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の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、三大陸に広がる100以上のGPU異種ノードによって共同訓練され、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、性能のブレークスルーであるだけでなく、Prime Intellectが提唱した「訓練が合意である」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ており、分散化訓練ネットワークが初めて訓練プロセスのオープン化、検証性、経済的インセンティブのクローズドループを実現したことを示しています。
分散化AIトレーニングのブレークスルー：Prime Intellectが協調ネットワークの新しいパラダイムをリード
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の全価値連鎖において、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段階であり、モデルの能力上限と実際の応用効果を直接的に決定します。推論段階の軽量な呼び出しと比較して、訓練プロセスは持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、そして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」となります。アーキテクチャのパラダイムから見ると、訓練方式は集中化訓練、分散化訓練、連合学習、そして本論文で重点的に議論される分散化訓練の4つのカテゴリーに分類できます。
集中化トレーニングは最も一般的な従来の方式であり、単一の組織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実行されます。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、高効率でリソースコントロールが可能な利点を持っていますが、同時にデータ独占、リソースバリア、エネルギー消費、単一障害点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、多数のマシンに配布して協調して実行することにより、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"の特性を備えていますが、全体は依然として中央集権的な機関によって制御され、スケジューリングおよび同期が行われ、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ます。NVLink高速相互接続バス技術を介して、主ノードが各サブタスクを統一的に調整します。主流の方法には以下が含まれます:
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、同じボスが複数の"オフィス"の従業員にリモートで指示を出してタスクを達成することに例えられます。現在、ほとんどすべての主流な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、信頼し合わない複数のノードが中央の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、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、"真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、モデル検証などの多くの側面を含むシステム的なエンジニアリング課題であり、"協調的に効果的 + 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、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、通信メカニズムのいずれにおいても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
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、異種の非信任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、しばしば高いメモリ容量、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や主権の制限が強いタスクは、法律の遵守や倫理的制約によって制約され、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不足しているタスクは、外部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、並列化が容易で、インセンティブが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。LoRA微調整、行動整合型の後処理タスク、データ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、リソース制御可能な小型基盤モデルのトレーニング、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を含むが、これに限られません。これらのタスクは一般的に高い並列性、低い結合性、異種計算能力に対する耐性の特徴を持っており、P2Pネットワーク、Swarmプロトコル、分散型オプティマイザーなどの方法で協力的トレーニングを行うのに非常に適しています。
! 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およびフェデレート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: トレーニング経路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尽力しており、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つのモジュールを通じて、検証可能でオープン性があり、インセンティブメカニズムが完備されたAI分散型トレーニングシステムを構築したいと考えています。
01、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
Prime Intellectのプロトコルスタックには、PRIME-RL、TOPLOC、SHARDCASTの3つのコアモジュールが含まれており、それぞれ非同期トレーニング、信頼できる検証、重み伝播の問題を解決しています。
! 暗号AIの聖杯:分散型トレーニングのフロンティア探索
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ーン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、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弾力的なトレーニングにより適しており、システムの複雑さを低減するだけでなく、マルチタスクの並行処理と戦略の進化をサポートす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が提唱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、ノードが観測データに基づいて有効な戦略学習を実行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によって軽量な構造検証を実現します。これは、トレーニングプロセスにおける行動の軌跡を検証可能な対象に変換することを初めて行い、信頼なしで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。これはgossip伝播メカニズムと局所的同期戦略を組み合わせ、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の進化を実現します。集中型または同期型のAllReduce手法と比較して、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の反復のためのコア基盤となります。
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の理念を独立して実装し、オープンソース化した通信最適化フレームワークで、分散化トレーニングにおいて一般的な帯域幅制限、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き、Ring、Expander、Small-Worldなどの疎なトポロジ構造を構築することで、全体の同期による高い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完了できます。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、グローバルな協調トレーニングへの参加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における適合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、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。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不要な共同トレーニングネットワークを構築するための「最後の1マイル」の通信基盤を開通させました。
! 暗号AIの聖杯:分散型トレーニングのフロンティア探索
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、誰もがタスクに参加し、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用されます:
プロトコルのコアプロセスには、タスクの公開、ノードのトレーニング、トラッキングの検証、重みの集約、報酬の配布が含まれ、"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。
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の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、三大陸に広がる100以上のGPU異種ノードによって共同訓練され、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、性能のブレークスルーであるだけでなく、Prime Intellectが提唱した「訓練が合意である」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ており、分散化訓練ネットワークが初めて訓練プロセスのオープン化、検証性、経済的インセンティブのクローズドループを実現したことを示しています。
性能面では