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が提唱する"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。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、分散化訓練ネットワークが訓練プロセスの開放を初めて実現したことを示しています。
AIトレーニングパラダイム革命: 集中型から分散化への技術進化
AIトレーニングパラダイムの進化:集中制御から分散化協調への技術革命
AIの全価値連鎖において、モデルの訓練はリソース消費が最も大きく、技術的ハードルが最も高い段階であり、モデルの能力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、訓練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。アーキテクチャパラダイムの観点から見ると、訓練方式は集中型訓練、分散型訓練、フェデレートラーニング、そして本稿で重点的に議論する分散化訓練の4つに分類できます。
! 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全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高にし、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、効率が高く資源がコントロール可能であるという利点を持っていますが、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の方法であり、その核心はモデルのトレーニングタスクを分解して、複数のマシンに配布し、協調して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」の特性を持っていますが、全体は依然として中央集権的な機関によって制御され、スケジュールされ、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運用されることが一般的です。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。主流の方法には次のものが含まれます:
分散化トレーニングは「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」従業員に指揮をしてタスクを遂行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式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、複数の互いに信頼していないノードが、中央のコーディネーターなしにトレーニングタスクを協力して完了することです。通常、プロトコルによってタスクの配信と協力が促進され、暗号的なインセンティブメカニズムを利用し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要な課題には、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、暗号セキュリティ、経済メカニズム、モデル検証など、複数のレベルにわたるシステム的な工学的課題であり、「協力的に効果的+誠実なインセンティブ+正しい結果」が実現できるかどうかは、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過渡的形態として、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、信頼できる調整者に依存しており、完全なオープン性や検閲に対する耐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"の一形態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、産業界の過渡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、異種の信頼し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。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、そして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して同期することが難しいです。データのプライバシーと主権の制約が強いタスクは、法律遵守と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。一方、協力のインセンティブの基盤が欠けているタスクは、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の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、インセンティブを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見込みを示しています。これには、LoRA微調整、行動アライメント型後処理タスク、データクラウドソーシングのトレーニングと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ーンが含まれます。これらのタスクは一般に、高い並列性、低い結合性、異種計算能力の耐性を持つ特性があり、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。
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見ると、Prime Intellect、Nous Research、および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の方向を代表しています。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に解析し、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的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同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を構築することに取り組んでおり、誰でもトレーニングに参加し、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な、インセンティブメカニズムが完備されたAI分散型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。
! 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
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
二、Prime Intellectトレーニングの重要なメカニズムの詳細説明
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。強化学習を優先適応対象として採用し、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、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は中央集権的なスケジューリングのない環境での柔軟なトレーニングにより適しており、システムの複雑さを低減し、多タスクの並行処理と戦略進化をサポートするための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」間の局所的一貫性の軌跡を分析することで軽量な構造検証を完了します。これは、訓練過程における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行い、信頼を必要としない訓練報酬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: 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、非同期、帯域幅が制限された、ノードの状態が変動する実際のネットワーク環境向け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に依存してモデルの協調トレーニングを完了することができます。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の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"最後の一マイル"の通信基盤が整いました。
! 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
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、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ました。プロトコルは、3つのコア役割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、報酬の配布を含み、「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が提唱する"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。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、分散化訓練ネットワークが訓練プロセスの開放を初めて実現したことを示しています。