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の大規模モデルで、パラメータ規模は32Bです。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共同訓練され、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"訓練即共識"のパラダイムの初めて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、分散化訓練の新たな一歩を示しています。
AIトレーニングパラダイム革命：集中管理から分散化協力へ
AIトレーニングパラダイムの進化：集中管理から分散化コラボレーションへの技術革命
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、技術的なハードルも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、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、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、フェデレートラーニング、そして本文で重点的に議論する分散化トレーニングの4つに分類できます。
! 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、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は、統一された制御システムによって調整されて動作します。この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、効率が高く、リソースを制御可能という利点がありますが、同時にデータの独占、リソースの壁、エネルギー消費、単一障害点のリスク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協調して実行することで、単一のコンピュータ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"の特性を持ちながらも、全体は依然として中央集権的な機関によって制御、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テクノロジーを通じて、マスターノードが各サブタスクを統一して調整します。主流の方法には:
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、同じボスが遠隔で複数の「オフィス」社員に指示してタスクを完了させるのに似ています。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されています。
! 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抵抗性のある未来の道を示しています。そのコア特徴は、中央のコーディネーターなしで、互いに信頼しない複数のノードが協力してトレーニングタスクを完了することです。通常、プロトコルによってタスクの配信と協力が促進され、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には、次のようなものがあります:
分散化トレーニングは、世界中のボランティアのグループがそれぞれ計算能力を提供してモデルを共同で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、モデル検証などの多くの側面が関与しています。しかし、"協力的に効果的 + 誠実を促す + 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。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、分散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、信頼できる調整者に依存し、完全にオープンで検閲に対抗する特性を持っていません。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」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
訓練のパラダイムから見ると、分散化訓練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、リソースの需要が極めて高い、または協力の難易度が高いため、異種かつ信頼されないノード間で効率的に完了することが自然に不適合です。例えば、大規模モデルの訓練は通常、高いメモリ、高速のレイテンシ、そして高速な帯域幅に依存しているため、オープンネットワーク内で効果的に分割や同期を行うことが難しいです。データプライバシーや主権の制限が強いタスクは、法的なコンプライアンス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からの参加動機が欠けています。これらの境界が現在の分散化訓練の現実的な制限を形成しています。
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ものではありません。実際、構造が軽量で、並列処理が容易で、インセンティブが与え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。これには、LoRA微調整、行動整合後のトレーニングタスク、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、エッジデバイスによる協調トレーニングシナリオが含まれますが、これに限定されません。これらのタスクは一般的に高い並列性、低い結合性、異種計算能力を許容する特性を持っており、非常にP2Pネットワーク、Swarmプロトコル、分散型オプティマイザーなどの方法を通じて協力的なトレーニングを行うのに適しています。
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ト学習の最前線の分野において、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求を提案し、現在の理論研究の最前線の方向を示しています。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核心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関係についてさらに探討します。
! 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
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の三つのモジュールを通じて、検証可能でオープンな、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および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だけでなく、マルチタスクの並行処理と戦略の進化をサポートするための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によって提案され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で、軽量な構造検証を完了します。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初めての試みであり、信頼不要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、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、安定した重みのコンセンサスと持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で一般的な帯域幅制限、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はコンシューマー向け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です。
PCCL:協同通信ライブラリ
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直面する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は疎なトポロジー、勾配圧縮、低精度同期、断点復帰をサポートし、消費者向けGPUや不安定なノード上で動作可能で、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"の通信基盤を切り開きました。
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、3つのコアロールに基づいて動作します:
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、ウェイトの集約、および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な分散化ノード協力によって訓練された強化学習の大規模モデルで、パラメータ規模は32Bです。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共同訓練され、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"訓練即共識"のパラダイムの初めて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、分散化訓練の新たな一歩を示しています。