Prime Intellectは2025年5月にINTELLECT-2を発表しました。これは、世界初の非同期かつ信頼不要の分散化ノードによる協調トレーニングによって生成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、三大陸に広がる100以上のGPU異種ノードによって共同トレーニングされ、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、非同期協調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、性能の突破口であるだけでなく、Prime Intellectが提唱した「トレーニングは合意である」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、分散化トレーニングネットワークが初めてトレーニングを実現したことを示しています。
分散型AIトレーニングの最先端の探求:Prime Intellectの中央集権型から革新的なブレークスルーへ
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、モデルのトレーニングはリソース消費が最も多く、技術的ハードルが最も高いステップであり、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較して、トレーニングプロセスは継続的な大規模な計算能力の投入、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、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、フェデレート学習、そして本論文で重点的に議論される分散化トレーニングの4つのカテゴリーに分類できます。
! 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、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動作します。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います。効率が高く、資源を制御できるという利点がありますが、同時にデータの独占、資源の壁、エネルギー消費、単一ポイント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、多数のマシンに配布して協調して実行することにより、単一のマシン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」特性を備えていますが、全体は依然として中央集権的機関によって制御、スケジュール、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実行されることが一般的です。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、以下が含まれます:
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のに類似しています。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を完了しています。
分散化トレーニングは、よりオープンで検閲に強い未来の道を示しています。その核心的な特徴は、信頼しない複数の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です。通常、プロトコルによってタスクの配布と協力を駆動し、暗号的な報酬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、以下が含まれます:
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共同で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、暗号安全性、経済メカニズム、モデル検証などの複数の側面を含むシステム的な工学的課題であり、"協力的かつ効果的 + 誠実を奨励 + 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。
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を重視するシーンに適しています。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抵抗性を持つ特性はありません。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、通信メカニズムのすべて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。
! 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は適していない。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、協調の難易度が高いため、異種で非信頼的なノード間で効率的に完了することが自然に適していない。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内で効果的に分割および同期することが難しい; データプライバシーや主権制限が強いタスクは法律の遵守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ない; 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る。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形成している。
しかし、これは分散化トレーニングが偽命題であることを意味するわけではありません。実際、構造が軽量であり、並列処理が容易で、インセンティブが得られるタスクタイプの中で、分散化トレーニングは明確な応用の見通しを示しています。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、エッジデバイスが参加する協調トレーニングシーンなどが含まれます。これらのタスクは一般的に高い並列性、低いカップリング性、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、分散最適化器などの方法で協力的な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とフェデレーテッド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ており、現在の理論研究の最前線を代表しています。一方で、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を見ることができます。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。
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、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取り組んでおり、誰でもトレーニングに参加でき、その計算への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。
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と集約メカニズムと連携します。従来の監視学習プロセスと比較して、PRIME-RLは中央調整のない環境で柔軟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するだけでなく、多タスクの並行処理と戦略の進化を支え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有効な戦略学習を実際に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」間の局所的一貫性トラジェクトリを分析することで軽量な構造検証を完了します。これは、訓練プロセス中の行動トラジェクトリを検証可能なオブジェクトに初めて変換したものであり、信頼を必要としない訓練報酬の配分を実現するための重要な革新です。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を提供します。
SHARDCAST: Asynchronous Weight Aggregation & Propagation Protocol(非同期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、非同期、帯域幅制限、ノード状態の変動が激しい現実のネットワーク環境に最適化されています。これによりgossip伝播メカニズムと局所的同期戦略を組み合わせ、複数のノードが非同期状態で部分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、安定した重み合意と持続的なトレーニングイテレーションの核心基盤を構築します。
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によって提案されたDiLoCoの理念を独立して実装し、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における帯域幅の制限、デバイスの異種性、ノードの不安定性などの一般的な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構造を構築することによって、グローバルな同期による高通信コストを回避し、局所の隣接ノードのみに依存してモデル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、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、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のための"最後の一マイル"の通信基盤を切り開きました。
03、Prime Intellectインセンティブネットワークと役割分担
Prime Intellectは、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備えたトレーニングネットワークを構築し、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ます。プロトコルは、3つのコアロールに基づいて運営されます:
協定の核心プロセスは、タスクの発行、ノードの訓練、軌跡の検証、重みの集約と報酬の配布を含み、「真の訓練行動」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。
! 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:最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、世界初の非同期かつ信頼不要の分散化ノードによる協調トレーニングによって生成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、三大陸に広がる100以上のGPU異種ノードによって共同トレーニングされ、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、非同期協調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、性能の突破口であるだけでなく、Prime Intellectが提唱した「トレーニングは合意である」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、分散化トレーニングネットワークが初めてトレーニングを実現したことを示しています。