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協調トレーニングによって作成された強化学習大規模モデルで、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異種ノードによって協調トレーニングされ、完全非同期アーキテクチャを使用し、トレーニング時間は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ています。このモデルは、性能の突破だけでなく、Prime Intellectが提唱する「トレーニング即合意」パラダイムの初めてのシステム実装でもあります。INTELLECT-2は統合されています。
AIトレーニングパラダイムの進化：集中制御から分散化協同の技術革命へ
AIトレーニングパラダイムの進化：集中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、そして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システムの構築における真の「重工業」です。アーキテクチャのパラダイムから見ると、トレーニング方法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、そして本稿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あり、単一の機関がローカルの高性能クラスタ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コントロールシステムによって調整されて動作します。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ト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、高効率でリソース制御が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、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な方法であり、その核心はモデルのトレーニングタスクを分解し、複数のマシンに配布して協力して実行することにあります。これにより、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します。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され、スケジュール管理や同期が行われ、通常は高速なローカルエリアネットワーク環境で動作します。NVLinkの高速相互接続バス技術を使用して、マスターノードが各サブタスクを統一的に調整します。主流の方法には以下が含まれます:
分散化トレーニングは「集中管理+分散化実行」の組み合わせであり、同じボスが遠隔で複数の「オフィス」の従業員に指示を出して協力してタスクを完了す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されています。
分散化トレーニングは、よりオープンで検閲に対する特性を持つ未来の道を代表します。その核心的な特徴は、信頼し合わない複数のノードが中央のコーディネーターなしでトレーニングタスクを協力して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、暗号的な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の計算能力を提供してモデルを共同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、複数のレベルに関わるシステムの工程上の課題であり、「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」ことが可能かどうかは、まだ初期のプロトタイプ探索段階にあります。
フェデレーテッドラーニングは、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集約を強調し、プライバシーコンプライアンスが重視されるシナリオに適しています。フェデレーテッドラーニングは、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ており、完全にオープンで検閲耐性のある特性は持っていません。これは、プライバシーコンプライアンス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。
AIトレーニングパラダイム全景比較表(技術アーキテクチャ×信頼インセンティブ×アプリケーション特性)
! 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
分散型トレーニングの境界、機会、現実
トレーニングパラダイムの観点から見ると、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あったり、リソースの要求が非常に高かったり、協力の難しさがあるため、異種で信頼がないノード間で効率的に完了することは自然に適していません。たとえば、大規模モデルのトレーニングは高いメモリ容量、低遅延、高速帯域幅に依存することが多く、オープンネットワーク内で効果的に分割および同期することが困難です; データプライバシーと主権制限が強いタスクは法的コンプライアンスと倫理的制約に制限され、オープンシェアができません; そして、協力のインセンティブが欠けているタスクは外部参加の動機が不足しています。これらの境界が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虚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、構造が軽量で並列化しやすく、インセンティブを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前景を示しています。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トレーニングとラベリングタスク、リソースが制御可能な小型基礎モデルのトレーニング、そしてエッジデバイスが参加する協調トレーニングシーンが含まれます。これらのタスクは一般的に高い並列性、低い結合性、および異種計算能力を許容する特性を持ち、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。
分散化トレーニングタスク適合性総覧表
! 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の実現経路は比較的明確で、初期の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ルートを順次解析し、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をさらに探求します。
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、誰もがトレーニングに参加でき、計算貢献に対して信頼できる報酬を得ることができる信頼不要の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。強化学習を優先的に適合する対象として採用し、トレーニング、推論、およびウェイト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、標準化されたインターフェースを通じて検証と集約メカニズムと協調します。従来の教師あり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、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:軽量な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によって、軽量な構造の検証を完了します。これは、訓練プロセス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ものであり、信頼不要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行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おり、複数のノードが非同期状態のまま部分的な更新を継続的に提出できるようにし、重みの漸進的な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メソッドと比較して、SHARDCASTは分散化トレーニングのスケーラビリティと耐障害性を著しく向上させ、安定した重みのコンセンサス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な基盤です。
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が提唱した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、分散化訓練で一般的な帯域幅の制約、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、グローバルな同期による高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訓練を完了できます。非同期更新とチェックポイント耐障害機構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訓練タスクに参加できるようにし、グローバルな協調訓練の参加可能性を大幅に向上させ、分散化訓練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、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、勾配圧縮、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顕著に向上させ、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の構築における「最後の一マイル」の通信基盤を確立しました。
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、経済的インセンティブメカニズムを持つトレーニングネットワークを構築しました。プロトコルは三つのコアロールに基づいて運営されています:
協定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、報酬の配布が含まれ、"真実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。
! 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協調トレーニングによって作成された強化学習大規模モデルで、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異種ノードによって協調トレーニングされ、完全非同期アーキテクチャを使用し、トレーニング時間は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ています。このモデルは、性能の突破だけでなく、Prime Intellectが提唱する「トレーニング即合意」パラダイムの初めてのシステム実装でもあります。INTELLECT-2は統合されています。