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力訓練によって作成された強化学習の大規模モデルで、パラメータの規模は32Bに達します。INTELLECT-2モデルは、3大陸に広がる100以上のGPU異種ノードが協力して訓練を行い、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、性能面での突破だけでなく、Prime Intellectが提唱する「訓練即共識」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、TOPLOC、SHARDCASTなどのコアプロトコルモジュールを統合しており、分散化の重要なマイルストーンを示しています。
AIトレーニングの新しいパラダイム：集中制御から分散化協調への技術革新
AIトレーニングパラダイムの進化：集中制御から分散化協調への技術革命
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、そして本論文が重点的に議論する分散化トレーニングの4つのカテゴリーに分類できます。
! AIトレーニングパラダイムの進化:中央集権的な制御から分散型のコラボレーションへの技術革命
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な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は、メモリの共有、勾配の同期、およびフォールトトレランスのメカニズムの効率を最適化し、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、高い効率と制御可能なリソースの利点がありますが、同時にデータの独占、リソースの壁、エネルギー消費、そして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打破することです。物理的には「分散化」の特徴を持っていますが、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、通常は高速な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:
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、同じボスが遠隔で複数の「オフィス」の従業員に指示して協力してタスクを完了するのに例えられます。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。
! AIトレーニングパラダイムの進化:中央集権的な制御から分散型のコラボレーションへの技術革命
分散化トレーニングは、よりオープンで検閲に対抗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、複数の相互に信頼しないノードが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にあります。通常、プロトコルによってタスクの配信と協力が推進され、暗号インセンティブメカニズムを活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、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の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、「実際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に関係しています。しかし、「協力的かつ効果的で、誠実に報酬を与え、正しい結果を得る」ことが可能かどうかは、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、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を持っていません。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。
AIトレーニングパラダイム全景比較表
! AIトレーニングパラダイムの進化:中央集権的な制御から分散型のコラボレーションへの技術革命
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用でき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、異種の信頼性のないノード間で効率的に完了することが本質的に不適切です。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ため、オープンネットワークで効果的に分割して同期することが困難です; データプライバシーおよび主権制限が強いタスクは法律の遵守や倫理的制約に制限され、オープンに共有できません; そして、協力のインセンティブ基盤が不足しているタスクは外部の参加動機に欠けます。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、構造が軽量で並列処理が容易で、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見込みを示しています。LoRA微調整、行動整合性に基づく後処理タスク(、RLHF、DPO)、データのクラウドソーシングトレーニングとラベリングタスク、リソースが制御された小型基礎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、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。
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の分野において、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。技術革新性と工学的実現難易度の観点から、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あり、初歩的な工学的進展が見られます。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工学的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、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を構築することに専念しており、その計算への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の三つのモジュールを通じて、検証可能でオープンで、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したいと考えています。
一、Prime Intellectプロトコルスタック構造と重要モジュールの価値
! AIトレーニングパラダイムの進化:中央集権的な制御から分散型のコラボレーションへの技術革命
二、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および実行フレームワークで、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。強化学習を優先適応対象として採用し、トレーニング、推論、ウェイト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がローカルで独立してタスクループを完了し、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できるようにします。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と同時に、マルチタスクの並行処理と戦略の進化を支える基盤を提供します。
TOPLOC:軽量なトレーニング行動検証メカニズム
TOPLOCはPrime Intellectが提唱した訓練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、「観測系列↔戦略更新」間の局所的一貫性トレースを分析することで軽量構造の検証を実現します。これは訓練プロセス中の行動トレース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訓練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訓練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:非同期ウェイト集約と伝播プロトコル
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、ゴシップ伝播メカニズムと局所同期戦略を組み合わせて、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反復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の提案した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、デバイスの異質性、ノードの不安定性といった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だけに依存してモデル協調トレーニングを完了します。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ており、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、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、低精度同期およびチェックポイント復元をサポートし、コンシューマーグレードのGPUや不安定なノードで動作可能であり、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。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互換性を大幅に向上させ、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構築に向けて「最後の一マイル」の通信基盤を整えました。
三、Prime Intellect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ようにしています。プロトコルは、以下の三つのコアロールに基づいて運営されます:
協定の核心プロセスは、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)と報酬の配布を含み、「真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ます。
! AIトレーニングパラダイムの進化:中央集権的な制御から分散型のコラボレーションへの技術革命
四、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力訓練によって作成された強化学習の大規模モデルで、パラメータの規模は32Bに達します。INTELLECT-2モデルは、3大陸に広がる100以上のGPU異種ノードが協力して訓練を行い、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、性能面での突破だけでなく、Prime Intellectが提唱する「訓練即共識」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、TOPLOC、SHARDCASTなどのコアプロトコルモジュールを統合しており、分散化の重要なマイルストーンを示しています。