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による協調訓練で構築された強化学習の大規模モデルで、パラメータ規模は32Bです。INTELLECT-2モデルは、3つの大陸にわたる100以上のGPU異構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。
分散型AIトレーニングの最先端の探求:Prime IntellectからINTELLECT-2へ
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アプリケーションの効果を直接決定します。推論フェーズ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能力の投入、複雑なデータ処理プロセス、および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、トレーニング方式は4つのカテゴリに分類できます: 集中化トレーニング、分散化トレーニング、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トレーニングです。
集中化トレーニングは最も一般的な伝統的な方法であり、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は、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おり、高効率でリソースが制御可能な利点がありますが、一方でデータ独占、リソースバリア、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、複数のマシンに分配して協調実行することで、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」特性を備えていますが、全体は依然として中央集権的な機関によって制御され、スケジュールと同期を行い、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多いです。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。主流の方法には次のようなものがあります:
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、同一のボスが遠隔で複数の「オフィス」の従業員に指示してタスクを完了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、この方法でトレーニングされています。
分散化トレーニングは、よりオープンで検閲に対抗できる特性を持つ未来の道筋を示します。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信と協力が駆動され、暗号によるインセンティブメカニズムを利用して貢献の誠実性を保証します。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、モデル検証などの複数のレベルに関わるシステム的なエンジニアリングの課題です。しかし、「協力して効果的 + 誠実を奨励 + 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。
! 暗号AIの聖杯:分散型トレーニングのフロンティア探索
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、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が重視されるシーン(、例えば医療や金融)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、完全にオープンで検閲に耐える特性を持っているわけではありません。プライバシーコンプライアンスのシーンでの「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も比較的穏やかであり、産業界での過渡的なデプロイメントアーキテクチャに適しています。
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、または協力が難しいため、異種の信頼されていないノード間で効率的に完了するのが天然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、高いメモリ容量、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・同期することが難しいです。データプライバシーや主権制限が強いタスクは法律的なコンプライアンスや倫理的な制約に制限され、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から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、インセンティブが得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展望を示しています。これには、LoRA微調整、行動整合性のある後処理タスク(、RLHF、DPO)、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などが含まれます。これらのタスクは、一般的に高い並列性、低い結合性、および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。
! 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ション学習の最前線で、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、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、初期の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分析し、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求します。
プライム・インテレクト: トレーニング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、誰もが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構造と主要モジュールの価値
! 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と実行フレームワークで、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、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は無中心スケジューリング環境での弾力的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、複数の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が提唱したトレーニングの検証可能性のコアメカニズムで、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」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実現したもので、信頼不要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:非同期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、ノード状態が変動する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のままで部分的な更新を継続して提出できるようにし、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メソッドと比較して、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、安定した重みのコンセンサスと継続的なトレーニングの反復を構築するための核心基盤となります。
#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などのスパーストポロジー構造を構築することで、グローバル同期の高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協調トレーニングを完了できます。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はコンシューマーグレードの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1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は疎なトポロジー、勾配圧縮、低精度の同期、チェックポイントの復元をサポートし、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の互換性を顕著に向上させ、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を構築するための「最後の一マイル」の通信基盤を整備しました。
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、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、誰もがタスクに参加し、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ています。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、ウェイトの集約(SHARDCAST)と報酬の配布を含み、"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
04、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による協調訓練で構築された強化学習の大規模モデルで、パラメータ規模は32Bです。INTELLECT-2モデルは、3つの大陸にわたる100以上のGPU異構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。