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協力によって訓練された強化学習大モデルであり、パラメータ規模は32Bに達します。INTELLECT-2モデルは、3つの大陸に広がる100以上のGPU異種ノードの協調訓練によって完成され、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。このモデルは性能の突破だけでなく、Prime Intellectが提唱した「訓練即合意」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を統合しています。
AIトレーニングパラダイムの進化: 集中化から分散化への技術革命
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同への技術革命
AI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アプリケーションの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、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システムの構築における真の「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、および本論文で重点的に議論する分散化トレーニングの4つのカテゴリに分類できます。
! 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、底層ソフトウェア、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、高い効率とリソース制御の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、複数のマシンに配分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され、スケジュール管理と同期が行われ、高速なローカルエリアネットワーク環境で動作します。NVLinkの高速相互接続バス技術を介して、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対する耐性を持つ未来の道を示しています。その核心的な特徴は、複数の互い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です。通常、プロトコルによってタスクの配布と協力が駆動され、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能力を提供してモデルを協調してトレーニングすることと理解できますが、「本当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、モデル検証など複数のレベルに関わるシステム的な工学的課題であり、「協調的かつ効果的で、誠実にインセンティブを与え、結果が正しい」ことが可能かどうかは、まだ初期プロトタイプの探索段階にあります。
連邦学習は、分散化と去中心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、プライバシー準拠を重視するシーンに適しています。連邦学習は、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、去中心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、依然として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うる特性は持っていません。プライバシー準拠のシーンにおける「制御された去中心化」ソリューション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。
AIトレーニングパラダイム全景比較表(技術アーキテクチャ×信頼インセンティブ×アプリケーション特性)
! 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か、協力の難易度が高いため、異種で信頼のないノード間で効率的に完了することが本質的に適していません。たとえば、大規模モデルのトレーニングは一般に高いメモリ、低遅延、高速帯域幅に依存し、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と主権の制約が強いタスクは、法的遵守と倫理的制約に制限され、オープンに共有することができません。また、協力のインセンティブが欠如しているタスクは、外部からの参加動機が欠けています。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約を形成しています。
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、構造が軽量で並列化が容易かつ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応用の展望を示しています。これには、LoRA微調整、行動調整型の後処理タスク、データクラウドソーシングによるトレーニングとラベリングタスク、リソースが制御可能な小型基盤モデルのトレーニング、および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列性、低い結合性、および異種コンピューティング能力への耐性を持つ特徴があり、P2Pネットワーク、Swarmプロトコル、分散最適化器など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タスク適応性総覧表
! 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
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進展が見られます。この記事では、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し、その計算の貢献に対して信頼できる報酬を得ることができる、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、かつインセンティブメカニズムが整った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。
一、Prime Intellectプロトコルスタックの構造と主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トレーニングの重要なメカニズムの詳細解説
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。強化学習を優先的な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に比べて、PRIME-RLは中央スケジューリングのない環境での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ともに、多タスクの並行処理と戦略の進化をサポートするための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、検証可能なトレーニングコアメカニズムであり、ノードが実際に観測データに基づいて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"の間の局所的一貫性の軌跡を分析することで軽量化された構造検証を完了します。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めての試みであり、信頼なしでの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化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が設計した重みの伝播と集約のプロトコルで、非同期、帯域幅制限、ノードの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gossip伝播メカニズムと局所的な同期戦略を組み合わせており、複数のノードが非同期状態のまま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メソッドと比較して、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を構築するため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が提唱したDiLoCoの理念に基づいて独自に実装し、オープンソースと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限、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き、Ring、Expander、Small-Worldなどのスパーストポロジー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にのみ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機構を組み合わせることで、OpenDiLoCoはコンシューマー向け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、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ています。これは、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によって分散化AIトレーニング環境のために特別に設計され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、コンシューマー向け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の互換性が大幅に向上し、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"の通信基盤が整備されました。
三、Prime Intellectインセンティブネットワークと役割分担
Prime Intellectは、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。
プロトコルの核心プロセスには、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、報酬の配布が含まれており、"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、世界初の非同期で信頼不要な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あり、パラメータ規模は32Bに達します。INTELLECT-2モデルは、3つの大陸に広がる100以上のGPU異種ノードの協調訓練によって完成され、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。このモデルは性能の突破だけでなく、Prime Intellectが提唱した「訓練即合意」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を統合しています。
中国語でコメントしたいですが、あなたの要求に従います。
AIをいじりたいだけなのに、こんなに複雑にする必要があるのか。