Sự tiến hóa của mô hình 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, huấn luyện mô hình là giai đoạn tiêu tốn tài nguyên nhiều nhất và có mức độ kỹ thuật cao nhất, quyết định trực tiếp giới hạn khả năng của mô hình và hiệu quả ứng dụng thực tế. So với giai đoạn suy diễn 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 từ các thuật toán tối ưu hóa cường độ cao, là "ngành công nghiệp nặng" thực sự của hệ thống AI. Từ góc độ mô hình kiến trúc, phương pháp huấn luyện có thể được 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 tập trung.

Đào tạo tập trung là phương pháp truyền thống phổ biến nhất, được thực hiện bởi một tổ chức duy nhất trong cụm hiệu suất cao tại chỗ, hoàn thành toàn bộ quy trình đào tạo, từ phần cứng, phần mềm nền tảng, hệ thống lập lịch cụm, đến tất cả các thành phần của khung đào tạo đều được phối hợp hoạt động bởi một hệ thống kiểm soát thống nhất. Kiến trúc hợp tác sâu sắc này cho phép chia sẻ bộ nhớ, đồng bộ hóa độ dốc và cơ chế khắc phục lỗi đạt hiệu quả tối ưu, rất phù hợp cho việc đào tạo các mô hình quy mô lớn như GPT, Gemini, với lợi thế hiệu quả 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 chính trong việc đào tạo mô hình lớn hiện nay, cốt lõi là chia nhỏ nhiệm vụ đào tạo mô hình và phân phối đến nhiều máy để phối hợp thực hiện, 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, lập lịch và đồng bộ, thường hoạt động trong môi trường mạng cục bộ tốc độ cao, thông qua công nghệ bus liên kết tốc độ cao NVLink, do nút chính phối hợp đồng nhất các nhiệm vụ con. Các phương pháp chính bao gồm:

• Dữ liệu song song: mỗi nút đào tạo các tham số dữ liệu khác nhau được 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 giai đoạn, nâng cao thông lượng
• Phân đoạn tensor: Chia nhỏ tính toán ma trận, nâng cao độ phân giải 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 điều khiển từ xa nhiều nhân viên "văn phòng" hợp tác hoàn thành nhiệm vụ. Hiện tại, hầu hết các mô hình lớn chính đều được hoàn thành huấn luyện theo cách này.

Phi tập trung đào tạo đại diện cho một 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 lẫn nhau phối hợp hoàn thành nhiệm vụ đào tạo mà không cần điều phối viên trung tâm, thường thông qua các giao thức để phân phối và hợp tác nhiệm vụ, và nhờ vào cơ chế khuyến khích mã hóa để đảm bảo sự trung thực của những đóng góp. Những thách thức chính mà mô hình này phải đối mặt bao gồm:

• Thiết bị dị biệt và khó khăn trong việc phân chia: Khó khăn trong việc phối hợp thiết bị dị biệt, hiệu quả phân chia nhiệm vụ thấp.
• Rào cản hiệu suất truyền thông: giao tiếp mạng không ổn định, rào cản đồng bộ hóa độ dốc 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 ương, việc phân phát nhiệm vụ và cơ chế quay lại bất thường phức tạp

Phi tập trung đào tạo có thể hiểu là: một nhóm tình nguyện viên toàn cầu, mỗi người đóng góp sức mạnh tính toán để phối hợp 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 toàn mật mã, cơ chế kinh tế, xác minh mô hình và nhiều khía cạnh khác, nhưng liệu có thể "phối hợp hiệu quả + khuyến khích trung thực + kết quả chính xác" vẫn đang ở giai đoạn khám phá nguyên mẫu đầu tiên.

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 đến sự tuân thủ quyền riêng tư. Học liên bang có cấu trúc kỹ thuật của đào tạo phân tán và khả năng hợp tác cục bộ, đồng thời cũng có lợi thế về phân tán dữ liệu trong đào tạo Phi tập trung, nhưng vẫn phụ thuộc vào các bên phối hợp đáng tin cậy và 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 các nhiệm vụ đào tạo, cấu trúc tin cậy và cơ chế truyền thông đều tương đối ôn hòa, thích hợp hơn để triển khai tạm thời trong ngành công nghiệp.

Bảng so sánh toàn cảnh các kiểu huấn luyện AI( Cấu trúc kỹ thuật × Khuyến khích tin cậy × Đặc điểm ứng dụng)

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

Xét từ góc độ phương thức 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 cực kỳ cao hoặc khó khăn trong hợp tác, nó tự nhiên không phù hợp để hoàn thành hiệu quả giữa các nút khác nhau và không đáng tin cậy. Ví dụ, đào tạo mô hình lớn thường phụ thuộc vào bộ nhớ đồ họa cao, độ trễ thấp và băng thông cao, khó có thể chia nhỏ và đồng bộ hiệu quả trong mạng mở; các nhiệm vụ chịu sự hạn chế mạnh mẽ về quyền riêng tư dữ liệu và chủ quyền bị giới hạn bởi các quy định pháp lý và ràng buộc đạo đức, không thể chia sẻ công khai; trong khi các nhiệm vụ thiếu nền tảng khuyến khích hợp tác thì thiếu động lực tham gia từ bên ngoài. Những ranh giới này tạo thành những hạn chế thực tế của đào tạo phi tập trung hiện nay.

Nhưng điều này không có nghĩa là huấn luyện phi tập trung là một đề xuất giả. Thực tế, trong các loại nhiệm vụ có cấu trúc nhẹ, dễ song song và có thể khuyến khích, huấn luyện phi tập trung thể hiện triển vọng ứng dụng rõ ràng. Bao gồm nhưng không giới hạn: tinh chỉnh LoRA, các nhiệm vụ huấn luyện sau liên quan đến căn chỉnh hành vi, nhiệm vụ huấn luyện và gán nhãn theo đám đông dữ liệu, huấn luyện mô hình cơ bản nhỏ có thể kiểm soát tài nguyên, cũng như các tình huống huấn luyện hợp tác có sự tham gia của thiết bị biên. Những nhiệm vụ này thường có đặc điểm cao về khả năng song song, độ kết hợp thấp và khả năng chịu đựng sức mạnh tính toán dị thường, rất phù hợp để thực hiện huấn luyện hợp tác thông qua mạng P2P, giao thức Swarm, bộ tối ưu phân tán và các phương pháp khác.

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

Phi tập trung đào tạo các dự án kinh điển phân tích

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 việc thực hiện kỹ thuật, Prime Intellect, Nous Research và Pluralis.ai đã đưa ra nhiều khám phá sáng tạo trong kiến trúc hệ thống và thiết kế thuật toán, đại diện cho hướng nghiên cứu lý thuyết tiên tiến hiện tại; trong khi đó, con đường thực hiện của Gensyn và Flock.io tương đối rõ ràng, đã có thể thấy những tiến bộ bước 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, và sẽ thảo luận thêm về 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 lộ trình đào tạo

Prime Intellect cam kết xây dựng một mạng lưới huấn luyện AI không cần tin tưởng, cho phép bất kỳ ai tham gia huấn luyện và nhận được 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 huấn luyện AI Phi tập trung có khả năng 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

Hai, Giải thích chi tiết về cơ chế khóa đào tạo Prime Intellect

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

PRIME-RL là khung mô hình và thực hiện nhiệm vụ được Prime Intellect tùy chỉnh cho các kịch bản huấn luyện Phi tập trung, được thiết kế đặc biệt cho mạng lưới dị thể và sự tham gia bất đồng bộ. Nó sử dụng học tăng cường như đối tượng ưu tiên, giải quyết cấu trúc quy trình huấn luyện, suy diễn và tải trọng lượng lên, cho phép mỗi nút huấn luyện hoàn thành vòng lặp nhiệm vụ độc lập tại chỗ, và phối hợp thông qua giao diện tiêu chuẩn với cơ chế xác thực và tập hợp. So với quy trình học giám sát truyền thống, PRIME-RL thích hợp hơn để thực hiện huấn luyện linh hoạt trong môi trường không có lập lịch trung tâm, vừa giảm độ phức tạp của hệ thống, vừa tạo nền tảng để hỗ trợ đa nhiệm song song và tiến hóa chiến lược.

TOPLOC:Cơ chế xác thực hành vi đào tạo nhẹ

TOPLOC là cơ chế cốt lõi có thể xác minh được do Prime Intellect đề xuất, được sử dụng 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 tái tính toán toàn bộ mô hình, mà hoàn thành việc xác minh cấu trúc nhẹ bằng cách phân tích quỹ đạo nhất quán cục bộ giữa "chuỗi quan sát ↔ cập nhật chiến lược". Đây là lần đầu tiên biến các quỹ đạo hành vi trong quá trình huấn luyện thành đối tượng có thể xác minh, là đổi mới then chốt để thực hiện phân phối phần thưởng huấn luyện mà không cần tin cậy, cung cấp lộ trình khả thi để xây dựng mạng lưới huấn luyện hợp tác phi tập trung có thể kiểm toán và có thể kích thích.

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

SHARDCAST là giao thức truyền tải và tập hợp trọng số được thiết kế bởi Prime Intellect, 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 truyền tin gossip với chiến lược đồng bộ cục bộ, cho phép nhiều nút tiếp tục gửi cập nhật một phần trong trạng thái không đồng bộ, đạt được sự hội tụ dần dần của trọng số và tiến hóa nhiều 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 cơ sở cốt lõi 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 truyền thông được đội ngũ 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 đào tạo phi tập trung như băng thông hạn chế, thiết bị không đồng nhất và sự không ổn định của nút. Kiến trúc của nó dựa trên dữ liệu song song, bằng cách xây dựng các cấu trúc topo thưa như Ring, Expander, Small-World, đã tránh được chi phí truyền thông cao do đồng bộ toàn cầu, chỉ dựa vào các nút láng giềng cục bộ để hoàn thành việc 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 tham gia ổn định vào các nhiệm vụ đào tạo, nâng cao đáng kể khả năng tham gia vào đào tạo hợp tác toàn cầu, là một trong những hạ tầng truyền thông quan trọng để xây dựng mạng lưới đào tạo phi tập trung.

PCCL: Thư viện truyền thông phối hợp

PCCL là thư viện giao tiếp nhẹ được Prime Intellect thiết kế riêng cho môi trường đào tạo AI Phi tập trung, nhằm giải quyết những nút thắt trong việc thích ứng của thư viện giao tiếp truyền thống trên các thiết bị khác nhau và mạng có băng thông thấp. PCCL hỗ trợ topologie thưa thớt, 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 cơ sở hỗ trợ khả năng giao tiếp bất đồng bộ của giao thức OpenDiLoCo. Nó nâng cao đáng kể khả năng chịu băng thông của mạng đào tạo và tính tương thích của thiết bị, mở ra "km cuối" cho cơ sở hạ tầng giao tiếp nhằm xây dựng một mạng đào tạo hợp tác thực sự mở và không cần tin cậy.

Ba, Mạng lưới 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 các 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 hợp nhất chiến lược.

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

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

Prime Intellect đã phát hành INTELLECT-2 vào tháng 5 năm 2025, đây là mô hình học tăng cường lớn đầu tiên trên thế giới được đào tạo bởi các nút phi tập trung không cần tin cậy và đồng bộ. Quy mô tham số đạt 32B. Mô hình INTELLECT-2 được đào tạo bởi hơn 100 nút GPU không đồng nhất trải khắp 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 đồng bộ. Mô hình này không chỉ là một bước đột phá về hiệu suất, mà còn là việc triển khai hệ thống đầu tiên của mô hình "đào tạo là đồng thuận" mà Prime Intellect đã đề xuất. INTELLECT-2 tích hợp