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力訓練で構築された強化学習の大規模モデルで、パラメータの規模は32Bに達します。INTELLECT-2モデルは、3つの大陸にわたる100以上のGPU異種ノードによって協力訓練され、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行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「訓練即共識」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などの核心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初めて実現したことを示しています。
分散化AIトレーニングの聖杯への道：技術探索から実践への移行
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と比較して、トレーニングプロセス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、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、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、フェデレートラーニング、そして本文で重点的に議論される分散化トレーニングの4つのカテゴリーに分けることができます。
! 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伝統的な方法であり、単一の機関がローカルな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高に引き上げるため、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、高い効率とリソースの制御という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のトレーニングの主流な方法であり、そのコアはモデルのトレーニングタスクを分解して複数のマシンに分配し、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」という特徴を持っていますが、全体は依然として中央集権的な機関によって制御され、スケジュール管理および同期が行われており、高速なローカルエリアネットワーク環境で運用されることが一般的です。NVLink高速インターコネクトバス技術を通じて、マスターノードが各サブタスクを統一的に調整します。主流の方法には以下が含まれます:
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を完了しています。
分散化トレーニングは、より開放的で検閲に対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、中央のコーディネーターなしで、互いに信頼しない複数のノードが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、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、「実際に機能する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、モデル検証などの複数のレベルを含むシステム的なエンジニアリングの課題です。しかし、「協力的に効果的 + 誠実を奨励する + 結果が正しい」ことが可能かどうかは、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、完全にオープンで検閲に強い特性は備えていません。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、通信メカニズムにおいて相対的に穏やかであり、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。
! 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、異種かつ信頼されないノード間で効率的に完了することが天然的に適していません。例えば、大規模モデルのトレーニングは通常、高いメモリ、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や同期を行うことが難しいです。データプライバシーや主権制限が厳しいタスクは、法的遵守や倫理的制約に制限され、オープンな共有ができません。一方、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。これらの境界が現在の分散化トレーニングの現実的な制約を構成しています。
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するわけではありません。実際、構造が軽量で、並行性が高く、インセンティブが得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展望を示しています。これには、LoRA微調整、行動整合性に基づく後処理タスク、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、リソースが制御された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が含まれますが、これに限りません。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を許容する特性を持ち、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、分散化訓練と連邦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から見ると、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。本稿では、これら5つのプロジェクトの背後にある核心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訓練システムにおけるそれら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:トレーニング軌跡検証可能な強化学習協調ネットワークの先駆者
Prime Intellectは、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おり、誰でもトレーニングに参加でき、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は中央スケジューリングのない環境で弾力的なトレーニングを実現するのに適しており、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ための基盤を築いています。
#TOPLOC:軽量級トレーニング行動検証メカニズム
TOPLOCはPrime Intellectによって提案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、ノードが観測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によって、軽量な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ことを初めて実現し、信頼不要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を与え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あり、非同期、帯域幅が制限された、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で部分的な更新を継続的に提出することを許可し、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能力を大幅に向上させ、安定した重みのコンセンサスと持続的なトレーニングの反復のための核心的な基盤です。
#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によって提案された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す。これは、分散化トレーニングにおいて一般的な帯域幅の制約、デバイスの異種性、および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構造を構築することで、グローバルな同期の高い通信コストを回避し、局所の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は一般消費者向け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いて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、コンシューマ向けGPUおよび不安定なノードで動作可能であり、OpenDiLoCoプロトコルの非同期通信機能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、真のオープンで信頼不要な協調トレーニングネットワークの構築における"最後の1マイル"の通信基盤を切り開きました。
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でき、実際の貢献に基づいて報酬を得られる、許可不要で検証可能かつ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、「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による協力訓練で構築された強化学習の大規模モデルで、パラメータの規模は32Bに達します。INTELLECT-2モデルは、3つの大陸にわたる100以上のGPU異種ノードによって協力訓練され、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行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「訓練即共識」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などの核心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初めて実現したことを示しています。
性能面では、INTELLECT-2はQwQ-32Bを基に訓練され、コードと数学において特別なRL訓練が行われ、現在のオープンソースRL微調整モデルの最前線に位置しています。