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、直接的にモデルの能力上限と実際の応用効果を決定します。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て、訓練方法は4つのカテゴリに分類できます: 集中化訓練、分散化訓練、フェデラルラーニング、および本稿で重点的に議論する分散化訓練。

! 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全てのコンポーネントは、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の利点がありますが、一方でデータの独占、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割し、多くのマシンに配布して協調実行することにより、単一のコンピュータの計算と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、調整、同期され、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:

• データ並列: 各ノードが異なるデータを訓練し、パラメータが共有され、モデルの重みを一致させる必要がある
• モデル並列: モデルの異なる部分を異なるノードに展開し、強力な拡張性を実現する
• パイプライン並行: ステージごとの直列実行、スループットを向上させる
• テンソル並列: マトリックス計算の細分化、並列粒度の向上

分散化トレーニングは「集中管理 + 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」の従業員に指示を出し、タスクを協力して完了させ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抵抗する特性を持つ未来の道を示しています。そのコア特性は、複数の互いに信頼しないノードが中心のコーディネーター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、プロトコルを介してタスクの配信と協力を駆動し、暗号的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、

• デバイスの異種性とタスク分割の困難: 異種デバイスの調整が難しく、タスクの分割効率が低い
• 通信効率のボトルネック: ネットワーク通信が不安定で、勾配同期のボトルネックが明らかである
• 信頼できる実行の欠如: 信頼できる実行環境が不足しており、ノードが実際に計算に参加しているかどうかを検証することが困難です。
• 統一した調整の欠如:中央のスケジューラがなく、タスクの配信や異常のロールバックメカニズムが複雑

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、"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側面に関わりますが、"協調的に効果的 + 誠実にインセンティブ + 結果が正しい"が達成できるかどうかは未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つつ、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のシーンにおける"制御された分散化"の一形態と考えられ、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。

! 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

トレーニングパラダイムの観点から見ると、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、リソースの需要が非常に高いか、協力の難易度が高いため、異種で信頼されていないノード間で効率的に完了することが自然に不適切です。例えば、大規模モデルのトレーニングは高いメモリ帯域幅、低遅延、高速帯域幅に依存することが多く、オープンネットワークで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や主権に制限の強いタスクは法的遵守や倫理的制約に制限され、オープン共有ができません。一方、協力のインセンティブ基盤が欠如し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するものではありません。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可能性を示しています。含まれるがこれに限らない: LoRA微調整、行動整合性に関する後処理タスク(、RLHF、DPO)、データクラウドソーシングトレーニングおよびアノテーションタスク、リソースを制御し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共同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、低い結合性、および異種計算能力に対する耐性を持ち、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学習の最前線の分野において、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自の探求を提案し、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。本記事では、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: トレーニング軌跡を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、その計算貢献に対して信頼できる報酬を得られるようにします。Prime Intellectは、PRIME-RL + TOPLOC + SHARDCASTの三大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整った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の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。強化学習を優先的に適用対象として採用し、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通じ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は無中心スケジューリング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下させるだけでなく、マルチ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などの重た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で、軽量構造の検証を実現します。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の試みであり、信頼を必要としない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が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: 非同期ウェイト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方式と比較して、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継続的なトレーニングの反復を構築するための重要な基盤となります。

#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あり、分散化トレーニングにおける帯域幅の制限、デバイスの異種性、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で、グローバルな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するだけでモデルの協調トレーニングを完了させることができます。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はコンシューマーレベルの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、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の「最後の一マイル」の通信基盤が整いました。

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、検証可能で、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。これにより、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ます。プロトコルは、三つのコアロールに基づいて運営されます:

• タスク発起者: トレーニング環境、初期モデル、報酬関数と検証基準を定義する
• トレーニングノード: ローカルトレーニングを実行し、ウェイトの更新と観測トレースを提出する
• 検証ノード:TOPLOCメカニズムを使用してトレーニング行動の真実性を検証し、報酬計算と戦略集約に参加する

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、軌跡の検証、重みの集約(SHARDCAST)と報酬の配布を含み、"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閉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な分散化ノードの協調訓練によって作成された強化学習の大規模モデルであり、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異種ノードの協調訓練によって完成し、完全な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、非同期協調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、性能の突破口であるだけでなく、Prime Intellectが提唱した"訓練即共識"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、分散化訓練の新たな時代の幕開けを示しています。