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調訓練され、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が提案する「訓練即合意」パラダイムの初めてのシステム実装でもあります。
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トレーニングパラダイムの進化：集中管理から分散化協同への技術革命
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、技術的なハードル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すると、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、トレーニング方法は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、そして本論文が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。このような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、リソースが制御可能という利点がありますが、一方でデータの独占、リソースの障壁、エネルギー消費、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、複数のマシンに配分して協調して実行することにあります。これは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ためです。物理的には「分散化」の特徴を持っていますが、全体としては中心化された機関によって制御、調整、同期されています。通常は高速なローカルエリアネットワーク環境で実行され、NVLinkの高速相互接続バス技術を介して、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:
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、同じボスが遠隔で複数の「オフィス」の従業員に協力してタスクを完了させ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。その核心的な特徴は、複数の相互に信頼しないノードが中心的な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促進され、暗号的なインセンティブメカニズムによって貢献の誠実性が確保されます。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の計算能力を寄与してモデルを協調して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わっています。しかし、"協調的に効果的 + 誠実を奨励 + 結果が正しい"かどうかはまだ初期プロトタイプの探求段階にあります。
フェデレートラーニングは、分散化と去中心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ナリオに適しています。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、去中心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に抵抗す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ナリオにおける「制御された去中心化」の一種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
トレーニングの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、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、本質的に異種で信頼されないノード間で効率的に完了することが適していません。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は効果的に分割および同期するのが難しいです。データプライバシーや主権の制限が強いタスクは、法的遵守や倫理的制約に制限され、オープンな共有ができません。また、協力のインセンティブが不足しているタスクは、外部の参加動機が欠けています。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約を構成しています。
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、報酬を与えることができ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可能性を示しています。これには、LoRA微調整、行動整列型の後処理タスク、データの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、リソースを制御可能な小型基盤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ナリオが含まれます。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、異種計算能力の耐性を備えており、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応性総覧表
! 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。技術的革新性とエンジニアリングの実現難易度の観点から見ると、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あり、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: 訓練軌跡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、誰でも参加できる信頼不要の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。
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者のために設計されています。強化学習を優先的な適応対象として採用し、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することで、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と比較して、PRIME-RLは中央管理のない環境での弾力的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が提案した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本当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"間の局所的一貫性トレースを分析することによって軽量構造の検証を行います。これは、トレーニングプロセス中の行動トレース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、信頼を必要としないトレーニング報酬の分配を実現するための重要な革新です。可監査、かつ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ています。集中型または同期型のAllReduce手法と比較して、SHARDCASTは分散化されたトレーニングのスケーラビリティと耐障害性を大幅に向上させており、安定した重みの合意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、分散化トレーニングにおける帯域幅の制約、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って、グローバル同期の高い通信コストを回避し、局所的な隣接ノードにのみ依存してモデルの協調トレーニングを完了します。非同期更新と中断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はスパーストポロジー、グラデーション圧縮、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。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た"最後の1マイル"の通信基盤が整いました。
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、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運営されます:
プロトコルのコアプロセスには、タスクの発行、ノードのトレーニング、トラッキングの検証、ウェイトの集約、および報酬の配布が含まれ、"真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調訓練され、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が提案する「訓練即合意」パラダイムの初めてのシステム実装でもあります。