個(gè)人開發(fā)者訓(xùn)400億參數(shù)大模型：分布式算力，DeepSeek架構(gòu)，3090單卡部署

作者：集小微 5小時(shí)前

來(lái)源：量子位 #大模型#

2150

打破科技巨頭算力壟斷，個(gè)人開發(fā)者聯(lián)手也能訓(xùn)練超大規(guī)模AI模型？

Nous Research宣布推出Psyche Network，可以將全球算力整合起來(lái)訓(xùn)練強(qiáng)大的人工智能。

Psyche是一個(gè)基于Deepseek的V3 MLA架構(gòu)的去中心化訓(xùn)練網(wǎng)絡(luò)，測(cè)試網(wǎng)首次啟動(dòng)時(shí)直接對(duì)40B參數(shù)LLM進(jìn)行預(yù)訓(xùn)練，可以在單個(gè)H/DGX上訓(xùn)練，并在3090 GPU上運(yùn)行。

以往類似規(guī)模的模型訓(xùn)練往往需要耗費(fèi)大量的資源和時(shí)間，并且通常是由大型科技公司或?qū)I(yè)研究機(jī)構(gòu)憑借其雄厚的資金和算力優(yōu)勢(shì)來(lái)完成的。

Psyche的出現(xiàn)讓個(gè)人和小團(tuán)體也可獲取資源創(chuàng)建獨(dú)特大規(guī)模模型。

對(duì)此，有網(wǎng)友表示，Nous Research有潛力成為新的前沿AI實(shí)驗(yàn)室。

技術(shù)突破和網(wǎng)絡(luò)架構(gòu)

DisTrO優(yōu)化器

在傳統(tǒng)AI訓(xùn)練中，數(shù)據(jù)需在中心服務(wù)器與分布式GPU之間高頻傳輸，帶寬不足會(huì)導(dǎo)致GPU利用率暴跌。

2024年Nous研發(fā)的DisTrO分布式訓(xùn)練優(yōu)化器，通過(guò)梯度壓縮（僅傳輸關(guān)鍵參數(shù)更新）和異步更新策略，將跨節(jié)點(diǎn)通信的數(shù)據(jù)量降低90%以上，突破了訓(xùn)練過(guò)程中的帶寬限制，使得訓(xùn)練可以去中心化。

點(diǎn)對(duì)點(diǎn)網(wǎng)絡(luò)堆棧

Psyche創(chuàng)建了一個(gè)自定義的點(diǎn)對(duì)點(diǎn)網(wǎng)絡(luò)堆棧，用于協(xié)調(diào)全球分布式GPU運(yùn)行DisTrO。

這個(gè)基于P2P（點(diǎn)對(duì)點(diǎn)）協(xié)議的專用網(wǎng)絡(luò)層，無(wú)需依賴中心化服務(wù)器協(xié)調(diào)，全球GPU可直接通過(guò)加密通道交換梯度數(shù)據(jù)。

這一設(shè)計(jì)徹底擺脫了對(duì)傳統(tǒng)云服務(wù)商高帶寬網(wǎng)絡(luò)的依賴，即使是家用寬帶連接的GPU，也能穩(wěn)定參與訓(xùn)練。

系統(tǒng)架構(gòu)

Psyche網(wǎng)絡(luò)架構(gòu)有三個(gè)主要部分：

coordinator：協(xié)調(diào)器，存儲(chǔ)有關(guān)訓(xùn)練運(yùn)行狀態(tài)和參與者列表的元數(shù)據(jù)。處理一輪訓(xùn)練中每個(gè)階段之間的轉(zhuǎn)換，且負(fù)責(zé)為運(yùn)行中的所有客戶端提供同步點(diǎn)。

clients：客戶端，負(fù)責(zé)訓(xùn)練、見(jiàn)證和驗(yàn)證。每個(gè)客戶端都保持自身狀態(tài)與協(xié)調(diào)器同步。

data provider：負(fù)責(zé)提供訓(xùn)練所需的數(shù)據(jù)?？梢允潜镜氐囊部梢允荋TTP或 CP提供者。

40B參數(shù)LLM預(yù)訓(xùn)練

此前互聯(lián)網(wǎng)公開的大規(guī)模預(yù)訓(xùn)練多由Meta、Google等巨頭主導(dǎo)（如LLaMA 2的700億參數(shù)模型），Psyche以去中心化模式實(shí)現(xiàn)同等級(jí)別訓(xùn)練。

Psyche首次測(cè)試網(wǎng)運(yùn)行使用的是Deepseek的V3 MLA架構(gòu)。

MLA通過(guò)低秩聯(lián)合壓縮鍵值和矩陣分解技術(shù)，降低計(jì)算復(fù)雜度與內(nèi)存占用，使 400 億參數(shù)大語(yǔ)言模型在有限算力下高效訓(xùn)練。

多頭注意力機(jī)制與潛空間表示學(xué)習(xí)相結(jié)合，提升模型語(yǔ)言理解與生成能力；并且，旋轉(zhuǎn)位置嵌入的運(yùn)用，有效解決長(zhǎng)序列位置依賴問(wèn)題，從多維度保障了訓(xùn)練的高效性與模型性能的優(yōu)質(zhì)性。

數(shù)據(jù)集：

使用了FineWeb（14T）、去除部分不常見(jiàn)語(yǔ)言的FineWeb-2（4T）和The Stack v2（1T），些數(shù)據(jù)集涵蓋豐富信息，為模型訓(xùn)練提供了有力支持。

分布式訓(xùn)練策略：

模型并行與數(shù)據(jù)并行結(jié)合：將400億參數(shù)拆解為128個(gè)分片，分布在不同節(jié)點(diǎn)進(jìn)行 “模型并行” 訓(xùn)練，同時(shí)每個(gè)節(jié)點(diǎn)處理獨(dú)立的數(shù)據(jù)批次（“數(shù)據(jù)并行”），通過(guò)DisTrO優(yōu)化器同步梯度更新。

動(dòng)態(tài)自適應(yīng)批量大?。焊鶕?jù)節(jié)點(diǎn)網(wǎng)絡(luò)延遲自動(dòng)調(diào)整每個(gè)批次的訓(xùn)練數(shù)據(jù)量（如高延遲節(jié)點(diǎn)使用較小批次，減少等待時(shí)間），使全局訓(xùn)練效率提升25%。

未來(lái)將是分布式訓(xùn)練的天下？

隨著AI模型參數(shù)規(guī)模呈指數(shù)級(jí)增長(zhǎng)，傳統(tǒng)集中式訓(xùn)練模式正面臨算力壟斷、成本高昂和擴(kuò)展性瓶頸的嚴(yán)峻挑戰(zhàn)。

分布式訓(xùn)練的崛起，正在徹底改寫這一格局。

就在幾天前，Prime Intellect發(fā)布了首個(gè)分布式RL訓(xùn)練模型INTELLEC-2，引起了廣泛關(guān)注。