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で構築された強化学習大規模モデルであり、パラメータ規模は32Bに達しています。INTELLECT-2モデルは、三大陸にわたる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が提唱した「トレーニングは合意である」というパラダイムの初めてのシステム化を示しています。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、分散化トレーニングネットワークが初めてトレーニングプロセスのオープン化、検証性、経済性を実現したことを示しています。
分散型AIトレーニングの探索:Prime IntellectとPluralisのフロンティアブレークスルー
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の全バリューチェーンにおいて、モデルのトレーニングはリソース消費が最も大きく、技術的なハードルも最も高い段階であり、モデルの能力の上限や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では持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、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、トレーニング方式は集中型トレーニング、分散型トレーニング、フェデラルラーニング、そして本文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、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・運用されます。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、および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おり、高効率でリソースコントロール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調実行することにより、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」特性を持っていますが、全体は中央集権的な機関によって制御・スケジュール・同期され、通常は高速ローカルエリアネットワーク環境で実行されており、NVLink高速相互接続バス技術を通じて、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、次のものが含まれます:
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、同じボスが遠隔で複数の「オフィス」スタッフに指示を出してタスクを完了す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に抵抗する特性を持つ未来の道を示します。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、次のようなものがあります:
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に関連する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。
連邦学習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。連邦学習は分散トレーニングのエンジニアリング構造と局所的な協調能力を持ち、同時に分散化トレーニングのデータ分散の利点を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耐える特性はありません。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、通信メカニズムのいずれにおいても比較的穏やかであり、産業界における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。
! 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、本質的に異種の信頼の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や倫理的制約に制限されており、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基盤が欠如しているタスクは、外部の参加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、これが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、並列処理が容易で、インセンティブを与え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展望を示しています。これには、LoRA微調整、行動整合性の後処理タスク、データクラウドソーシングによるトレーニングとアノテーションタスク、リソースを制御した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が含まれますが、これに限定されません。これらのタスクは一般的に高い並列性、低い結合性、異種計算能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、分散型最適化器など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。
! 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の実現パスは比較的明確で、初期のエンジニアリング進展が見られます。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検証可能な強化学習協同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を構築することに取り組んでおり、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、検証可能でオープンかつ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。
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
! 暗号AIの聖杯:分散型トレーニングのフロンティア探索
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ています。これにより、各トレーニングノードはローカルで独立してタスクループを完了でき、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と比較して、PRIME-RLは中心的なスケジューリング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きます。
TOPLOC:軽量トレーニング行動検証メカニズム
TOPLOCはPrime Intellectによって提案されたトレーニングの検証可能性のコアメカニズムであり、ノードが実際に観測データに基づいて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で、軽量な構造検証を実現します。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初めての試みであり、信頼なしでのトレーニング報酬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が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: 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によって設計され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。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、複数のノードが非同期状態のままで部分的な更新を継続的に提出することを可能にし、重みの段階的収束と多バージョン進化を実現します。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耐障害性を大幅に向上させ、安定した重み合意と継続的なトレーニングイテレーションを構築するためのコア基盤となります。
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の提案に基づいて独自に実装し、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で一般的な帯域幅の制限、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き、Ring、Expander、Small-Worldなどのスパーストポロジーを構築することで、グローバル同期による高通信コストを回避し、局所的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し、世界的な協力トレーニングの参加可能性を大幅に向上させています。これは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1つです。
PCCL:協調通信ライブラリ
PCCLはPrime Intellectによって分散化AIトレーニング環境のために特別に設計された軽量通信ライブラリであり、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の回復をサポートし、コンシューマー向けGPUや不安定なノード上で実行可能であり、OpenDiLoCoプロトコルの非同期通信能力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"の通信基盤を構築する道を開きました。
プライム・インテレクト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な、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:
プロトコルのコアプロセスは、タスクの公開、ノードのトレーニング、トラッキングの検証、重みの集約、および報酬の配布を含み、「実際のトレーニング行動」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
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で構築された強化学習大規模モデルであり、パラメータ規模は32Bに達しています。INTELLECT-2モデルは、三大陸にわたる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が提唱した「トレーニングは合意である」というパラダイムの初めてのシステム化を示しています。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、分散化トレーニングネットワークが初めてトレーニングプロセスのオープン化、検証性、経済性を実現したことを示しています。