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、三大陸にわたる100以上のGPU異種ノードによって協力訓練され、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、性能の突破だけでなく、Prime Intellectが提唱した「訓練即合意」の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、分散化訓練ネットワークが初めて訓練プロセスのオープン化と検証を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.
分散化トレーニング: AIモデル協力の新しいパラダイムと課題
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大規模な計算力の継続的な投入、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を必要とし、AIシステム構築の本当の"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つのカテゴリに分けられます: 集中化トレーニング、分散化トレーニング、フェデラルラーニング、および本論文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から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、高い効率とリソースの管理可能性の利点がありますが、同時にデータ独占、リソースバリア、エネルギー消費および単一障害点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、複数のマシンに配布して共同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」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、同期され、通常は高速なローカルエリアネットワーク環境で実行され、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ものが含まれます:
分散化トレーニングは「集中制御 + 分散化実行」の組み合わせであり、同じボスが遠隔で複数の「オフィス」の従業員に指示してタスクを完了させ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。
分散化トレーニングは、よりオープンで検閲に抵抗する特性を持つ未来の道を代表しています。その核心的な特徴は、信頼できない複数のノード(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、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分配と協力が駆動され、暗号報酬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がそれぞれの計算能力を提供してモデルを協調的に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エンジニアリングの課題であり、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、モデル検証など複数の側面に関わります。しかし、「協調的に効果的 + 誠実にインセンティブを与え + 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するシナリオ(、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散逸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抵抗する特性は持っていません。これは、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」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、および通信メカニズムにおいても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、タスクの構造が複雑で、リソースの要求が非常に高い、または協力が難しいため、異種の非信頼ノード間で効率的に完了することは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高いメモリ、低遅延、高速帯域幅に依存することが多く、オープンネットワーク内で効果的に分割して同期することが難しいです。データプライバシーと主権の制約が強いタスク(、例えば医療、金融、機密データ)は法律遵守と倫理的制約に制限され、オープンな共有ができません。また、協力のインセンティブが不足しているタスク(、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トレーニング)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の中で、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。LoRA微調整、行動整合性後トレーニングタスク(のような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、リソース制御可能な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を含むが、これに限られません。これらのタスクは一般的に高い並行性、低い結合性、異種計算能力を許容する特性を持っており、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。
! 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の解析
現在、分散化トレーニングとフェデラル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。技術的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核心技術とエンジニアリングアーキテクチャの道を順次解析し、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調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専念しており、誰でもトレーニングに参加でき、その計算の貢献に対して信頼できる報酬を得られるようにしています。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。
コア技術メカニズムの詳細
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することで、各トレーニングノードは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柔軟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するだけでなく、マルチタスクの並行処理と戦略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によって提案され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本当に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」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初の試みであり、信頼を必要としない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のある分散型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筋を提供します。
SHARDCAST: Asynchronous Weight Aggregation & Propagation Protocol(非同期重み集約および伝播プロトコル)
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あり、非同期、帯域幅制限、およびノード状態が変化する実際のネットワーク環境のため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、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、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: 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に基づいて提案された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す。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性に基づいており、Ring、Expander、Small-Worldなどの疎なトポロジ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にのみ依存してモデルの協調トレーニングを実現します。非同期更新とチェックポイント耐障害機構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、グローバル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インフラの一つです。
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、コンシューマーグレードのGPUおよび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、真の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「最後の一マイル」の通信基盤が整備されました。
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、許可なし、検証可能で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クローズドループを形成します。
! 暗号AIの聖杯:分散型トレーニングのフロンティア探索
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、三大陸にわたる100以上のGPU異種ノードによって協力訓練され、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、性能の突破だけでなく、Prime Intellectが提唱した「訓練即合意」の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、分散化訓練ネットワークが初めて訓練プロセスのオープン化と検証を実現したことを示しています。