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を必要としない分散化ノードが協力して訓練した強化学習の大規模モデルで、パラメータ規模は32Bに達します。INTELLECT-2モデルは、3つの大陸に広がる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が提唱した"訓練即合意"のパラダイムの初のシステム落地でもあります。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、分散化訓練ネットワークが初めて実現したことを示しています。
分散化トレーニング：AIモデルの未来のパラダイムと技術の最前線の探求
クリプトAIの聖杯:分散型トレーニングのフロンティア探索
AIの全価値チェーンにおいて、モデル訓練はリソース消費が最も大きく、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に比べて、訓練プロセスは持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、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」です。アーキテクチャのパラダイムから見ると、訓練方法は集中化訓練、分散化訓練、フェデラル学習、および本記事で重点的に議論する分散化訓練の4つに分類できます。
! 暗号AIの聖杯:分散型トレーニングのフロンティア探索
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営されます。このような深い協調のアーキテクチャにより、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が最適化され、GPT、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、効率が高く資源を制御可能な利点がありますが、同時にデータの独占、資源の障壁、エネルギー消費、単一障害点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方式であり、その核心はモデルのトレーニングタスクを分解し、複数のマシンに分配して協調実行することにより、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、調整、同期されており、高速ローカルエリアネットワーク環境で動作することが多いです。NVLink高速相互接続バス技術を通じて、主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」の従業員に遠隔指示を出してタスクを遂行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はこの方法でトレーニングを完了しています。
分散化訓練は、よりオープンで検閲に対抗できる特性を持つ未来の道を示しています。その核心的な特徴は、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で協力して訓練タスクを完了することにあります。通常、プロトコルを通じてタスクの配布と協力が推進され、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には次のものが含まれます:
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能力を提供してモデルを協力してトレーニングすることと理解できますが、「本当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エンジニアリングの課題であり、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、モデル検証などの複数の側面に関わっています。しかし、「協力的に効果的 + 誠実を奨励 + 結果が正しい」かどうかは、まだ初期プロトタイプの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アグリゲーションを強調し、プライバシー準拠が重視されるシナリオに適しています。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コラボレーション能力を持ち、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対する耐性を持っているわけではありません。これは、プライバシー準拠のシナリオにおける「制御された分散化」ソリューションとして見ることができ、トレーニングタスク、信頼構造、通信メカニズムの面で比較的穏やかであり、産業界における移行的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。
! クリプトAIの聖杯:分散型トレーニングのフロンティア探索
分散化トレーニングの境界、機会と現実の道
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、または協力が難しいため、本質的に異種で信頼のないノード間で効率的に完了することが適していません。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および同期するのが難しいです。また、データプライバシーと主権の制約が強いタスクは、法律遵守および倫理の制約に制限され、オープンに共有することができません。一方、協力のインセンティブが不足しているタスクは、外部参加の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約を共同で構成しています。
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、並列性が高く、インセンティブを与えることができ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、行動整合型後処理タスク、データクラウドソーシングトレーニングおよびラベリングタスク、リソース制御可能な小型基盤モデルのトレーニング、エッジデバイス参加の協調トレーニングシーンが含まれますが、これに限りません。これらのタスクは一般的に高い並列性、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で協力トレーニングを行うのに非常に適しています。
! 暗号AIの聖杯:分散型トレーニングのフロンティア探索
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およびフェデラル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、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を代表しています。一方、GensynとFlock.ioの実現経路は比較的明確で、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、誰もが参加できる信頼不要のAIトレーニングネットワークの構築に取り組んでおり、その計算貢献に対して信頼できる報酬を得られるようにしています。Prime Intellectは、PRIME-RL + TOPLOC + SHARDCASTの3つの主要モジュールを通じて、検証可能でオープン、かつ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。
01、Prime Intellectプロトコルスタックの構造と主要モジュールの価値
! 暗号AIの聖杯:分散型トレーニングのフロンティア探索
02、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。従来の監視学習プロセスと比較して、PRIME-RLは中央集権的な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の実現により適しており、システムの複雑さを低減すると同時に、マルチ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:軽量なトレーニング行動検証メカニズム
TOPLOCはPrime Intellectが提案したトレーニングの検証可能性のコアメカニズムであり、ノードが本当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」間の局所的一貫性の軌跡を分析することで軽量構造の検証を行います。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実現し、信頼なしにトレーニング報酬分配を実現するための重要な革新であり、監査可能でインセンティブのある分散型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筋を提供します。
#SHARDCAST:非同期ウェイト集約と伝播プロトコル
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、ノードの状態が変化する実際のネットワーク環境向け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で部分的な更新を継続的に提出できるようにし、重みの漸進的収束と多バージョン進化を実現します。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ており、安定した重みの合意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の提案したDiLoCoの理念に基づいて独立に実装し、オープンソース化した通信最適化フレームワークで、分散化トレーニングでよく見られる帯域幅の制約、デバイスの非均質性、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通信コストを回避し、局所の隣接ノードにのみ依存してモデルの協調トレーニングを実現します。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はコンシューマ向けGPUやエッジデバイスも安定してトレーニングタスクに参加できるようにし、グローバルな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基盤の一つとなっています。
#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あり、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直面する適合性のボトルネックを解決することを目的としています。PCCLはスパーストポロジー、勾配圧縮、低精度同期、及びチェックポイント復元をサポートし、コンシューマ向けGPUや不安定なノード上で動作可能であり、OpenDiLoCoプロトコルの非同期通信機能を支える基盤コンポーネントです。それは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"最後の一マイル"の通信基盤を整えました。
03、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でき、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、経済的インセンティブ機構を持つ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つのコアロールに基づいて実行されます:
プロトコルのコアプロセスには、タスクの発行、ノードのトレーニング、トラッキングの検証、ウェイトの集約、および報酬の配布が含まれ、「真のトレーニング行動」を中心にしたインセンティブのクローズドループを構成しています。
! 暗号AIの聖杯:分散型トレーニングのフロンティア探索
04、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を必要としない分散化ノードが協力して訓練した強化学習の大規模モデルで、パラメータ規模は32Bに達します。INTELLECT-2モデルは、3つの大陸に広がる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が提唱した"訓練即合意"のパラダイムの初のシステム落地でもあります。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、分散化訓練ネットワークが初めて実現したことを示しています。