AIトレーニングは、分散型戦略によって10倍速く、95％安価になります。0Ggetty人工知能の基盤で静かなシフトが(進行中である可能性があり、これはハイパースケールデータセンターでは発生していません。0G Labs、最初の分散型AIプロトコル)AIP(が、中国モバイルと協力して、企業が大規模言語モデルにアクセスし展開する方法に広範な影響を与える可能性のある技術的ブレークスルーを最近発表しました。彼らの革新は、超高速インターネットや通常必要とされる高価な中央集権的インフラストラクチャなしで、1000億以上のパラメーターを持つ大規模AIモデルをトレーニングする新しい方法です。一見すると、これは工学の世界にとっての勝利のように聞こえるかもしれません。しかし、真の物語は経済的かつ戦略的です。0G Labsが達成したことは、AIの構築コストを下げ、企業の手にもっとコントロールを戻し、新しいプレイヤーがこの分野に参入するための扉を開く可能性があります。## AIトレーニングの意味シフトを理解するためには、大規模なAIモデルが現在どのようにトレーニングされているかを再訪することが助けになります。OpenAIのGPT-4やAnthropicのClaudeのようなモデルは、膨大な計算能力とネットワークスループットを必要とします。従来、これはAmazon Web Services、Google Cloud、Microsoft Azureのような企業が所有または賃貸する高性能GPUが接続された高速中央データセンターでのトレーニングを意味します。これらの数字は、中央集権型のクラウドベースまたはハイパースケールデータセンターのトレーニングを反映しており、膨大なGPUクラスター、高帯域幅ネットワーク、および数百万ドルのハードウェアと人件費を必要とします。サンディ・カーター2025年初頭の時点で、OpenAIのリーダーシップ、特にサム・アルトマンは、GPT-4のトレーニングに1億ドル以上の費用がかかったと公に述べています。これは、公式な声明と最近のAI分析報告書における複数のコストモデルによって裏付けられています。これは、少数の組織が負担できる資本、才能、インフラを要求するモデルです。MORE FOR YOU## 0G LabsはAIトレーニングに対するその仮定に挑戦しています彼らが新たに発表したフレームワーク、DiLoCoXと呼ばれるものは、通信量を低減するトレーニング手法を導入しており、高帯域幅接続の必要性を大幅に削減します。実際のところ、彼らは分散クラスタを使用して1 Gbpsのネットワーク上で1070億パラメータのモデルを成功裏にトレーニングしました。この記録は以前の記録に対して10倍の改善を示しており、これを初めて可能にした300倍の速度向上の突破口です。これは、典型的なオフィスのインターネット接続の帯域幅に相当します。すべてを一つの巨大なコンピュートセンターで構築する代わりに、彼らのアプローチは小さな分散型マシンをリンクし、それらの間で情報がどのように共有されるかを最適化します。その結果、従来のクラウドの外で巨大なモデルをトレーニングするための非常にスケーラブルでコスト効率の良い方法が得られます。0Gラボの分散型AIチャンピオン。創設者兼CEOのマイケル・ハインリッヒは、AIトレーニングの進展についてコメントしました。0Gラボの創設者兼CEO、マイケル・ハインリッヒとの会話の中で、彼は「DiLoCoXは、LLMトレーニングの民主化における重要なステップを示しています。これは、大規模な基盤モデルと遅く、不安定なネットワークで接続された分散型クラスターとのギャップを埋めるものです。パイプライン並列処理、遅延耐性通信の重複、および適応型勾配圧縮を組み合わせることによって、このフレームワークは、これまで高帯域幅データセンターにのみ限定されていたスケールとスピードを提供します。これにより、大規模なAIトレーニングがもはや中央集権的なインフラに縛られることのない新しい時代が到来します。」## なぜAIトレーニングがビジネスにとって重要なのかAIを活用することが求められている今、インフラストラクチャーが急速にボトルネックになっています。一部の企業は、設計段階からの分散型AIに目を向け始めています。大規模なモデルを構築することは依然として高価で排他的であり、主に深いリソースや戦略的なクラウドパートナーシップを持つ企業に限られています。0Gのブレークスルーは、第三の道を開きます。これは単なるコスト削減の物語ではありません。それはオプションとコントロールの物語です。**1. 参入障壁を下げる** DiLoCoXのアプローチは、LLMレースに参加するために必要なインフラを最大95%削減します。スタートアップにとって、これはGPUの支出にベンチャーキャピタルを使い果たすことなく、実験しスケールする能力を意味します。中規模企業向けに、大規模なクラウドのコミットメントをせずに社内でモデルをトレーニングする可能性を提供します。政府や研究所にとって、それはAI能力のよりアクセスしやすく、主権的な開発を意味します。**2. ハイパースケーラーからの戦略的独立**今日のほとんどのAIトレーニングは、三つのクラウドプロバイダーに依存しています。その集中は、コストの増加、ベンダーロックイン、コンプライアンスの観点からリスクを伴います。あなたのビジネスがAIに依存しているが、医療、防衛、または金融のような敏感なセクターで運営されている場合、モデルを独立してトレーニングまたはファインチューニングする能力は、強力な戦略的レバーになります。分散型AIはデジタル自律性への道を提供します。最先端のAIは集中型クラウドプラットフォーム内で訓練されなければならないという仮定を打破することによって、0Gのモデルは競争と革新のための新たな余地を生み出します。**3. データプライバシーとコンプライアンスのニーズに沿う**多くの企業は、独自のデータをクラウドベースのモデルやトレーニング環境にアップロードすることに慎重です。分散型トレーニングを使用することで、データを管轄内、ファイアウォール内、またはエッジデバイス上にローカルに保持しながら、大規模なAI開発に参加することが可能になります。これは、欧州連合や独自のAIエコシステムを構築している国々など、厳しいデータ主権法がある地域において特に魅力的です。0Gネットワークは、プライベートデータを一切見ることがありません。**4. サービスが行き届いていない市場における革新の加速** 高い参入コストが多くの国や産業を先進的なAI開発の傍観者のままにしています。DiLoCoXはその閾値を下げます。ケニアの大学、東南アジアの通信プロバイダー、またはラテンアメリカの地域銀行はシリコンバレーと同じ計算能力を持っていないかもしれませんが、彼らは既存のインフラ上でインテリジェントシステムをトレーニングし展開するためのツールをすぐに手に入れるかもしれません。**5. 地政学的および規制リスク**技術的な成果は印象的ですが、中国モバイルの関与は疑問を投げかけます。米国と中国の間で技術的リーダーシップと国家安全保障を巡る緊張が高まり続ける中、企業は中国の国家関連企業との関係に関連する潜在的な規制の監視、データガバナンスの懸念、そして評判リスクを考慮しなければならない。アメリカ合衆国に拠点を置く企業や提携市場で運営されている企業にとって、中国に関連するインフラや研究の統合は、輸出管理、法的制限、または公的な反発に直面する可能性があります。分散型AIソリューションを探求している組織は、パフォーマンスやコストだけでなく、政治的な整合性、コンプライアンスの枠組み、そして長期的な持続可能性も考慮する必要があります。しかし、信頼のないネットワーク上の分散型インフラストラクチャでDiLoCoXを持つことは、China Mobileがあなたのデータを見ることがないため、これが問題になることはありませんし、システムは結果に彼らを頼っていません。## AIのビジネスモデルの再構築もしDiLoCoXが広く採用されれば、AIエコシステム全体に波及効果を生む可能性があります。クラウド収益モデルは、現在AIワークロードによって押し上げられていますが、新たな価格圧力に直面する可能性があります。AIサービスとしてのプラットフォームは、ハイブリッドまたは分散型の展開をサポートするために再構築する必要があるかもしれません。オープンソースフレームワークは、分散化が相互運用性とローカルコントロールを強調するため、影響力を増す可能性があります。エンタープライズソフトウェアベンダーは、より分散型のコンピュート環境を反映するために、AI戦略を再考する必要があるかもしれません。このシフトは、誰もが利用できるAIのより広範なトレンドとも一致しています。ローコードエージェントビルダーからエッジベースの推論まで、動きはよりアクセス可能でモジュール式、カスタマイズ可能なAIスタックへと向かっています。分散型トレーニングは、その哲学の自然な延長です。## CIOとCTOのためのAIシグナル企業のリーダーにとって、0Gの取り組みは、即時の混乱の兆しではなく、近い将来の機会の兆しとして機能します。AIは、その重要な始まりから進化しています。今こそインフラストラクチャ戦略を再評価する時です。あなたの組織はクラウドベースのモデルホスティングへの投資を続けるべきでしょうか、それとも分散型の代替手段を探求し始めるべきでしょうか？あなたの内部データセンターは、分散トレーニングシステムのノードとして機能しますか？分散型フェデレーテッドラーニングは、ネットワーク上の異なる当事者からのプライベートデータを活用する素晴らしい方法です。例えば、病院が癌診断モデルを訓練する場合です。あなたの分野の他の人々と提携し、分散プロトコルを使用してモデルを共同開発することはできますか？今日の答えが「はい」でなくても、DiLoCoXのようなフレームワークの出現は、AIインフラストラクチャ計画を戦略的アジェンダの高い位置に押し上げるべきです。この変化に備えて内部能力を構築し、パートナーを評価し、技術スタックを理解する企業が、経済的に有利に傾いたときに最も迅速に動けるようになります。## AIが異なる形で構築される未来0G Labsと中国移動が示したのは、単なる技術的な概念実証以上のものです。それは、知能がどのように構築され、訓練され、配布されるかについての新しい考え方です。彼らは、中央集権的なスーパーコンピュータなしで1000億パラメータモデルを訓練することが可能であることを示すことにより、スケールの限界を押し広げているだけでなく、アクセスを拡大しています。ビジネスにおいて、それはAIがもはや誰が最も大きなデータセンターを所有しているかではなく、誰が最も柔軟性のある最もスマートなシステムを構築できるかに関するものであることを意味します。それは準備する価値のあるAIの未来です。
分散型戦略により、AIトレーニングが10倍速く、95％安くなる
0G Labs、最初の分散型AIプロトコル)AIP(が、中国モバイルと協力して、企業が大規模言語モデルにアクセスし展開する方法に広範な影響を与える可能性のある技術的ブレークスルーを最近発表しました。彼らの革新は、超高速インターネットや通常必要とされる高価な中央集権的インフラストラクチャなしで、1000億以上のパラメーターを持つ大規模AIモデルをトレーニングする新しい方法です。
一見すると、これは工学の世界にとっての勝利のように聞こえるかもしれません。
しかし、真の物語は経済的かつ戦略的です。0G Labsが達成したことは、AIの構築コストを下げ、企業の手にもっとコントロールを戻し、新しいプレイヤーがこの分野に参入するための扉を開く可能性があります。
AIトレーニングの意味
シフトを理解するためには、大規模なAIモデルが現在どのようにトレーニングされているかを再訪することが助けになります。
OpenAIのGPT-4やAnthropicのClaudeのようなモデルは、膨大な計算能力とネットワークスループットを必要とします。従来、これはAmazon Web Services、Google Cloud、Microsoft Azureのような企業が所有または賃貸する高性能GPUが接続された高速中央データセンターでのトレーニングを意味します。
これらの数字は、中央集権型のクラウドベースまたはハイパースケールデータセンターのトレーニングを反映しており、膨大なGPUクラスター、高帯域幅ネットワーク、および数百万ドルのハードウェアと人件費を必要とします。サンディ・カーター2025年初頭の時点で、OpenAIのリーダーシップ、特にサム・アルトマンは、GPT-4のトレーニングに1億ドル以上の費用がかかったと公に述べています。これは、公式な声明と最近のAI分析報告書における複数のコストモデルによって裏付けられています。これは、少数の組織が負担できる資本、才能、インフラを要求するモデルです。
MORE FOR YOU## 0G LabsはAIトレーニングに対するその仮定に挑戦しています
彼らが新たに発表したフレームワーク、DiLoCoXと呼ばれるものは、通信量を低減するトレーニング手法を導入しており、高帯域幅接続の必要性を大幅に削減します。実際のところ、彼らは分散クラスタを使用して1 Gbpsのネットワーク上で1070億パラメータのモデルを成功裏にトレーニングしました。この記録は以前の記録に対して10倍の改善を示しており、これを初めて可能にした300倍の速度向上の突破口です。これは、典型的なオフィスのインターネット接続の帯域幅に相当します。
すべてを一つの巨大なコンピュートセンターで構築する代わりに、彼らのアプローチは小さな分散型マシンをリンクし、それらの間で情報がどのように共有されるかを最適化します。その結果、従来のクラウドの外で巨大なモデルをトレーニングするための非常にスケーラブルでコスト効率の良い方法が得られます。
0Gラボの分散型AIチャンピオン。創設者兼CEOのマイケル・ハインリッヒは、AIトレーニングの進展についてコメントしました。0Gラボの創設者兼CEO、マイケル・ハインリッヒとの会話の中で、彼は「DiLoCoXは、LLMトレーニングの民主化における重要なステップを示しています。これは、大規模な基盤モデルと遅く、不安定なネットワークで接続された分散型クラスターとのギャップを埋めるものです。パイプライン並列処理、遅延耐性通信の重複、および適応型勾配圧縮を組み合わせることによって、このフレームワークは、これまで高帯域幅データセンターにのみ限定されていたスケールとスピードを提供します。これにより、大規模なAIトレーニングがもはや中央集権的なインフラに縛られることのない新しい時代が到来します。」
なぜAIトレーニングがビジネスにとって重要なのか
AIを活用することが求められている今、インフラストラクチャーが急速にボトルネックになっています。一部の企業は、設計段階からの分散型AIに目を向け始めています。大規模なモデルを構築することは依然として高価で排他的であり、主に深いリソースや戦略的なクラウドパートナーシップを持つ企業に限られています。0Gのブレークスルーは、第三の道を開きます。
これは単なるコスト削減の物語ではありません。それはオプションとコントロールの物語です。
1. 参入障壁を下げる
DiLoCoXのアプローチは、LLMレースに参加するために必要なインフラを最大95%削減します。
スタートアップにとって、これはGPUの支出にベンチャーキャピタルを使い果たすことなく、実験しスケールする能力を意味します。
中規模企業向けに、大規模なクラウドのコミットメントをせずに社内でモデルをトレーニングする可能性を提供します。
政府や研究所にとって、それはAI能力のよりアクセスしやすく、主権的な開発を意味します。
2. ハイパースケーラーからの戦略的独立
今日のほとんどのAIトレーニングは、三つのクラウドプロバイダーに依存しています。
その集中は、コストの増加、ベンダーロックイン、コンプライアンスの観点からリスクを伴います。あなたのビジネスがAIに依存しているが、医療、防衛、または金融のような敏感なセクターで運営されている場合、モデルを独立してトレーニングまたはファインチューニングする能力は、強力な戦略的レバーになります。
分散型AIはデジタル自律性への道を提供します。最先端のAIは集中型クラウドプラットフォーム内で訓練されなければならないという仮定を打破することによって、0Gのモデルは競争と革新のための新たな余地を生み出します。
3. データプライバシーとコンプライアンスのニーズに沿う
多くの企業は、独自のデータをクラウドベースのモデルやトレーニング環境にアップロードすることに慎重です。分散型トレーニングを使用することで、データを管轄内、ファイアウォール内、またはエッジデバイス上にローカルに保持しながら、大規模なAI開発に参加することが可能になります。これは、欧州連合や独自のAIエコシステムを構築している国々など、厳しいデータ主権法がある地域において特に魅力的です。0Gネットワークは、プライベートデータを一切見ることがありません。
4. サービスが行き届いていない市場における革新の加速
高い参入コストが多くの国や産業を先進的なAI開発の傍観者のままにしています。
DiLoCoXはその閾値を下げます。
ケニアの大学、東南アジアの通信プロバイダー、またはラテンアメリカの地域銀行はシリコンバレーと同じ計算能力を持っていないかもしれませんが、彼らは既存のインフラ上でインテリジェントシステムをトレーニングし展開するためのツールをすぐに手に入れるかもしれません。
5. 地政学的および規制リスク
技術的な成果は印象的ですが、中国モバイルの関与は疑問を投げかけます。
米国と中国の間で技術的リーダーシップと国家安全保障を巡る緊張が高まり続ける中、企業は中国の国家関連企業との関係に関連する潜在的な規制の監視、データガバナンスの懸念、そして評判リスクを考慮しなければならない。
アメリカ合衆国に拠点を置く企業や提携市場で運営されている企業にとって、中国に関連するインフラや研究の統合は、輸出管理、法的制限、または公的な反発に直面する可能性があります。分散型AIソリューションを探求している組織は、パフォーマンスやコストだけでなく、政治的な整合性、コンプライアンスの枠組み、そして長期的な持続可能性も考慮する必要があります。
しかし、信頼のないネットワーク上の分散型インフラストラクチャでDiLoCoXを持つことは、China Mobileがあなたのデータを見ることがないため、これが問題になることはありませんし、システムは結果に彼らを頼っていません。
AIのビジネスモデルの再構築
もしDiLoCoXが広く採用されれば、AIエコシステム全体に波及効果を生む可能性があります。
クラウド収益モデルは、現在AIワークロードによって押し上げられていますが、新たな価格圧力に直面する可能性があります。AIサービスとしてのプラットフォームは、ハイブリッドまたは分散型の展開をサポートするために再構築する必要があるかもしれません。オープンソースフレームワークは、分散化が相互運用性とローカルコントロールを強調するため、影響力を増す可能性があります。エンタープライズソフトウェアベンダーは、より分散型のコンピュート環境を反映するために、AI戦略を再考する必要があるかもしれません。
このシフトは、誰もが利用できるAIのより広範なトレンドとも一致しています。ローコードエージェントビルダーからエッジベースの推論まで、動きはよりアクセス可能でモジュール式、カスタマイズ可能なAIスタックへと向かっています。分散型トレーニングは、その哲学の自然な延長です。
CIOとCTOのためのAIシグナル
企業のリーダーにとって、0Gの取り組みは、即時の混乱の兆しではなく、近い将来の機会の兆しとして機能します。AIは、その重要な始まりから進化しています。
今こそインフラストラクチャ戦略を再評価する時です。あなたの組織はクラウドベースのモデルホスティングへの投資を続けるべきでしょうか、それとも分散型の代替手段を探求し始めるべきでしょうか？
あなたの内部データセンターは、分散トレーニングシステムのノードとして機能しますか？分散型フェデレーテッドラーニングは、ネットワーク上の異なる当事者からのプライベートデータを活用する素晴らしい方法です。例えば、病院が癌診断モデルを訓練する場合です。あなたの分野の他の人々と提携し、分散プロトコルを使用してモデルを共同開発することはできますか？
今日の答えが「はい」でなくても、DiLoCoXのようなフレームワークの出現は、AIインフラストラクチャ計画を戦略的アジェンダの高い位置に押し上げるべきです。この変化に備えて内部能力を構築し、パートナーを評価し、技術スタックを理解する企業が、経済的に有利に傾いたときに最も迅速に動けるようになります。
AIが異なる形で構築される未来
0G Labsと中国移動が示したのは、単なる技術的な概念実証以上のものです。それは、知能がどのように構築され、訓練され、配布されるかについての新しい考え方です。彼らは、中央集権的なスーパーコンピュータなしで1000億パラメータモデルを訓練することが可能であることを示すことにより、スケールの限界を押し広げているだけでなく、アクセスを拡大しています。
ビジネスにおいて、それはAIがもはや誰が最も大きなデータセンターを所有しているかではなく、誰が最も柔軟性のある最もスマートなシステムを構築できるかに関するものであることを意味します。
それは準備する価値のあるAIの未来です。