Prime Intellectは2025年5月にINTELLECT-2を発表しました。これは、世界初の非同期かつ信頼不要の分散化ノードによる協調トレーニングで構築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、三大陸に広がる100以上のGPU異種ノードが協調してトレーニングを行い、完全な非同期アーキテクチャを使用して、トレーニング時間は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、性能上のブレークスルーであるだけでなく、Prime Intellectが提案した「トレーニングは合意である」という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、分散化トレーニングネットワークが初めて実現したことを示しています。
AIトレーニング革命: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的進化
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段階であり、モデルの能力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能力の投入、複雑なデータ処理プロセス、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の観点から、トレーニングの方法は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。
! 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コントロールシステムによって調整されて動作します。この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います。効率が高く、リソースが制御可能な利点がありますが、同時にデータの独占、リソースの障壁、エネルギー消費、単一障害のリスクといった問題も存在します。
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、その核心はモデルトレーニングタスクを分解し、複数のマシンに配信して協調実行することにより、単一機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機関によって制御され、スケジュールされ、同期されます。通常は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通じて、マスター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させることに例えられます。現在、ほぼすべての主要な大規模モデルはこの方法でトレーニングされています。
! 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、信頼しない複数のノードが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です。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、「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程上の課題であり、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、モデル検証などの複数の側面に関わっています。しかし、「協調的に効果的 + 誠実を奨励 + 結果が正しい」となるかどうかは、まだ初期のプロトタイプ探索段階にあります。
フェデレーション学習は、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ーンに適しています。フェデレーション学習は、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併せ持っていますが、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強い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、通信メカニズムにおいて比較的穏やかであり、産業界の移行的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、リソースの要求が非常に高いか、協力の難易度が高いため、異種の非信頼ノード間で効率的に完了するのは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内で効果的に分割したり同期したりするのは難しいです。データのプライバシーと主権制限が厳しいタスクは、法的なコンプライアンスや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欠けているタスクは、外部からの参加の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共同で構成しています。
しかし、これは分散化トレーニングが虚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見通しを示しています。これには、LoRA微調整、行動整合性に関する後処理タスク、データクラウドソーシングトレーニングおよびアノテーションタスク、リソース制御下の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を通じて協力的なトレーニングを行うのに非常に適しています。
! 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から見ると、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自の探求を提案し、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コア技術とエンジニアリングアーキテクチャの道を順に解析し、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: 訓練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、誰もがトレーニングに参加でき、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を構築することに取り組んでいます。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の構造と重要なモジュールの価値
! 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が分散化訓練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。強化学習を優先適応対象として採用し、訓練、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、各訓練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は中央調整のない環境での柔軟な訓練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ともに、マルチタスクの並列処理と戦略の進化を支え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はPrime Intellectが提案した訓練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実際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で軽量な構造検証を行います。これは訓練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、信頼なしの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化協力訓練ネットワークの構築に向けた実行可能な道を提供します。
SHARDCAST: 非同期の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のために最適化されています。これにより、gossip伝播メカニズムと局所的な同期戦略が組み合わされ、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なり、重みの漸進的な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の反復のための核心的な基盤となります。
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の提案したDiLoCo理念を基に独立して実装し、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、および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性に基づいており、Ring、Expander、Small-Worldなどの疎な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完了させることができます。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: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、コンシューマ向けGPUや不安定なノードで実行可能で、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の「最後の一マイル」の通信基盤が確保されました。
三、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つのコアロールに基づいて運営されます。
プロトコルのコアプロセスは、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、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。
! 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、世界初の非同期かつ信頼不要の分散化ノードによる協調トレーニングで構築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、三大陸に広がる100以上のGPU異種ノードが協調してトレーニングを行い、完全な非同期アーキテクチャを使用して、トレーニング時間は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、性能上のブレークスルーであるだけでなく、Prime Intellectが提案した「トレーニングは合意である」という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、分散化トレーニングネットワークが初めて実現したことを示しています。