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力訓練で構築され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大陸に広がる100以上のGPU異種ノードの協力訓練によって完成し、完全な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「訓練即共識」というパラダイムの初のシステム実装でもあります。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の初の実現を示しています。
AIトレーニングモードの革新: 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: 中央集権的制御から分散化協調への技術革命
AIの全価値チェーンにおいて、モデルのトレーニングはリソース消費が最も大きく、技術的なハードルが最も高い段階であり、モデルの能力の上限と実際の応用効果を直接的に決定します。推論段階の軽量な呼び出しに比べて、トレーニングプロセス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、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システム構築の本当の「重工業」です。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4つのカテゴリに分類できます: 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。
! 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、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、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用されます。この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、高効率でリソースが制御可能な利点がありますが、同時にデータの独占、リソースの壁、エネルギー消費、および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の方法であり、その核心はモデルのトレーニングタスクを分解し、多数のマシンに配布して協調して実行することで、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」の特性を備えていますが、全体は依然として中央集権的な機関によって制御され、調整および同期されています。通常、高速なローカルエリアネットワーク環境で動作し、NVLinkの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一元的に調整します。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」の従業員にコラボレーション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抗す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、複数の互い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信と協力が駆動され、暗号化された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能力を提供し、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、「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、モデル検証など複数のレベルに関わります。しかし、「協力的かつ効果的で、誠実にインセンティブを与え、結果が正しい」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。
連邦学習は、分散化と去中心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するシーンに適しています。連邦学習は分散トレーニングのエンジニアリング構造と局所的な協調能力を持ちながら、去中心化トレーニングのデータ分散の利点も兼ね備えていますが、依然として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られ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 "制御された去中心化" ソリューションと見なすことができ、トレーニングタスク、信頼構造、通信メカニズムにおいても比較的穏やかであり、産業界の移行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、タスクの構造が複雑で、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自然に適していません。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、および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。データプライバシーと主権の制約が強いタスクは、法律の遵守と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。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、並行性が高く、インセンティブが得られ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。それには、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トレーニングとアノテーションタスク、リソース制御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が、これらに限りません。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の特徴を持っており、P2Pネットワーク、Swarmプロトコル、分散型最適化器などの方法で協力的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の解析
現在、分散化トレーニングとフェデラル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次解析し、分散化AIトレーニングシステムにおけるその違いと相補関係をさらに探ります。
プライム・インテレクト: トレーニングトレース検証可能な強化学習協調ネットワークの先駆者
Prime Intellectは、信頼を必要としないAIトレーニングネットワークの構築に努めており、誰でもトレーニングに参加でき、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3つの主要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したいと考えています。
一、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
! 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、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。強化学習を優先的な適応対象として採用し、トレーニング、推論、ウェイト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、標準化インターフェースを介して検証と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べて、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し、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:軽量トレーニング行動検証メカニズム
TOPLOCはPrime Intellectが提案した訓練の検証可能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達成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、軽量な構造検証を行います。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初めて変換し、信頼なしでの訓練報酬配分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を与える分散型協力訓練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が設計した重み伝播と集約プロトコルであり、非同期、帯域幅制限のある、ノード状態が変化し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、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、重みの段階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手法と比較して、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、安定した重み合意と継続的なトレーニング反復のための基盤を構築します。
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が提唱した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において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に基づき、Ring、Expander、Small-Worldなどの疎なトポロジー構造を構築することによって、全体的な同期に伴う高い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することができます。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は消費者向けGPUやエッジデバイスが安定的に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著しく向上させ、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応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、グラデーション圧縮、低精度同期およ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構築において「最後の一マイル」の通信基盤が整備されました。
三、Prime Intellect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、三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、タスクの公開、ノードのトレーニング、軌跡の検証、重みの集約と報酬の配布が含まれ、"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クローズド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力訓練で構築され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大陸に広がる100以上のGPU異種ノードの協力訓練によって完成し、完全な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「訓練即共識」というパラダイムの初のシステム実装でもあります。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の初の実現を示しています。