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大モデルで、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力的に訓練され、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「訓練即コンセンサス」パラダイムの初のシステム実現でもあります。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の進化: 中央集権的制御から分散化協調への技術革命
AIトレーニングパラダイムの進化: 集中管理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資源消費が最も大きく、技術的な障壁が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、および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」となります。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4つのカテゴリに分類できます：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、そして本記事で重点的に議論する分散化トレーニングです。
! 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伝統的な方法で、単一の機関がローカルな高性能クラスター内で全トレーニングプロセスを完了します。ハードウェアから基盤ソフトウェア、クラスターの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にし、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、高い効率とリソースの制御可能性の利点がありますが、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、その核心はモデルトレーニングタスクを分解し、多くのマシンに分配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」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、スケジューリング、同期されています。通常は高速ローカルエリアネットワーク環境で動作し、NVLink高速インターコネクトバス技術を通じて、主ノードが各サブタスクを統一的に調整します。主流の方法には次が含まれます:
分散型トレーニングは「集中制御 + 分散実行」の組み合わせであり、同一の上司が遠隔で複数の「オフィス」の従業員に指示を出してタスクを完了させることに類似しています。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耐性のある未来の道を示しています。そのコア特性は、複数の相互に信頼しないノードが中央の調整者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信と協力が推進され、暗号化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:
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協力してトレーニングすることとして理解できますが、「本当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ベルを含むシステム的なエンジニアリングの課題です。しかし、「協力的かつ効果的 + 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。
フェデラルラーニングは、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に重視したシナリオに適しています。フェデラルラーニングは、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、依然として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に抵抗す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、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、異種の信頼のないノード間で効率的に完了することが本質的に適していません。たとえば、大規模モデルのトレーニングは通常、高いメモリ容量、低遅延、および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ことが困難です。データプライバシーと主権の制約が強いタスクは、法的遵守や倫理的制約に制限され、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、外部からの参加の動機が欠けています。これらの境界線は、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、構造が軽量で並列化が容易で、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。LoRA微調整、行動整合性に基づくポスト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、エッジデバイス参加の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、低い結合性、異種計算力に対する耐性を備えており、P2Pネットワーク、Swarmプロトコル、分散最適化器などの方法を通じて協調的なトレーニングを行うのに非常に適しています。
! 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
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ラル学習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は主にPrime Intellect、Pluralis.ai、Gensyn、Nous Research、Flock.ioを含みます。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独自の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コア技術とエンジニアリングアーキテクチャを順次解析し、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: トレーニング軌跡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の三大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的に適用対象とし、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、標準化された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はセンターによるスケジューリングのない環境での弾力的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が提案したトレーニング可能な検証機構であり、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などの重た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、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最初の試みであり、信頼なしでのトレーニング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および集約プロトコルであり、非同期、帯域幅が制限され、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。それはgossip伝播メカニズムと局所的な同期戦略を組み合わせ、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手法と比較して、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能力を大幅に向上させ、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の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の提案した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、分散化トレーニングにおける一般的な帯域幅制限、デバイスの異質性、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。その構造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、ローカルな隣接ノードのみに依存してモデルの協調トレーニングを完了します。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はコンシューマ向けGPUと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、全体的な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指しています。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、コンシューマー向け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を必要としない共同トレーニングネットワークのための"最後の一マイル"の通信基盤を構築する道を開きました。
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、許可不要で、検証可能で、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るようにしています。プロトコルは、三つのコアロールに基づいて運営されます:
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、"実際のトレーニング行動"を中心にしたインセンティブの閉ループを形成しています。
! 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な分散化ノード協力によって訓練された強化学習大モデルで、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力的に訓練され、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「訓練即コンセンサス」パラダイムの初のシステム実現でもあります。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。