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、三大陸に広がる100以上のGPU異種ノードによって協力訓練され、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行可能性と安定性を示しました。このモデルは性能上の突破口であるだけでなく、Prime Intellectが提案した「訓練は合意である」という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オープン性、検証性を初めて実現したことを示しています。
This page may contain third-party content, which is provided for information purposes only (not representations/warranties) and should not be considered as an endorsement of its views by Gate, nor as financial or professional advice. See Disclaimer for details.
分散化AIトレーニングの探求：概念から実装までの技術的課題と最前線のプロジェクト
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全体価値連鎖において、モデルの訓練はリソース消費が最も大きく、技術的なハードルも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、訓練プロセス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、訓練方法は4つのカテゴリーに分けられます: 集中型訓練、分散型訓練、連合学習、そして本論文で重点的に議論する分散化訓練です。
! 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、トレーニングフレームワークの全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稼働します。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、およびフォールトトレランスメカニズムの効率を最適化し、GPT、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、高い効率と制御可能なリソースの利点を持っていますが、同時にデータの独占、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割し、複数のマシンに配布して協調的に実行することで、単一のコンピュータ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、スケジュール、および同期され、通常は高速のローカルエリアネットワーク環境で動作し、NVLink高速相互接続バス技術を通じて、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」の従業員に指示を出してタスクを完了す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。
! 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
分散化訓練は、よりオープンで検閲に対する特性を持つ未来の道を示しています。その核心的な特徴は、信頼しない複数のノードが中央の調整者なしに協力して訓練タスクを完了することです。通常、プロトコルを介してタスクの配布と協力を駆動し、暗号化された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要な課題には、
分散化トレーニングは、世界中のボランティアのグループがそれぞれ計算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、「実際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、暗号安全、経済メカニズム、モデル検証などの複数の側面を含む、体系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 + 誠実にインセンティブ + 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、分散化と去中心化の間の過渡的な形態として、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、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、信頼できるコーディネーターに依存しており、完全にオープンで検閲に耐え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ーンにおける「制御された去中心化」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。
! 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の境界、機会と現実の道筋
トレーニング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、タスク構造が複雑で、リソースの要求が非常に高い、または協力の難易度が高いため、異種の信頼できない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、高速なレイテンシー、そして高速な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は困難です。データプライバシーと主権の制約が強いタスクは、法的コンプライアンスや倫理的制約に制限され、オープン共有ができません。また、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、並行処理が容易で、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、行動整合性の後処理タスク、データクラウドソーシングのトレーニングとラベリングタスク、リソースを制御され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行性、低い結合性、異種計算能力に対する耐性の特性を持ち、P2Pネットワーク、Swarmプロトコル、分散最適化器などの方法で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分析
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、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オリジナルな探求を提案しており、現在の理論研究の最前線の方向性を代表しています。一方、GensynとFlock.ioの実現パスは相対的に明確であり、初歩的なエンジニアリングの進展が見られます。
プライムインテレクト: 訓練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、計算貢献に対して信頼できる報酬を得られる、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います。Prime Intellectは、PRIME-RL + TOPLOC + SHARDCASTの3つの主要モジュールを通じて、検証可能でオープン、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することを目指しています。
Prime Intellectプロトコルスタックの構造と主要モジュールの価値
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および実行フレームワークであり、異種ネットワークおよび非同期参加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、およびウェイト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は中央のスケジューリングが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および戦略の進化をサポートする基盤を築いています。
TOPLOCはPrime Intellectが提案し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によって、軽量構造の検証を完了します。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ことを初めて行い、信頼なしに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を持つ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することを許可し、重みの漸進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耐障害性を著しく向上させ、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は、Prime IntellectチームがDeepMindが提唱したDiLoCoの理念に基づいて独立に実装し、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き、Ring、Expander、Small-Worldなどの疎なトポロジ構造を構築することで、グローバルな同期による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させます。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、世界的な協力による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はPrime Intellectのために分散化AIトレーニング環境に特化して設計され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は疎なトポロジー、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ており、コンシューマグレードの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を必要としない協調トレーニングネットワークのために"最後の一マイル"の通信基盤が整いました。
! 暗号AIの聖杯:分散型トレーニングのフロンティア探索
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、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を持つ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:
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"を中心としたインセンティブの閉ループを構成しています。
! 暗号AIの聖杯:分散型トレーニングのフロンティア探索
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、三大陸に広がる100以上のGPU異種ノードによって協力訓練され、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行可能性と安定性を示しました。このモデルは性能上の突破口であるだけでなく、Prime Intellectが提案した「訓練は合意である」という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オープン性、検証性を初めて実現したことを示しています。