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異種ノードによって協調トレーニングされ、完全非同期アーキテクチャを使用し、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ています。このモデルは、性能面での突破にとどまらず、Prime Intellectが提唱した「トレーニング＝コンセンサス」パラダイムの初のシステム実現でもあります。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います。
分散型トレーニング:暗号AIの分野における技術フロンティアとアプリケーションの課題
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の全価値チェーンにおいて、モデルの訓練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、訓練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、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から見ると、訓練方法は集中化訓練、分散化訓練、フェデラル学習、そして本稿で重点的に議論する分散化訓練の4つのカテゴリに分類できます。
! 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すべ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、高効率かつリソース管理が可能な利点がありますが、同時にデータの独占、リソースの壁、エネルギー消費、単一障害のリスクなどの問題も抱えています。
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機関によって制御、スケジュール、同期されています。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、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されています。
分散化トレーニングは、よりオープンで検閲に対する特性を持つ未来の道を代表します。その核心的特徴は、複数の互いに信頼しないノードが中心的な調整者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。このモデルが直面している主な課題には、
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力して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、モデル検証など複数のレベルに関わっています。しかし、「協力的に効果的 + 誠実にインセンティブを与える + 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が重視されるシナリオに適しています。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、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抵抗する特性はありません。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」ソリューションとして考えられ、トレーニングタスク、信頼構造、通信メカニズムのすべて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。
! 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、リソース要求が非常に高い、または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限が強いタスクは、法的コンプライアンスと倫理的制約に制限されており、オープンな共有ができません; そして、協力のインセンティブの基盤が欠けているタスクは、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しません。実際、構造が軽量で、並行処理が容易で、動機付け可能な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。含まれるがそれに限定されない: LoRA微調整、行動整合性に関連する後処理タスク、データクラウドソーシングによるトレーニングとアノテーションタスク、リソース制御可能な小型基盤モデルのトレーニング、およびエッジデバイスが参加する協調トレーニングシナリオ。これらのタスクは一般的に高い並行性、低いカップリング性、および異種計算力を許容する特性を備えており、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の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方向を代表しています。一方、GensynとFlock.ioの実現パスは比較的明確で、初歩的なエンジニアリングの進展が見られます。
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、誰でも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力を入れており、その計算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。
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
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 TOPLOC:軽量なトレーニング行動検証メカニズム SHARDCAST: 非同期の重み集約および伝播プロトコル OpenDiLoCo:スパース非同期通信フレームワーク PCCL:協調通信ライブラリ
! 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と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。強化学習を優先適合対象として採用し、トレーニング、推論、および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し、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は中央集権的なスケジューリングのない環境での弾力的なトレーニングの実現により適しており、システムの複雑さを低減し、多タスクの並行処理と戦略の進化を支え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が提案し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などの重厚な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めての試みであり、信頼を必要としないトレーニング報酬の分配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、帯域幅制限があり、ノードの状態が変化しやすい実際の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進化を実現します。集中型または同期型AllReduce方法と比較して、SHARDCASTは分散化訓練のスケーラビリティと耐障害能力を大幅に向上させ、安定した重み合意と継続的な訓練イテレーションを構築するための核心的基盤です。
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でよく見られる帯域幅の制約、デバイスの非一様性、および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と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、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互換性が大幅に向上し、真にオープンで信頼不要な共同トレーニングネットワークのための"最後の一マイル"の通信基盤を構築しています。
03、Prime Intellectの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ます。プロトコルは三つのコアロールに基づいて運用されます:
協定の核心プロセスは、タスクの発行、ノードの訓練、軌跡の検証、重みの集約と報酬の配布を含み、「真実の訓練行動」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:最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異種ノードによって協調トレーニングされ、完全非同期アーキテクチャを使用し、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ています。このモデルは、性能面での突破にとどまらず、Prime Intellectが提唱した「トレーニング＝コンセンサス」パラダイムの初のシステム実現でもあります。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います。