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あり、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ており、コンシューマー向けGPUや不安定なノードで動作することができ、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の協調トレーニングネットワークを構築するための"最後の一里"の通信基盤が整いました。
03、Prime Intellect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、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、三つのコアロールに基づいて運営されます:
分散化AIトレーニングの挑戦と機会:Prime Intellectが新しいパラダイムを切り開く
分散型トレーニング:AIの聖杯への探求
AI全体価値連鎖において、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で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、トレーニング方法は集中型トレーニング、分散型トレーニング、フェデレーティッドラーニング、及び本論文で重点的に議論する分散化トレーニングの4つに分類できます。
! 暗号AIの聖杯:分散型トレーニングのフロンティア探索
集中化トレーニングは最も一般的な従来の方法で、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は、統一された制御システムによって調整して運用されます。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、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、高効率でリソースが制御可能な利点を持ちますが、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、複数のマシンに配布して協調して実行することで、単一のコンピュータの計算と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」の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、同期されており、高速なローカルエリアネットワーク環境で動作することが多いです。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ものが含まれます:
分散化トレーニングは「集中制御 + 分散実行」の組み合わせであり、同じボスがリモートで複数の「オフィス」の従業員に指示を出してタスクを完了す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。
! 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ています。その核心的特徴は、複数の信頼しないノード(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、中央のコーディネーターなしに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、"実際に機能する大規模な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に関わる体系的なエンジニアリング課題であり、"協力して効果的に + 誠実を促す + 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聚合を強調し、プライバシーコンプライアンスが重要なシナリオ(（医療、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に耐える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ナリオにおける"制御された分散化"の一形態として見ることができ、トレーニングタスク、信頼構造、通信メカニズムのいずれにおいても比較的穏やかであり、産業界における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。
! 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。あるシナリオでは、タスクの構造が複雑で、リソースの要求が非常に高いか、協力の難易度が高いため、異種の信頼し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および同期することが困難です。データプライバシーと主権制限が強いタスク(（医療、金融、機密データ)など）は、法的なコンプライアンスと倫理的な制約に縛られており、オープン共有ができません。また、協力のインセンティブの基盤が欠如しているタスク(（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)など）は、外部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虚偽の命題であることを意味するものではありません。実際、構造が軽量で、並行性が高く、インセンティブがあるタスクタイプにおいて、分散化トレーニングは明確なアプリケーションの展望を示しています。これには、LoRA微調整、行動整合型後処理タスク(（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、リソースが制御可能な小型基盤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ーンが含まれます。これらのタスクは一般的に高い並行性、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索を提案しており、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の実現パスは比較的明確であり、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の道筋を順次解析し、分散化AIトレーニングシステムにおけるそれらの差異と相互補完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、誰でも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ることができる、信頼を必要としないAIトレーニングネットワークの構築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および実行フレームワークであり、異種ネットワークおよび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、および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は中央スケジューリングのない環境での弾力的トレーニングを実現するのにより適しており、システムの複雑性を低下させるだけでなく、マルチタスクの並列処理および戦略の進化をサポートする基盤を提供します。
#TOPLOC:軽量トレーニング行動検証メカニズム
TOPLOC(信頼できる観察とポリシー-ローカリティチェック)は、Prime Intellectによって提唱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、ノードが観察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、"観察シーケンス↔戦略更新"の間の局所的一貫性の軌跡を分析することによって、軽量な構造検証を完了します。これは初めて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し、信頼なしで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のある分散化された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、非同期、帯域幅制限、ノード状態が変動するリアルネットワーク環境に最適化されています。それはgossip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耐障害性を大幅に向上させ、安定した重みの合意と継続的なトレーニングイテレーション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、オープンソースに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でよく見られる帯域幅制限、デバイスの異種性、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で、グローバル同期の高通信コストを回避し、局所の隣接ノードに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(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あり、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ており、コンシューマー向けGPUや不安定なノードで動作することができ、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の協調トレーニングネットワークを構築するための"最後の一里"の通信基盤が整いました。
03、Prime Intellect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、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、三つのコアロールに基づいて運営されます:
プロトコルの核心プロセスは、タスクの公開、ノードのトレーニング、軌跡の検証、重みの集約(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、世界初のインテリットであるINTELLECT-2を2025年5月にリリースしました