分散化トレーニング:AI分野の新しいパラダイムの探求

人工知能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、および高強度な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、トレーニング方法は4つのカテゴリに分類できます: 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、そして本稿で重点的に議論する分散化トレーニングです。

! 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動作します。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、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、高い効率とリソースの制御という利点を持っていますが、同時にデータの独占、リソースの壁、エネルギー消費、単一障害点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、単一マシン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「分散化」特性を備えているものの、全体は依然として中心化された機関によって制御、スケジュール、同期されています。一般的に高速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:

• データ並列: 各ノードが異なるデータでトレーニングし、パラメータを共有し、モデルの重みを一致させる必要がある
• モデル並列: モデルの異なる部分を異なるノードに配置し、強い拡張性を実現する
• パイプライン並列: ステージごとの逐次実行、スループットの向上
• テンソル並列: マトリックス計算の詳細な分割、並列粒度の向上

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(GPT-4、Gemini、LLaMAなど)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ています。その核心的な特徴は、複数の互い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トレーニングタスクを協力して完了することが可能であることです。通常、プロトコルによってタスクの配信と協力が行われ、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な課題には、以下が含まれます：

• デバイスの非一様性とタスクの分割の難しさ: 非一様なデバイスの調整が難しく、タスクの分割効率が低い
• 通信効率のボトルネック: ネットワーク通信が不安定で、勾配同期のボトルネックが明らかである
• 信頼できる実行の欠如: 信頼できる実行環境が不足しており、ノードが実際に計算に参加しているかどうかを検証することが困難である
• 統一した調整が不足: 中央スケジューラーがなく、タスクの配布や異常のロールバックメカニズムが複雑

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側面を含む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 + 誠実なインセンティブ + 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したシーン(、例えば医療や金融)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、完全にオープンで検閲耐性を持つ特性はありません。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"の一種として見ることができ、トレーニングタスク、信頼構造、通信メカニズムの面で相対的に穏やかであり、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。

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、信頼のないノード間で効率的に完了するのに適していません。例えば、大規模モデルのトレーニングは通常、高いメモリ、低レイテンシ、および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難しいです; データプライバシーおよび主権制限が強いタスク(、例えば医療、金融、機密データ)は法的遵守および倫理的制約に制限されており、オープン共有ができません; そして、協力のインセンティブが欠如しているタスク(、例えば企業のクローズドソースモデルや内部プロトタイプのトレーニング)は外部の参加動機が欠けています。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約を構成しています。

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。実際に、構造が軽量で、並列化が容易で、インセンティブが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、行動整合型の後処理タスク(、RLHF、DPO)、データのクラウドソーシングトレーニングとアノテーションタスク、リソース管理された小型基盤モデルのトレーニング、さらに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。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を通じて協調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ト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に関して、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の実現経路は比較的明確で、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。

! 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: 訓練トラジェクトリ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、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つの主要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。こ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に比べて、PRIME-RLは中央管理のない環境での弾力的な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、マルチタスクの並列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:軽量なトレーニング行動検証メカニズム

TOPLOC(信頼できる観察およびポリシー・ローカリティチェック)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、ノードが観測データに基づいて正当に効果的な戦略学習を行っ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の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、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革新であり、監査可能でインセンティブのある分散型協調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筋を提供します。

#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、非同期、帯域幅制限、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。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持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方式と比較して、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のための重要な基盤となります。

#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によって提案されたDiLoCoの理念を独立して実装し、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いて一般的な帯域幅の制約、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性に基づいており、Ring、Expander、Small-Worldなどの疎トポロジー構造を構築することにより、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のみ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と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、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、分散化トレーニングネットワーク構築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(Prime Collective Communication Library)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(であるNCCLやGloo)が異種デバイスや低帯域幅ネットワークにおけ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はスパーストポロジー、勾配圧縮、低精度同期、チェックポイント復元をサポートしており、コンシューマー向けGPUや不安定なノードで動作可能です。これは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不要な共同トレーニングネットワークのための"最後の1マイル"の通信基盤を構築する道が開かれました。

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、誰でもタスクに参加し、実際の貢献に基づいて報酬を得られる、許可不要で検証可能、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、三種類のコアロールに基づいて運営されています:

• タスク発起者: トレーニング環境、初期モデル、報酬関数および検証基準を定義する
• トレーニングノード: ローカルトレーニングを実行し、ウェイト更新と観測トラッキングを提出する
• 検証ノード: TOPLOCメカニズムを使用してトレーニング行動の真実性を検証し、報酬計算と戦略統合に参加する

プロトコルのコアプロセスには、タスクの発行、ノードのトレーニング、トラッキングの検証、重みの集約(SHARDCAST)および報酬の分配が含まれ、「実際のトレーニング行動」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: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、非同期で信頼を必要としない分散化ノードの協力によってトレーニングされた世界初の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、三大陸にわたる100以上のGPU異種ノードによって協力してトレーニングされました。使用