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、パラメータ規模は32Bに達します。INTELLECT-2モデルは、三大陸にわたる100以上のGPU異種ノードの協力によって訓練され、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。このモデルは性能面での突破口であるだけでなく、Prime Intellectが提唱する「訓練即合意」パラダイムの初めてのシステム実現を意味します。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。
分散型AIトレーニングの新しいパラダイム:Prime IntellectとPluralisが最先端テクノロジーを探求
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に比べ、トレーニングプロセスには持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、そして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、トレーニング方式は4つのカテゴリに分けられます: 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、そして本論文で重点的に議論する分散化トレーニングです。
! 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から、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コントロール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、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います。効率が高く、リソースがコントロール可能という利点がありますが、同時にデータ独占、リソースバリア、エネルギー消費、及び単一障害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共同で実行することで、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」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、調整および同期され、高速なローカルエリアネットワーク環境で実行されることが多く、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:
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揮をしてタスクを完了す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する耐性を持つ未来の道筋を示します。その核心的な特徴は、複数の相互に信頼しないノードが中心的な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、プロトコルに基づいてタスクの配布と協力が行われ、暗号による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共同でトレーニングすることと理解できますが、「実際に実現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エンジニアリングの課題であり、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が関与しています。しかし、「協調的かつ効果的 + 正直を促進 + 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。
フェデレーテッドラーニングは、分散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。フェデレーテッドラーニングは、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性のあ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"ソリューションとして考えることができ、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。
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用でき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、リソースの需要が非常に高いか、協力の難易度が高いため、異種の非信頼性ノード間で効率的に完了するのには天然に不向きです。例えば、大規模モデルのトレーニングは高いメモリ容量、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は効果的に分割および同期するのが難しいです。データプライバシーと主権の制限が強いタスクは法的遵守と倫理的制約に制限され、オープンに共有できません。また、協力のインセンティブ基盤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。これらの境界が現在の分散化トレーニングの現実的な制限を共に形成しています。
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わけではありません。実際、構造が軽量で、並列化が容易で、インセンティブの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によるトレーニングとラベリングタスク、リソース制御可能な小型基礎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ーンが含まれますが、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列性、低いカップリング性、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、分散最適化器など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。
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、および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見ると、Prime Intellect、Nous Research、および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違い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: 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取り組んでおり、その計算貢献に対して信頼できる報酬を得られるようにしています。Prime Intellectは、PRIME-RL + TOPLOC + SHARDCASTの三つの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の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連携します。従来の監視学習プロセスと比較して、PRIME-RLは無中心スケジューリング環境における弾力的トレーニングを実現するのにより適しており、システムの複雑さを低減するだけでなく、多様なタスクの並行処理と戦略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が提唱した訓練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"の間の局所的一貫性トレースを分析することによって、軽量構造の検証を実現します。これは、訓練プロセス中の行動トレースを検証可能なオブジェクトに変換することを初めて行い、信頼なしに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型協力訓練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が設計した重みの伝播と集約プロトコルで、非同期、帯域制限、ノードの状態が変わり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持続的に提出することを可能にし、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、安定した重みの合意と持続的なトレーニングの反復を構築するための核心的基盤となります。
#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よく見られる帯域幅の制約、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い通信コストを回避し、局所的な隣接ノードのみを利用してモデルの協調トレーニングを完了させます。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やエッジデバイスでも安定してトレーニングタスクに参加できるようになり、世界的な協調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、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と不安定ノードで動作可能であり、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著しく向上させ、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ための「最後の一マイル」の通信基盤を構築することを可能にしました。
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、許可のいらない、検証可能で、経済的インセンティブメカニズムを持つ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ています:
プロトコルのコアプロセスは、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、報酬の配布を含み、"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。
! 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、パラメータ規模は32Bに達します。INTELLECT-2モデルは、三大陸にわたる100以上のGPU異種ノードの協力によって訓練され、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。このモデルは性能面での突破口であるだけでなく、Prime Intellectが提唱する「訓練即合意」パラダイムの初めてのシステム実現を意味します。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、INTELLECT-2はQwQ-32Bに基づいて訓練され、コードと数学において特別なRL訓練が行われており、現在のオープンソースRL微調整モデルの最前線にあります。