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あり、パラメータ規模は32Bに達します。INTELLECT-2モデルは、3大陸にわたる100以上のGPU異種ノードによって協力訓練が完了し、完全な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、性能の突破口であるだけでなく、Prime Intellectが提唱した"訓練即合意"パラダイムの初のシステム実装でもあります。INTELLECT-2は、PRIME-RL(非同期訓練構造)、TOPLOC(訓練行動検証)、SHARDCAST(非同期重み集約)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初めて訓練を実現したことを示しています。
分散化AIトレーニングの最前線探索：集中化から分散化への進化の道
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の全価値連鎖において、モデルのトレーニングはリソース消費が最も大きく、技術的なハードルが最も高い段階であり、モデルの能力の上限と実際のアプリケーションの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、そして本論文で重点的に議論する分散化トレーニングの4種類に分類できます。
! 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から、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、フォールトトレランスメカニズムの効率を最大限に引き出し、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、リソースの制御が可能な利点がありますが、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、複数のマシンに配布して協調実行することで、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され、調整および同期されています。主に高速なローカルエリアネットワーク環境で運用され、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」の従業員に協力してタスクを完了させるのに類似しています。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強い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)であり、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を駆動し、暗号インセンティブメカニズムを利用して貢献の誠実さを確保します。このモデルが直面する主な課題は以下の通りです:
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提供してモデルを共同で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工学的課題であり、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、モデル検証などの複数の側面が関わっていますが、"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であり、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ており、プライバシーコンプライアンスを重視するシナリオ(、医療や金融)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耐性はありません。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、および通信メカニズムは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。
! 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の境界、機会と現実的な道筋
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ことが自然に適していません。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、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限が強いタスクは、法律上のコンプライアンスや倫理的制約に制約され、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ものではありません。実際、構造が軽量で、並行処理が容易で、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展望を示しています。含まれるがこれに限定されない: LoRA微調整、行動整合性後のトレーニングタスク(、RLHF、DPO)、データクラウドソーシングトレーニングおよびラベリングタスク、リソースを制御した小型基盤モデルのトレーニング、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。これらのタスクは一般的に高い並行性、低い結合性、異種計算能力に対する耐性の特性を備えており、P2Pネットワーク、Swarmプロトコル、分散型オプティマイザ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。
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連邦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の観点から、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でき、その計算貢献に対して信頼できる報酬を得られるようにします。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で、報酬メカニズムが完備されたAIの分散化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。
01、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
02、Prime Intellectのトレーニングの主要メカニズムの詳細
#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。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はセンター調整のない環境で弾力的なトレーニングを実現するのに適しており、システムの複雑さを低減し、マルチ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が提唱するトレーニング可能な検証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施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軌跡を検証可能なオブジェクトに変換する初の試みであり、信頼を必要としないトレーニング報酬の配分を実現するための重要なイノベーションであり、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の構築に向けた実行可能な道を提供します。
#SHARDCAST:非同期ウェイト集約と伝播プロトコル
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、帯域制限、ノード状態が変化しやすいリアルな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方法と比較して、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の提案したDiLoCo理念を基に独立して実装し、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いて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性に基づき、Ring、Expander、Small-Worldなどの疎なトポロジー構造を構築することで、グローバル同期の高い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はコンシューマー向け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の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は疎トポロジー、勾配圧縮、低精度同期およびブレー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能力を支える基盤コンポーネントです。こ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の協調トレーニングネットワークの「最後の一里」の通信基盤を築く役割を果たします。
03、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、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機能します:
プロトコルの核心的なプロセスには、タスクの公開、ノードの訓練、トレースの検証、重みの集約(SHARDCAST)と報酬の配布が含まれ、"実際の訓練行動"を中心にしたインセンティブの閉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
04、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あり、パラメータ規模は32Bに達します。INTELLECT-2モデルは、3大陸にわたる100以上のGPU異種ノードによって協力訓練が完了し、完全な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、性能の突破口であるだけでなく、Prime Intellectが提唱した"訓練即合意"パラダイムの初のシステム実装でもあります。INTELLECT-2は、PRIME-RL(非同期訓練構造)、TOPLOC(訓練行動検証)、SHARDCAST(非同期重み集約)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初めて訓練を実現したことを示しています。