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決定します。推論フェーズの軽量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力の投入、複雑なデータ処理プロセス、および高強度な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。アーキテクチャの観点から見ると、トレーニング方式は4つのカテゴリに分けられます：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、および本記事で重点的に議論する分散化トレーニング。

! 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伝統的な方法であり、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実行されます。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、およびフォールトトレランスメカニズムの効率を最適化し、GPT、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、高い効率性とリソースの制御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、および単一障害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実行することによって、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」の特性を持っているものの、全体は依然として中央集権的な機関によって制御、スケジュール、および同期されており、高速なローカルエリアネットワーク環境で動作することが多く、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:

• データ並列: 各ノードが異なるデータを訓練し、パラメータを共有する必要があり、モデルの重みをマッチさせる必要があります。
• モデル並行: モデルの異なる部分を異なるノードにデプロイし、強力なスケーラビリティを実現する
• パイプライン並行: ステージごとに直列実行し、スループットを向上させる
• テンソル並列: マトリックス計算の精密な分割、並列粒度の向上

分散化トレーニングは「集中管理 + 分散実行」の組み合わせであり、同じ上司が遠くから複数の「オフィス」の従業員に指示を出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(GPT-4、Gemini、LLaMAなど)は、この方法でトレーニングを完了しています。

! 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

分散化トレーニングは、よりオープンで検閲耐性の特性を持つ未来の道筋を示しています。その核心的な特徴は、複数の互いに信頼しないノード(が、家庭用コンピュータ、クラウドGPU、またはエッジデバイス)で、中央の調整者なしに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が駆動され、暗号的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、以下が含まれます:

• デバイスの異種性と分割の難しさ: 異種デバイスの調整が困難で、タスクの分割効率が低い
• 通信効率のボトルネック: ネットワーク通信が不安定で、勾配同期のボトルネックが明らか
• 信頼できる実行の欠如: 信頼できる実行環境が不足しており、ノードが実際に計算に参加しているかどうかを検証することが困難です。
• 統一的な調整の欠如: 中央のスケジューラーがなく、タスクの配布や異常のロールバックメカニズムが複雑

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貢献してモデルを協力してトレーニングすることとして理解できますが、「実際に実行可能な大規模な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、モデル検証などの複数のレイヤーに関わるシステム的なエンジニアリングの課題であり、「協力的かつ効果的 + 正直なインセンティブ + 結果が正しい」ことが可能かどうかは、まだ初期プロトタイプの探索段階にあります。

フェデレートラーニングは、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(、例えば医療や金融)に適しています。フェデレートラーニングは、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、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、および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。

! 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の境界、機会と現実の道

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、異種の非信頼ノード間で効率的に完了するのは難しいです。例えば、大規模モデルのトレーニングは通常、高いメモリ、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で効果的に分割および同期するのは難しいです。データプライバシーや主権制限が強いタスク(、例えば医療、金融、機密データ)は、法的遵守や倫理的制約に制約されており、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欠如しているタスク(、例えば企業のクローズドソースモデルや内部プロトタイプのトレーニング)は、外部の参加動機が不足しています。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構成しています。

しかし、これは分散化トレーニングが無意味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、並列処理が容易で、インセンティブがあ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見込みを示しています。LoRA微調整、行動整合型の後処理タスク(としてのRLHF、DPO)、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ナリオを含むがこれに限らない。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、分散型オプティマイザーなどの方法で協調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、および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オリジナルな探索を提案しており、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、初期のエンジニアリングの進展がすでに見られます。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筋を順次解析し、分散化AIトレーニングシステムにおけるそれらの違いや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、誰もが参加してトレーニングでき、計算貢献に対して信頼できる報酬を得られる、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、検証可能性、オープン性、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。

プライムインテレクトプロトコルスタック構造とキー 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

プライムインテレクト訓練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が分散化された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。それは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、およびウェイトアップロードプロセスを構造的にデカップリングして、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通じ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に比べて、PRIME-RLは中央スケジューリングのない環境で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するだけでなく、マルチタスクの並行と戦略進化を支える基盤を築いています。

! 暗号AIの聖杯:分散型トレーニングのフロンティア探索

#TOPLOC:軽量トレーニング行動検証メカニズム

TOPLOC(信頼できる観察 & ポリシー-ローカリティチェック)は、Prime Intellectによって提案された訓練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行したかどうかを判断するために使用されます。ZKMLなどの重いスキームとは異なり、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変換することを初めて実現し、信頼なしに訓練報酬の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化協力訓練ネットワークを構築するための実現可能な道筋を提供します。

! 暗号AIの聖杯:分散型トレーニングのフロンティア探索

#SHARDCAST: 非同期ウェイト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。それはgossip伝播メカニズムと局所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的な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フォールトトレランス能力を大幅に向上させており、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を構築するための核心的な基盤です。

! 暗号AIの聖杯:分散型トレーニングのフロンティア探索

#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における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により、グローバル同期の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共同トレーニングを完了できます。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はコンシューマー級のGPUやエッジデバイスが安定してトレーニングタスクに参加できるようになり、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です。

#PCCL:協調通信ライブラリ

PCCL(Prime Collective Communication Library)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(であるNCCL、Gloo)が異種デバイスや低帯域幅ネットワークにおけ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、勾配圧縮、低精度同期、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。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不要な協調トレーニングネットワークの構築に向けて「最後の一マイル」の通信基盤が整いました。

Prime Intellectの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られるようにしています。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:

• タスクの発起者: トレーニング環境、初期モデル、報酬関数および検証基準を定義する
• トレーニングノード: ローカルトレーニングを実行し、ウェイトの更新と観測トレースを提出する
• 検証ノード:TOPLOCメカニズムを使用してトレーニング行動の真実性を検証し、報酬に参加する