Prime Intellectは2025年5月にINTELLECT-2を発表しました。これは、世界初の非同期で信頼不要な分散化ノード協力によって訓練された強化学習大モデルであり、パラメータの規模は32Bに達します。INTELLECT-2モデルは、3大陸に広がる100以上のGPU異種ノードによって協力的に訓練され、完全非同期アーキテクチャを使用し、訓練時間は400時間を超え、非同期協力ネットワークの実現可能性と安定性を示しました。このモデルは、性能の突破だけでなく、Prime Intellectが提案した「訓練即合意」パラダイムの初のシステム展開でもあります。INTELLECT-2は、PRIME-RL(非同期訓練構造)、TOPLOC(訓練行動を統合しています。
AIトレーニングパラダイムの進化：中央集権的管理から分散化協調へ
AIトレーニングパラダイムの進化：集中制御から分散化協調への技術革命
AIの全バリューチェーンにおいて、モデルのトレーニングはリソース消費が最大で、技術的なハードルが最も高いプロセスであり、モデルの能力の上限と実際の応用効果を直接決定します。推論段階の軽量な呼び出しと比較して、トレーニングプロセスは継続的な大規模な計算能力の投入、複雑なデータ処理プロセス、および高強度の最適化アルゴリズムのサポートを必要とし、AIシステム構築の真の「重工業」となっています。アーキテクチャのパラダイムから見ると、トレーニング方式は集中化トレーニング、分散化トレーニング、フェデラルラーニング、そして本稿で重点的に議論する分散化トレーニングの4つのカテゴリに分類できます。
! AIトレーニングパラダイムの進化:中央集権的な制御から分散型のコラボレーションへの技術革命
集中化トレーニングは最も一般的な従来の方法であり、単一の機関がローカルの高性能クラスター内で全てのトレーニングプロセスを完了します。ハードウェア、基盤ソフトウェア、クラスタースケジューリングシステムからトレーニングフレームワークのすべてのコンポーネントが統一された制御システムによって調整されて運営されます。このような深い協調のアーキテクチャは、メモリ共有、勾配同期、フォールトトレランスメカニズムの効率を最適化し、GPTやGeminiなどの大規模モデルのトレーニングに非常に適しており、高い効率とリソースの制御という利点を持っていますが、同時にデータの独占、リソースの壁、エネルギー消費、単一障害のリスクなどの問題も存在します。
分散化トレーニングは現在の大規模モデルトレーニングの主流な方法であり、その核心はモデルのトレーニングタスクを分解し、複数のマシンに配布して協調実行することで、単一の計算およびストレージのボトルネックを突破することです。物理的には「分散化」の特性を持っているものの、全体は依然として中央集権的な機関によって制御、調整、同期されており、高速なローカルエリアネットワーク環境で運用されることが多く、NVLink高速相互接続バス技術を通じて、マスターノードが各サブタスクを統一的に調整します。主流の方法には:
分散化トレーニングは「集中制御+分散実行」の組み合わせであり、同じボスが遠隔で複数の「オフィス」従業員に指示してタスクを完了させることに例えられます。現在、ほぼすべての主流の大規模モデル(GPT-4、Gemini、LLaMAなど)はこの方法でトレーニングを完了しています。
! AIトレーニングパラダイムの進化:中央集権的な制御から分散型のコラボレーションへの技術革命
分散化トレーニングは、よりオープンで検閲に対する特性を持った未来の道を意味します。その核心的な特徴は: 相互に信頼しない複数のノード(が家庭用コンピュータ、クラウドGPU、またはエッジデバイス)であり、中央のコーディネーターなしで共同でトレーニングタスクを完了することができることです。通常、プロトコルによってタスクの配布と協力を推進し、暗号的なインセンティブメカニズムを利用して貢献の誠実性を確保します。このモデルが直面する主な課題には:
分散化トレーニングは、世界中のボランティアがそれぞれの計算能力を提供してモデルを共同トレーニングすることとして理解できますが、「真に実行可能な大規模分散化トレーニング」は依然としてシステム的な工学上の課題であり、システムアーキテクチャ、通信プロトコル、暗号セキュリティ、経済メカニズム、モデル検証など、複数の側面に関与しています。しかし、「協力的かつ効果的で、誠実なインセンティブを持ち、正しい結果を得る」ことができるかどうかは、まだ初期のプロトタイプ探索段階にあります。
フェデラルラーニングは、分散型と分散化の間の移行形態として、データのローカル保持とモデルパラメータの集中集約を強調し、プライバシーコンプライアンスを重視したシナリオ(、例えば医療や金融)に適しています。フェデラルラーニングは、分散トレーニングのエンジニアリング構造とローカル協調能力を持ちながら、同時に分散化トレーニングのデータ分散の利点を兼ね備えていますが、信頼できる調整者に依存しており、完全にオープンで検閲に抵抗する特性は持っていません。これは、プライバシーコンプライアンスのシナリオにおける"制御された分散化"の一種と見なされ、トレーニングタスク、信頼構造、通信メカニズムにおいて比較的穏やかであり、産業界の移行的な展開アーキテクチャとしてより適しています。
分散型トレーニングの境界、機会、現実
トレーニングのパラダイムの観点から見ると、分散化トレーニングはすべてのタスクタイプに適しているわけではありません。あるシナリオでは、タスクの構造が複雑で、リソースの要求が非常に高い、または協力の難易度が高いため、異種の信頼されていないノード間で効率的に完了することが本質的に適していません。例えば、大規模モデルのトレーニングは通常、高いメモリ容量、低遅延、高速帯域幅に依存しており、オープンネットワークで効果的に分割し同期することが難しいです。データのプライバシーと主権の制約が強いタスク(、例えば医療や金融、機密データ)は、法的遵守や倫理的制約に制限され、オープンに共有することができません。また、協力のインセンティブが欠如しているタスク(、例えば企業のクローズドソースモデルや内部プロトタイプのトレーニング)は、外部の参加動機が欠けています。これらの境界は、現在の分散化トレーニングの現実的な制限を構成しています。
しかし、これは分散化トレーニングが偽命題であることを意味するものではありません。実際、構造が軽量で、並行性が高く、インセンティブがあるタスクタイプにおいて、分散化トレーニングは明確な応用の見込みを示しています。これには、LoRA微調整、行動整合型の後トレーニングタスク(、RLHF、DPO)、データクラウドソーシングトレーニングおよびアノテーションタスク、リソース制御下の小型基盤モデルのトレーニング、エッジデバイスが参加する協調トレーニングシナリオが含まれます。これらのタスクは一般的に高い並行性、低い結合性、および異種計算能力に対する耐性を備えており、P2Pネットワーク、Swarmプロトコル、分散最適化器などの方法で協力トレーニングを行うのに非常に適しています。
! AIトレーニングパラダイムの進化:中央集権的な制御から分散型のコラボレーションへの技術革命
分散化トレーニングのクラシックプロジェクト解析
現在、分散化トレーニングとフェデレート学習の最前線分野において、代表的なブロックチェーンプロジェクトには、Prime Intellect、Pluralis.ai、Gensyn、Nous Research、Flock.ioが含まれます。技術革新性とエンジニアリングの実現難易度の観点から、Prime Intellect、Nous Research、Pluralis.aiはシステムアーキテクチャとアルゴリズム設計において多くの独自の探索を提案しており、現在の理論研究の最前線を代表しています。一方、GensynとFlock.ioの実現パスは比較的明確で、初歩的なエンジニアリングの進展が見られます。本稿では、これら5つのプロジェクトの背後にあるコア技術とエンジニアリングアーキテクチャの道を順に解析し、分散化AIトレーニングシステムにおけるそれらの違いと相補的関係についてさらに探討します。
プライムインテレクト：訓練軌跡が検証可能な強化学習協調ネットワークの先駆者
Prime Intellectは、誰でも参加できる信頼不要のAIトレーニングネットワークを構築することに取り組んでおり、その計算貢献に対して信頼できる報酬を得ることができます。Prime Intellectは、PRIME-RL + TOPLOC + SHARDCASTの三大モジュールを通じて、検証可能性、オープン性、インセンティブメカニズムが完備されたAI分散化トレーニングシステムを構築することを目指しています。
Prime Intellectプロトコルスタックの構造と重要なモジュールの価値:
PRIME-RL:デカップリング非同期強化学習タスクアーキテクチャ
PRIME-RLはPrime Intellectが分散化トレーニングシナリオのためにカスタマイズしたタスクモデリングと実行フレームワークであり、異種ネットワークと非同期参加のために設計されています。強化学習を優先適応対象として採用し、トレーニング、推論、およびウェイトのアップロードプロセスを構造的にデカップリングし、各トレーニングノードがローカルで独立してタスクループを完了できるようにし、標準化されたインターフェースを介して検証および集約メカニズムと協調します。従来の監視学習プロセスと比較して、PRIME-RLは中央スケジューリングのない環境での弾力的なトレーニングを実現するのにより適しており、システムの複雑さを低減し、複数のタスクの並行処理と戦略の進化をサポートする基盤を築いています。
TOPLOC:軽量トレーニング行動検証メカニズム
TOPLOC(信頼される観察とポリシー-ローカリティチェック)は、Prime Intellectによって提案されたトレーニング可能な検証性のコアメカニズムであり、ノードが実際に観測データに基づいて有効な戦略学習を完了したかどうかを判断するために使用されます。ZKMLなどの重いソリューションとは異なり、TOPLOCは全モデルの再計算に依存せず、"観測シーケンス↔戦略更新"の間の局所的一貫性の軌跡を分析することによって、軽量構造の検証を完了します。これは、トレーニングプロセス中の行動軌跡を検証可能なオブジェクトに変換することを初めて行い、信頼なしでのトレーニング報酬配分を実現するための重要な革新です。可監査でインセンティブを持つ分散化協力トレーニングネットワークを構築するための実行可能な道を提供します。
SHARDCAST: 非同期の重み集約および伝播プロトコル
SHARDCASTはPrime Intellectが設計した重みの伝播と集約プロトコルであり、非同期、帯域幅制限、およびノード状態が変化する実際のネットワーク環境に最適化されています。これはgossip伝播メカニズムと局所的な同期戦略を組み合わせており、複数のノードが非同期状態で部分的な更新を継続的に提出することを許可し、重みの漸進的な収束と多バージョンの進化を実現します。集中型または同期型のAllReduceメソッドと比較して、SHARDCASTは分散化トレーニングのスケーラビリティとフォールトトレランスを大幅に向上させ、安定した重みのコンセンサスと継続的なトレーニングの反復を構築するための核心的な基盤です。
OpenDiLoCo:スパース非同期通信フレームワーク
OpenDiLoCoはPrime IntellectチームがDeepMindに基づいて提唱したDiLoCoの理念を独立して実装し、オープンソース化した通信最適化フレームワークであり、分散化トレーニングにおける一般的な帯域幅制限、デバイスの異種性、およびノードの不安定性といった課題に特化して設計されています。そのアーキテクチャはデータ並列性に基づいており、Ring、Expander、Small-Worldなどの疎なトポロジー構造を構築することで、グローバルな同期による高い通信コストを回避し、局所的な隣接ノードに依存してモデルの協調トレーニングを完了させます。非同期更新とチェックポイント耐障害メカニズムを組み合わせることで、OpenDiLoCoは消費者向けGPUやエッジデバイスが安定してトレーニングタスクに参加できるようにし、世界的な協力トレーニングの参加性を大幅に向上させ、分散化トレーニングネットワークを構築するための重要な通信インフラの一つとなっています。
PCCL:協調通信ライブラリ
PCCL(プライムコレクティブコミュニケーションライブラリ)は、プライムインテレクトが分散化AIトレーニング環境のために特別に設計した軽量通信ライブラリであり、従来の通信ライブラリ(（NCCL、Gloo)など）が異種デバイスや低帯域幅ネットワークでの適応のボトルネックを解決することを目的としています。PCCLは疎トポロジー、勾配圧縮、低精度同期およびチェックポイントの復元をサポートし、コンシューマ向けGPUや不安定なノードで動作します。これは、OpenDiLoCoプロトコルの非同期通信能力を支える基盤コンポーネントです。トレーニングネットワークの帯域幅耐性とデバイス互換性を大幅に向上させ、真にオープンで信頼を必要としない協調トレーニングネットワークのための「最後の一マイル」の通信基盤を構築します。
Prime Intellectのインセンティブネットワークと役割分担
Prime Intellectは、許可不要で、検証可能で、経済的インセンティブメカニズムを備えたトレーニングネットワークを構築し、誰でもタスクに参加し、実際の貢献に基づいて報酬を得ることができるようにします。プロトコルは、3つのコアロールに基づいて機能します:
プロトコルのコアプロセスは、タスクの公開、ノードのトレーニング、軌跡の検証、重みの集約(SHARDCAST)および報酬の配布を含み、"真のトレーニング行動"を中心としたインセンティブのクローズドループを形成します。
! AIトレーニングパラダイムの進化:中央集権的な制御から分散型のコラボレーションへの技術革命
INTELLECT-2:初の検証可能な分散化トレーニングモデルのリリース
Prime Intellectは2025年5月にINTELLECT-2を発表しました。これは、世界初の非同期で信頼不要な分散化ノード協力によって訓練された強化学習大モデルであり、パラメータの規模は32Bに達します。INTELLECT-2モデルは、3大陸に広がる100以上のGPU異種ノードによって協力的に訓練され、完全非同期アーキテクチャを使用し、訓練時間は400時間を超え、非同期協力ネットワークの実現可能性と安定性を示しました。このモデルは、性能の突破だけでなく、Prime Intellectが提案した「訓練即合意」パラダイムの初のシステム展開でもあります。INTELLECT-2は、PRIME-RL(非同期訓練構造)、TOPLOC(訓練行動を統合しています。