O Santo Graal da Crypto AI: Explorações na vanguarda do treinamento descentralizado

O treinamento de IA é a etapa mais importante de toda a cadeia de valor da IA, determinando diretamente o limite de capacidade do modelo e o efeito da aplicação. Em comparação com chamadas de inferência leve, o processo de treinamento requer um investimento contínuo em poder computacional em larga escala, processos de manipulação de dados complexos e suporte de algoritmos de otimização de alta intensidade, sendo a verdadeira "indústria pesada" na construção de sistemas de IA. Do ponto de vista do paradigma de arquitetura, os métodos de treinamento podem ser divididos em quatro categorias: treinamento centralizado, treinamento distribuído, aprendizado federado e treinamento descentralizado, que é o foco deste artigo.

O treinamento centralizado é a forma mais tradicional, onde uma única entidade completa todo o processo de treinamento em um cluster de alto desempenho local, com todos os componentes de hardware e software coordenados por um sistema de controle unificado. Esta arquitetura de colaboração profunda maximiza a eficiência do treinamento, sendo muito adequada para o treinamento de modelos de grande escala como GPT e Gemini, com vantagens de alta eficiência e controle de recursos, mas também apresenta problemas como monopólio de dados, barreiras de recursos, consumo de energia e riscos de ponto único.

O treinamento distribuído é a forma principal de treinamento de grandes modelos atualmente. Seu núcleo é dividir a tarefa de treinamento do modelo e distribuí-la para várias máquinas que executam em conjunto, a fim de superar os limites de cálculo e armazenamento de uma única máquina. Embora possua características "distribuídas" em termos físicos, o controle e a coordenação geral ainda são realizados por instituições centralizadas, frequentemente operando em ambientes de rede local de alta velocidade, utilizando tecnologia de barramento de interconexão de alta velocidade NVLink, com o nó principal coordenando uniformemente as subtarefas. Os métodos principais incluem paralelismo de dados, paralelismo de modelos, paralelismo em pipeline e paralelismo de tensores. O treinamento distribuído é uma combinação de "controle centralizado + execução distribuída", semelhante a um mesmo chefe dirigindo remotamente vários funcionários de "escritórios" para colaborar na conclusão de tarefas. Atualmente, quase todos os grandes modelos principais são treinados dessa maneira.

Descentralização do treinamento representa um caminho futuro mais aberto e resistente à censura. Suas características principais são: múltiplos nós que não confiam uns nos outros colaborando para completar as tarefas de treinamento sem um coordenador central, geralmente por meio de protocolos que impulsionam a distribuição de tarefas e a colaboração, e utilizando mecanismos de incentivo criptográfico para garantir a honestidade das contribuições. Os principais desafios enfrentados por esse modelo incluem a heterogeneidade dos dispositivos e dificuldades de fragmentação, gargalos na eficiência de comunicação, falta de execução confiável e ausência de coordenação unificada. A descentralização do treinamento pode ser entendida como: um grupo de voluntários globais, cada um contribuindo com poder computacional para treinar o modelo em colaboração, mas "o verdadeiro treinamento descentralizado em larga escala" ainda é um desafio de engenharia sistêmica, envolvendo arquitetura de sistema, protocolos de comunicação, segurança criptográfica, mecanismos econômicos, validação de modelos e várias outras camadas. A capacidade de "colaborar efetivamente + incentivar a honestidade + garantir resultados corretos" ainda está na fase inicial de exploração de protótipos.

A aprendizagem federada, como uma forma de transição entre distribuído e Descentralização, enfatiza a retenção local de dados e a agregação centralizada de parâmetros do modelo, sendo adequada para cenários que priorizam a conformidade com a privacidade. A aprendizagem federada possui a estrutura de engenharia do treinamento distribuído e a capacidade de colaboração local, enquanto também aproveita a vantagem da dispersão de dados do treinamento Descentralizado, mas ainda depende de um coordenador confiável e não possui características totalmente abertas e resistentes à censura. Pode ser vista como uma solução de "Descentralização controlada" em cenários de conformidade com a privacidade, sendo relativamente moderada em termos de tarefas de treinamento, estrutura de confiança e mecanismo de comunicação, sendo mais adequada como uma arquitetura de implantação transitória na indústria.

Do ponto de vista do paradigma de treinamento, a Descentralização do treinamento não é adequada para todos os tipos de tarefas. Em certos cenários, devido à complexidade da estrutura da tarefa, à alta demanda de recursos ou à dificuldade de colaboração, não é naturalmente adequada para ser concluída de forma eficiente entre nós heterogêneos e de confiança. Por exemplo, o treinamento de grandes modelos muitas vezes depende de alta memória, baixa latência e alta largura de banda, sendo difícil dividir e sincronizar efetivamente em redes abertas; tarefas com fortes restrições de privacidade e soberania de dados são limitadas por conformidade legal e restrições éticas, não podendo ser compartilhadas abertamente; enquanto tarefas que carecem de incentivos de colaboração não têm motivação externa para participação. Essas fronteiras constituem as limitações reais do treinamento descentralizado atualmente.

Mas isso não significa que a Descentralização do treinamento seja um falso dilema. De fato, em tipos de tarefas que são leves em estrutura, fáceis de paralelizar e incentivadas, a Descentralização do treinamento mostra uma perspectiva clara de aplicação. Incluindo, mas não se limitando a: ajuste fino LoRA, tarefas de treinamento pós-alinhamento comportamental, tarefas de treinamento e rotulagem com dados crowdsourced, treinamento de pequenos modelos básicos com controle de recursos e cenários de treinamento colaborativo envolvendo dispositivos de borda. Essas tarefas geralmente possuem características de alta paralelização, baixo acoplamento e tolerância a poder computacional heterogêneo, sendo muito adequadas para treinamento colaborativo através de redes P2P, protocolos Swarm, otimizadores distribuídos, entre outros.

Atualmente, nos campos de treinamento descentralizado e aprendizado federado, os projetos de blockchain mais representativos incluem Prime Intellect, Pluralis.ai, Gensyn, Nous Research e Flock.io. Em termos de inovação tecnológica e dificuldade de implementação, Prime Intellect, Nous Research e Pluralis.ai propuseram muitas explorações originais na arquitetura de sistemas e design de algoritmos, representando as direções de pesquisa teórica de ponta; enquanto Gensyn e Flock.io têm caminhos de implementação relativamente claros, já mostrando progressos iniciais na engenharia.

A Prime Intellect está empenhada em construir uma rede de treinamento de IA que não requer confiança, permitindo que qualquer pessoa participe do treinamento e receba recompensas confiáveis por suas contribuições computacionais. A Prime Intellect espera, através dos três módulos PRIME-RL + TOPLOC + SHARDCAST, construir um sistema de treinamento de IA descentralizado que seja verificável, aberto e com um mecanismo de incentivos completo.

PRIME-RL é a estrutura de modelagem e execução de tarefas personalizada para cenários de treinamento descentralizado da Prime Intellect, projetada especialmente para redes heterogêneas e participação assíncrona. Ela utiliza aprendizado por reforço como objeto de adaptação prioritária, desacoplando estruturalmente os processos de treinamento, inferência e upload de pesos, permitindo que cada nó de treinamento complete o ciclo de tarefas de forma independente localmente, e colabore com mecanismos de validação e agregação através de interfaces padronizadas. Em comparação com os processos tradicionais de aprendizado supervisionado, o PRIME-RL é mais adequado para implementar treinamento flexível em ambientes sem agendamento central, reduzindo a complexidade do sistema e estabelecendo uma base para suportar a paralelização de múltiplas tarefas e a evolução de estratégias.

TOPLOC é um mecanismo central de verificabilidade de treinamento proposto pela Prime Intellect, utilizado para determinar se um nó realmente completou um aprendizado de estratégia válido com base em dados de observação. Ao contrário de soluções pesadas como ZKML, o TOPLOC não depende do recálculo do modelo completo, mas sim da análise das trajetórias de consistência local entre "sequências de observação ↔ atualização de estratégia" para completar a verificação de estrutura leve. Ele transforma pela primeira vez as trajetórias de comportamento durante o processo de treinamento em objetos verificáveis, sendo uma inovação chave para a distribuição de recompensas de treinamento sem necessidade de confiança, fornecendo um caminho viável para a construção de uma rede de treinamento colaborativa descentralizada que seja auditável e incentivadora.

SHARDCAST é um protocolo de propagação e agregação de pesos projetado pela Prime Intellect, otimizado para ambientes de rede reais que são assíncronos, com largura de banda limitada e estados de nós variáveis. Ele combina um mecanismo de propagação gossip com uma estratégia de sincronização local, permitindo que vários nós continuem a submeter atualizações parciais em estados de não sincronização, alcançando a convergência progressiva de pesos e a evolução de múltiplas versões. Em comparação com métodos centralizados ou síncronos de AllReduce, o SHARDCAST melhora significativamente a escalabilidade e a tolerância a falhas do treinamento Descentralização, sendo a base fundamental para construir um consenso estável de pesos e iterações de treinamento contínuas.

OpenDiLoCo é uma estrutura de otimização de comunicação implementada de forma independente e de código aberto pela equipe Prime Intellect, com base na filosofia DiLoCo proposta pela DeepMind, projetada especialmente para enfrentar desafios comuns em treinamentos descentralizados, como largura de banda limitada, heterogeneidade de dispositivos e instabilidade de nós. Sua arquitetura é baseada em paralelismo de dados, construindo estruturas topológicas esparsas como Ring, Expander e Small-World, evitando assim o alto custo de comunicação da sincronização global, dependendo apenas de nós vizinhos locais para realizar o treinamento colaborativo do modelo. Combinando atualizações assíncronas e um mecanismo de tolerância a falhas de ponto de verificação, OpenDiLoCo permite que GPUs de consumo e dispositivos de borda também participem de tarefas de treinamento de forma estável, melhorando significativamente a participação no treinamento colaborativo global, sendo uma das infraestruturas de comunicação chave para a construção de redes de treinamento descentralizadas.

PCCL é uma biblioteca de comunicação leve criada pela Prime Intellect para um ambiente de treinamento de IA descentralizado, visando resolver o gargalo de adaptação das bibliotecas de comunicação tradicionais em dispositivos heterogêneos e redes de baixa largura de banda. O PCCL suporta topologias esparsas, compressão de gradientes, sincronização de baixa precisão e recuperação de pontos de verificação, podendo rodar em GPUs de consumo e nós instáveis, sendo um componente de base que sustenta a capacidade de comunicação assíncrona do protocolo OpenDiLoCo. Ele melhora significativamente a tolerância à largura de banda da rede de treinamento e a compatibilidade dos dispositivos, abrindo o "último quilômetro" da base de comunicação para construir uma rede de treinamento colaborativo verdadeiramente aberta e sem necessidade de confiança.

A Prime Intellect construiu uma rede de treinamento sem permissão, verificável e com mecanismos de incentivos econômicos, permitindo que qualquer pessoa participe de tarefas e receba recompensas com base em contribuições reais. O funcionamento do protocolo baseia-se em três categorias de papéis principais: iniciador da tarefa, nós de treinamento e nós de verificação. O fluxo central do protocolo inclui a publicação de tarefas, treinamento de nós, verificação de trajetórias, agregação de pesos e distribuição de recompensas, constituindo um ciclo de incentivos em torno do "comportamento de treinamento real".

A Prime Intellect lançou o INTELLECT-2 em maio de 2025, que é o primeiro grande modelo de aprendizado reforçado do mundo treinado por nós de colaboração descentralizada assíncrona e sem confiança, com uma escala de parâmetros de 32B. O modelo INTELLECT-2 foi treinado em colaboração por mais de 100 nós heterogêneos de GPU espalhados por três continentes, utilizando uma arquitetura completamente assíncrona, com uma duração de treinamento superior a 400 horas, demonstrando a viabilidade e a estabilidade de uma rede de colaboração assíncrona. Este modelo não é apenas um avanço em desempenho, mas também representa a primeira implementação sistemática do paradigma "treinamento é consenso" proposto pela Prime Intellect. O INTELLECT-2 integra módulos de protocolo central como PRIME-RL, TOPLOC e SHARDCAST, marcando a primeira realização da abertura, verificabilidade e ciclo de incentivos econômicos no processo de treinamento de uma rede de treinamento descentralizada.

Em termos de desempenho, o INTELLECT-2 é baseado no QwQ-32B e passou por um treinamento de RL especializado em código e matemática, estando na vanguarda dos modelos de microajuste de RL de código aberto atuais. Embora ainda não tenha superado modelos de código fechado como o GPT-4 ou o Gemini, seu verdadeiro significado reside no fato de que: é o primeiro experimento de modelo descentralizado no mundo com um processo de treinamento completo que pode ser reproduzido, verificado e auditado. O Prime Intellect não apenas tornou o modelo de código aberto, mas o mais importante é que também tornou o próprio processo de treinamento de código aberto -- os dados de treinamento, as trajetórias de atualização de estratégia, os processos de validação e a lógica de agregação são todos transparentes e verificáveis, construindo um protótipo de rede de treinamento descentralizada em que todos podem participar, colaborar de forma confiável e compartilhar benefícios.

Pluralis é um projeto de IA Web3 focado em "rede de treinamento colaborativo confiável", cujo objetivo central é promover um paradigma de treinamento de modelos descentralizado, de participação aberta e com um mecanismo de incentivos de longo prazo. Ao contrário dos caminhos de treinamento centralizados ou fechados que predominam atualmente, o Pluralis propõe uma nova ideia chamada Aprendizagem por Protocólo: "protocolar" o processo de treinamento do modelo, construindo um sistema de treinamento aberto com um ciclo de incentivos internos através de mecanismos de colaboração verificáveis e mapeamento da propriedade do modelo.

O Protocol Learning proposto pela Pluralis inclui três pilares chave:

1. Modelo não extraível: o modelo é distribuído em fragmentos entre vários nós, e nenhum nó único pode restaurar o peso completo, mantendo-o fechado. Este design torna o modelo uma "propriedade dentro do protocolo", permitindo o controle de credenciais de acesso, proteção contra vazamento e vinculação de atribuição de receita.

2. Treinamento paralelo de modelo baseado na Internet: através do mecanismo de paralelismo de modelo Pipeline assíncrono, diferentes nós mantêm apenas uma parte dos pesos, colaborando através de uma rede de baixa largura de banda para completar o treinamento ou a inferência.

3. Distribuição da propriedade do modelo com base na contribuição: Todos os nós participantes recebem uma parte da propriedade do modelo com base na sua contribuição para o treinamento, desfrutando assim da distribuição de lucros futuros e do direito de governança do protocolo.

Em termos de mecanismos técnicos,