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トレーニング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、三大陸に広がる100以上のGPU異種ノードが協力してトレーニングを完了し、完全非同期アーキテクチャを使用して、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「トレーニングは合意である」というパラダイムの初のシステム化を意味します。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、分散化トレーニングネットワークが初めてトレーニングプロセスのオープン化、検証性、経済的インセンティブの閉ループを実現したことを示しています。
分散化AIトレーニングの最前線：プライムインテレクトとプラリスの探求の旅
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プロセスであり、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、および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つのカテゴリーに分けられます：集中化トレーニング、分散化トレーニング、フェデレートラーニング、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。
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います。効率が高く、リソースが管理可能という利点がありますが、同時にデータの独占、リソースの壁、エネルギー消費、単一障害点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協調的に実行することで、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実行されることが多いです。NVLinkの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」の従業員に協力してタスクを完了させるのに例えられます。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。
! 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は、よりオープンで検閲に強い未来の道を示します。その核心的な特徴は、複数の互いに信頼しないノード(が家庭用コンピュータ、クラウドGPU、またはエッジデバイス)で、中央の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ができる点です。通常、プロトコルによってタスクの配信と協力が駆動され、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、モデル検証などの複数のレベルに関与しています。ただし、「協調的に効果的 + 誠実にインセンティブ + 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ーン(、例えば医療や金融)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、同時に分散化トレーニングのデータ分散の利点も持っていますが、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持っていません。プライバシーコンプライアンスシーンにおける"制御された分散化"の一形態と見ることができ、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は適していません。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、または協力の難易度が高いため、異種の非信頼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。例えば、大規模モデルのトレーニングは高いメモリ、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率的に分割および同期することが困難です。データプライバシーおよび主権制限が強いタスクは法的遵守および倫理的制約に制限され、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共同で構成しています。
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、並行処理が容易で、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礎モデルのトレーニング、エッジデバイス参加の協調トレーニングシナリオが含まれますが、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行性、低い結合性、異種計算能力への耐性を備えており、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。
! 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の解析
現在、分散化トレーニング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は主にPrime Intellect、Pluralis.ai、Gensyn、Nous Research、Flock.ioを含んでいます。技術的革新性と工学的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の方向性を代表しています。一方、GensynとFlock.ioの実現経路は比較的明確で、初歩的な工業化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工学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: トレーニング軌跡が検証可能な強化学習協同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を構築することに専念しており、誰でもトレーニングに参加でき、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の三つのモジュールを通じて、検証可能でオープンで、インセンティブメカニズムが完全な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の構造と重要なモジュールの価値
! 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トレーニングの主要メカニズムの詳細
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、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の実現により適しており、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きます。
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、信頼なしでトレーニング報酬の配分を行う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: Asynchronous Weight Aggregation & Propagation Protocol(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あり、非同期、帯域幅制限、ノード状態が変動する真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のAllReduce方法と比較して、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、安定した重みのコンセンサスと持続的なトレーニングイテレーション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が提案したDiLoCoの理念に基づいて独立して実装し、オープンソースに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ける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によって、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のみに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インフラの一つです。
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、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機能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を必要としない協調トレーニングネットワークを構築するための"最後の一マイル"の通信基盤が整備されました。
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、許可不要で、検証可能かつ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、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ようにします。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、タスクの発行、ノードのトレーニング、トラッキングの検証、ウェイトの集約(SHARDCAST)および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の分散化ノード協力によってトレーニング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、三大陸に広がる100以上のGPU異種ノードが協力してトレーニングを完了し、完全非同期アーキテクチャを使用して、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「トレーニングは合意である」というパラダイムの初のシステム化を意味します。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、分散化トレーニングネットワークが初めてトレーニングプロセスのオープン化、検証性、経済的インセンティブの閉ループを実現したことを示しています。
性能に関して、INTELLECT-2はQwQ-32Bをベースにトレーニングされ、代