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の分散化ノードによる協調訓練によって作成された強化学習の大規模モデルで、パラメータの規模は32Bです。INTELLECT-2モデルは、三大陸に広がる100以上のGPU異種ノードによって協調訓練され、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行可能性と安定性を示しています。このモデルは、性能の突破だけでなく、Prime Intellectが提案した「訓練は合意である」というパラダイムの初のシステム実現を意味します。INTELLECT-2はPRIME-RL、TOPLOC、SHARDCASTなどのコアプロトコルモジュールを統合しており、分散化の重要な一歩を示しています。
AIトレーニング革命: 中央集権から分散化への技術進化
AIトレーニングパラダイムの進化：集中管理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資源消費が最も大きく、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適用効果を直接決定します。推論段階の軽量な呼び出しに対して、トレーニングプロセスには継続的な大規模な計算力の投入、複雑なデータ処理プロセス、高強度の最適化アルゴリズムのサポートが必要であり、AIシステム構築の本当の「重工業」です。アーキテクチャのパラダイムの観点から、トレーニング方式は集中型トレーニング、分散型トレーニング、フェデラルラーニング、そして本記事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されます。
! 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全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用されます。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、高い効率と資源管理の利点を持っていますが、同時にデータの独占、資源の壁、エネルギー消費、単一障害点などの問題も抱えています。
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方式であり、その核心はモデルトレーニングタスクを分解し、複数のマシンに配布して共同実行することによって、単一マシンの計算と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」の特性を持っていますが、全体は依然として中央集権的な機関によって制御、スケジュール、同期されています。通常、高速のローカルエリアネットワーク環境で動作し、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。主流の方法には次のものが含まれます:
分散型トレーニングは「集中管理 + 分散実行」の組み合わせであり、同じボスが複数の「オフィス」の従業員にリモートで指揮をとってタスクを完了させることに似ています。現在、ほぼすべての主流の大規模モデル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抵抗性を持つ未来の道を意味します。そのコア特性は、複数の相互に信頼しないノードが中央のコーディネーターなしに協力してトレーニングタスクを完了することにあります。通常、プロトコルによってタスクの配布と協力が駆動され、暗号的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は以下の通りです:
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計算力を提供して協力してモデルをトレーニングすることと理解できますが、"真に実行可能な大規模分散化トレーニング"は、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、モデル検証などの複数の側面を含む、依然としてシステム的なエンジニアリングの課題です。しかし、"協力的に効果的 + 誠実を奨励 + 結果が正しい"が実現できるかどうかは、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過渡的な形態として、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するシーンに適しています。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、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耐える特性は持っていません。プライバシーコンプライアンスのシーンにおける"制御された分散化"の一種と見なすことができ、トレーニングタスク、信頼構造、および通信メカニズムのすべてにおいて比較的穏やかであり、産業界の過渡的なデプロイメント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。特定のシナリオでは、タスク構造が複雑でリソースの要求が非常に高いか、協力の難易度が高いため、異種で信頼の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、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および同期することが難しいです。データのプライバシーや主権の制約が強いタスクは、法的な遵守や倫理的な制約に制限され、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不足しているタスクは、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の命題であることを意味するわけではありません。実際、構造が軽量で、並行処理が容易で、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展望を示しています。これには、LoRA微調整、行動整合性に関する後処理タスク、データクラウドソーシングによるトレーニングとラベリングタスク、リソース制御された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などが含まれます。これらのタスクは一般的に高い並行性、低い結合性、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を通じて協力的な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テッドラーニング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実現の難易度の観点から見ると、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創的な探求を提案し、現在の理論研究の最前線方向を代表しています。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。この記事では、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について順次解析し、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関係についてさらに探討します。
プライムインテレクト: トレーニングトラジェクトリ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、計算貢献に対して信頼できる報酬を得られるようにしています。Prime Intellectは、PRIME-RL + TOPLOC + SHARDCASTの3つのモジュールを通じて、検証可能でオープンで、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。
一、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
! 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
二、Prime Intellectトレーニングの重要なメカニズムの詳細
PRIME-RL:デカップリング型非同期強化学習タスクアーキテクチャ
PRIME-RLはPrime Intellectによって分散化トレーニングシナリオのためにカスタマイズされたタスクモデリングおよび実行フレームワークであり、異種ネットワークおよび非同期参加のために設計されています。強化学習を優先適合対象として採用し、トレーニング、推論、重みのアップロードプロセスを構造的に分離し、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通じて検証および集約メカニズムと協調します。従来の監督学習プロセスと比較して、PRIME-RLは中央調整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するだけでなく、多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はPrime Intellectが提唱した訓練可能な検証性のコアメカニズムであり、ノードが観測データに基づいて実際に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、「観測系列 ↔ 戦略更新」間の局所的一貫性の軌跡を分析することで軽量な構造検証を実現します。これは、訓練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初めての試みであり、信頼なしの訓練報酬配分を実現するための重要な革新です。監査可能でインセンティブのある分散型協力訓練ネットワークを構築するための実現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によって設計された重み伝播と集約プロトコルであり、非同期、帯域幅制限、ノードの状態が変わりやすい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のままで部分的な更新を継続的に提出することを可能にし、重みの漸進的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方法と比較して、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、安定した重みの合意と持続的なトレーニングの反復を構築するためのコア基盤です。
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によって提唱されたDiLoCo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帯域幅の制限、デバイスの異種性、ノードの不安定性などの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、全体の同期による高通信コストを回避し、局所的な隣接ノードのみに依存してモデルの協調トレーニングを完了できます。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はコンシューマー向け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、世界中の協力トレーニングの参加可能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です。
PCCL:協調通信ライブラリ
PCCLはPrime Intellect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、従来の通信ライブラリが異種デバイスや低帯域幅ネットワークでの適応におけるボトルネックを解決することを目的としています。PCCLはスパーストポロジー、勾配圧縮、低精度同期およびブレー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可能であり、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。これにより、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が大幅に向上し、真のオープンで信頼不要な協調トレーニングネットワークを構築するための「最後の1マイル」の通信基盤が確保されました。
三、Prime Intellectのインセンティブネットワークと役割分担
Prime Intellectは、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、許可不要で検証可能な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ました。プロトコルは、3種類のコアロールに基づいて動作します:
プロトコルの核心プロセスは、タスクの公開、ノードのトレーニング、軌跡の検証、重みの集約および報酬の分配を含み、"実際のトレーニング行動"を中心としたインセンティブの閉ループを構成しています。
! 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
四、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の分散化ノードによる協調訓練によって作成された強化学習の大規模モデルで、パラメータの規模は32Bです。INTELLECT-2モデルは、三大陸に広がる100以上のGPU異種ノードによって協調訓練され、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行可能性と安定性を示しています。このモデルは、性能の突破だけでなく、Prime Intellectが提案した「訓練は合意である」というパラダイムの初のシステム実現を意味します。INTELLECT-2はPRIME-RL、TOPLOC、SHARDCASTなどのコアプロトコルモジュールを統合しており、分散化の重要な一歩を示しています。