekusi yang dapat dipercaya hilang: kurangnya lingkungan eksekusi yang dapat dipercaya, sulit untuk memverifikasi apakah node benar-benar berpartisipasi dalam perhitungan
• Kurangnya koordinasi yang terpadu: tidak ada pengatur pusat, distribusi tugas, dan mekanisme penggulangan kesalahan yang kompleks

Desentralisasi pelatihan dapat dipahami sebagai: sekelompok sukarelawan global, masing-masing menyumbangkan daya komputasi untuk melatih model secara kolaboratif, tetapi "pelatihan desentralisasi skala besar yang benar-benar dapat dilakukan" masih merupakan tantangan rekayasa sistemik, yang melibatkan arsitektur sistem, protokol komunikasi, keamanan kriptografi, mekanisme ekonomi, validasi model, dan banyak aspek lainnya, tetapi apakah "kolaborasi efektif + insentif jujur + hasil yang benar" masih berada pada tahap eksplorasi prototipe awal.

Pembelajaran federasi sebagai bentuk transisi antara terdistribusi dan Desentralisasi, menekankan pada penyimpanan data secara lokal, penggabungan parameter model secara terpusat, dan cocok untuk skenario yang menekankan kepatuhan privasi seperti medis, keuangan. Pembelajaran federasi memiliki struktur rekayasa pelatihan terdistribusi dan kemampuan kolaborasi lokal, sekaligus memiliki keunggulan penyebaran data dalam pelatihan Desentralisasi, tetapi masih bergantung pada pihak koordinator yang dapat dipercaya, dan tidak memiliki karakteristik sepenuhnya terbuka dan tahan sensor. Dapat dianggap sebagai solusi "Desentralisasi yang terkendali" dalam skenario kepatuhan privasi, yang relatif lebih lembut dalam tugas pelatihan, struktur kepercayaan, dan mekanisme komunikasi, lebih cocok sebagai arsitektur penerapan transisi di industri.

Batas, Peluang, dan Jalur Realitas dari Pelatihan Desentralisasi

Dari sudut pandang paradigma pelatihan, pelatihan desentralisasi tidak cocok untuk semua jenis tugas. Dalam beberapa skenario, karena struktur tugas yang kompleks, kebutuhan sumber daya yang sangat tinggi, atau kesulitan kolaborasi, secara alami tidak cocok untuk diselesaikan secara efisien di antara node yang heterogen dan tanpa kepercayaan. Misalnya, pelatihan model besar sering kali bergantung pada memori yang tinggi, latensi rendah, dan bandwidth tinggi, sehingga sulit untuk dipisahkan dan disinkronkan secara efektif di jaringan terbuka; tugas yang dibatasi oleh privasi data dan batasan kedaulatan terhalang oleh kepatuhan hukum dan etika, sehingga tidak dapat dibagikan secara terbuka; sementara tugas yang kurang memiliki dasar insentif kolaborasi kekurangan motivasi partisipasi eksternal. Batasan-batasan ini bersama-sama membentuk batasan nyata dari pelatihan desentralisasi saat ini.

Namun, ini tidak berarti bahwa pelatihan desentralisasi adalah proposisi yang salah. Faktanya, dalam jenis tugas yang ringan, mudah diparalelkan, dan dapat memotivasi, pelatihan desentralisasi menunjukkan prospek aplikasi yang jelas. Termasuk tetapi tidak terbatas pada: fine-tuning LoRA, tugas pelatihan pasca-perilaku seperti RLHF, DPO(, pelatihan dan penandaan tugas crowdsourcing data, pelatihan model dasar kecil yang dapat dikendalikan sumber daya, serta skenario pelatihan kolaboratif yang melibatkan perangkat edge. Tugas-tugas ini umumnya memiliki karakteristik paralelisme tinggi, keterkaitan rendah, dan toleransi terhadap komputasi heterogen, sangat cocok untuk pelatihan kolaboratif melalui jaringan P2P, protokol Swarm, optimizer terdistribusi, dan cara lainnya.

![Crypto AI的圣杯：Desentralisasi训练的前沿探索])https://img-cdn.gateio.im/webp-social/moments-a8004f094fff74515470052b3a24617c.webp(

Analisis Proyek Klasik Pelatihan Desentralisasi

Saat ini, di bidang pelatihan desentralisasi dan pembelajaran federasi, proyek blockchain yang representatif utama mencakup Prime Intellect, Pluralis.ai, Gensyn, Nous Research, dan Flock.io. Dari segi inovasi teknologi dan tingkat kesulitan implementasi teknik, Prime Intellect, Nous Research, dan Pluralis.ai telah mengajukan banyak eksplorasi orisinal dalam arsitektur sistem dan desain algoritma, yang mewakili arah riset teoritis terkini; sementara Gensyn dan Flock.io memiliki jalur implementasi yang relatif jelas, dan telah menunjukkan kemajuan rekayasa awal. Artikel ini akan menganalisis satu per satu teknologi inti dan arsitektur rekayasa di balik lima proyek ini, dan lebih jauh mengeksplorasi perbedaan dan hubungan saling melengkapi dalam sistem pelatihan AI desentralisasi.

) Prime Intellect: pelopor jaringan kolaboratif pembelajaran penguatan yang dapat diverifikasi oleh jalur pelatihan

Prime Intellect berkomitmen untuk membangun jaringan pelatihan AI yang tidak memerlukan kepercayaan, memungkinkan siapa saja untuk berpartisipasi dalam pelatihan dan mendapatkan penghargaan yang dapat dipercaya atas kontribusi komputasinya. Prime Intellect berharap dapat membangun sistem pelatihan AI desentralisasi yang memiliki verifikasi, keterbukaan, dan mekanisme insentif yang lengkap melalui tiga modul utama: PRIME-RL + TOPLOC + SHARDCAST.

(# 01、Struktur dan Nilai Modul Kunci Protokol Prime Intellect

![Crypto AI的圣杯：Desentralisasi训练的前沿探索])https://img-cdn.gateio.im/webp-social/moments-adb92bc4dfbaf26863cb0b4bb1081cd7.webp###

02、Penjelasan Mekanisme Kunci Pelatihan Prime Intellect

#PRIME-RL: Arsitektur Tugas Pembelajaran Penguatan Asinkron yang Terdecouple

PRIME-RL adalah kerangka pemodelan dan pelaksanaan tugas yang disesuaikan oleh Prime Intellect untuk skenario pelatihan desentralisasi, dirancang khusus untuk jaringan heterogen dan partisipasi asinkron. Ini menggunakan pembelajaran penguatan sebagai objek adaptasi utama, menguraikan secara struktural proses pelatihan, inferensi, dan pengunggahan bobot, sehingga setiap node pelatihan dapat menyelesaikan siklus tugas secara mandiri di lokasi, dan berkolaborasi melalui antarmuka standar dengan mekanisme validasi dan agregasi. Dibandingkan dengan proses pembelajaran terawasi tradisional, PRIME-RL lebih cocok untuk menerapkan pelatihan yang fleksibel di lingkungan tanpa penjadwalan pusat, sehingga mengurangi kompleksitas sistem dan juga meletakkan dasar untuk mendukung multitasking paralel dan evolusi strategi.

#TOPLOC:Mekanisme Verifikasi Perilaku Pelatihan Ringan

TOPLOC adalah mekanisme inti yang dapat diverifikasi yang diajukan oleh Prime Intellect, digunakan untuk menentukan apakah sebuah node benar-benar telah menyelesaikan pembelajaran strategi yang efektif berdasarkan data pengamatan. Berbeda dengan solusi berat seperti ZKML, TOPLOC tidak bergantung pada perhitungan ulang model secara keseluruhan, melainkan menyelesaikan verifikasi struktur ringan dengan menganalisis jejak konsistensi lokal antara "urutan pengamatan↔pembaruan strategi". Ini pertama kalinya mengubah jejak perilaku selama proses pelatihan menjadi objek yang dapat diverifikasi, merupakan inovasi kunci untuk mencapai distribusi penghargaan pelatihan tanpa kepercayaan, dan memberikan jalur yang layak untuk membangun jaringan pelatihan kolaboratif yang terdesentralisasi yang dapat diaudit dan diinsentif.

#SHARDCAST: Protokol Agregasi dan Penyebaran Bobot Asinkron

SHARDCAST adalah protokol penyebaran dan agregasi bobot yang dirancang oleh Prime Intellect, dioptimalkan khusus untuk lingkungan jaringan nyata yang asinkron, terbatas bandwidth, dan dengan status node yang berubah-ubah. Ini menggabungkan mekanisme penyebaran gossip dan strategi sinkronisasi lokal, memungkinkan beberapa node untuk terus mengajukan pembaruan sebagian dalam keadaan tidak sinkron, mewujudkan konvergensi bobot yang bertahap dan evolusi multi-versi. Dibandingkan dengan metode AllReduce yang terpusat atau sinkron, SHARDCAST secara signifikan meningkatkan skalabilitas dan toleransi kesalahan dari pelatihan desentralisasi, menjadi dasar inti untuk membangun konsensus bobot yang stabil dan iterasi pelatihan yang berkelanjutan.

#OpenDiLoCo: Kerangka Komunikasi Asinkron Sparse

OpenDiLoCo adalah kerangka optimasi komunikasi yang diimplementasikan secara mandiri dan open source oleh tim Prime Intellect berdasarkan konsep DiLoCo yang diajukan oleh DeepMind, dirancang khusus untuk menghadapi tantangan umum dalam pelatihan desentralisasi seperti keterbatasan bandwidth, heterogenitas perangkat, dan ketidakstabilan node. Arsitekturnya berbasis pada paralelisme data, dengan membangun struktur topologi jarang seperti Ring, Expander, dan Small-World untuk menghindari biaya komunikasi tinggi dari sinkronisasi global, hanya bergantung pada node tetangga lokal untuk menyelesaikan pelatihan kolaboratif model. Dengan menggabungkan pembaruan asinkron dan mekanisme toleransi kesalahan titik henti, OpenDiLoCo memungkinkan GPU kelas konsumen dan perangkat tepi untuk berpartisipasi dalam tugas pelatihan dengan stabil, secara signifikan meningkatkan partisipasi dalam pelatihan kolaboratif global, dan merupakan salah satu infrastruktur komunikasi kunci untuk membangun jaringan pelatihan desentralisasi.

#PCCL:Perpustakaan Komunikasi Kolaboratif

PCCL adalah pustaka komunikasi ringan yang dirancang khusus oleh Prime Intellect untuk lingkungan pelatihan AI desentralisasi, bertujuan untuk mengatasi hambatan adaptasi pustaka komunikasi tradisional pada perangkat heterogen dan jaringan bandwidth rendah. PCCL mendukung topologi jarang, kompresi gradien, sinkronisasi presisi rendah, dan pemulihan titik putus, dapat dijalankan pada GPU kelas konsumen dan node yang tidak stabil, merupakan komponen dasar yang mendukung kemampuan komunikasi asinkron protokol OpenDiLoCo. Ini secara signifikan meningkatkan toleransi bandwidth jaringan pelatihan dan kompatibilitas perangkat, membuka "kilometer terakhir" komunikasi dasar untuk membangun jaringan pelatihan kolaboratif yang benar-benar terbuka dan tanpa kepercayaan.

(# 03、Jaringan insentif Prime Intellect dan pembagian peran

Prime Intellect membangun jaringan pelatihan yang tidak memerlukan izin, dapat diverifikasi, dan memiliki mekanisme insentif ekonomi, memungkinkan siapa saja untuk berpartisipasi dalam tugas dan mendapatkan imbalan berdasarkan kontribusi nyata. Protokol beroperasi berdasarkan tiga jenis peran inti:

• Penggagas tugas: mendefinisikan lingkungan pelatihan, model awal, fungsi imbalan, dan standar validasi
• Node pelatihan: melaksanakan pelatihan lokal, mengirimkan pembaruan bobot dan jalur pengamatan
• Node verifikasi: Menggunakan mekanisme TOPLOC untuk memverifikasi keaslian perilaku pelatihan, serta berpartisipasi dalam perhitungan hadiah dan agregasi strategi

Proses inti dari protokol mencakup penerbitan tugas, pelatihan node, verifikasi jalur, agregasi bobot )SHARDCAST### dan distribusi hadiah, membentuk sebuah siklus insentif yang berfokus pada "perilaku pelatihan yang nyata".

![Crypto AI的圣杯：Desentralisasi latihan di garis depan eksplorasi]###https://img-cdn.gateio.im/webp-social/moments-69eb6c2dab3d6284b890285c71e7a47f.webp(

)# 04、INTELLECT-2:Penerbitan model pelatihan desentralisasi yang dapat diverifikasi pertama

Prime Intellect meluncurkan INTELLECT-2 pada Mei 2025, yang merupakan model pembelajaran penguatan besar pertama di dunia yang dilatih melalui kolaborasi simpul desentralisasi yang asinkron dan tanpa kepercayaan, dengan skala parameter mencapai 32B. Model INTELLECT-2 diselesaikan melalui pelatihan kolaboratif lebih dari 100 simpul GPU heterogen yang tersebar di tiga benua, menggunakan arsitektur sepenuhnya asinkron, dengan durasi pelatihan lebih dari 400 jam, menunjukkan kelayakan dan stabilitas jaringan kolaborasi asinkron. Model ini tidak hanya merupakan terobosan dalam kinerja, tetapi juga merupakan implementasi sistem pertama dari paradigma "pelatihan adalah konsensus" yang diajukan oleh Prime Intellect. INTELLECT-2 mengintegrasikan struktur pelatihan asinkron PRIME-RL(, verifikasi perilaku pelatihan TOPLOC), dan agregasi bobot asinkron SHARDCAST### serta modul protokol inti lainnya, menandakan bahwa jaringan pelatihan desentralisasi telah berhasil mencapai pelatihan.