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能力の投入、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の4つに分類できます。

! 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、高い効率と資源コントロールの利点を持っていますが、同時にデータ独占、資源バリア、エネルギー消費、単一障害の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実行することで、単一機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、スケジュール、および同期され、高速ローカルエリアネットワーク環境で動作することが多いです。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トレーニングし、パラメータを共有し、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、強力なスケーラビリティを実現する
• パイプライン並行: 段階的に直列実行し、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詳細な分割、並列粒度の向上

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」の従業員に指揮を取り、タスクを協力して完了させることに例えられます。現在、ほぼすべての主流の大規模モデル(GPT-4、Gemini、LLaMAなど)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する耐性を持つ未来の道筋を代表します。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)であり、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布と協力を駆動し、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さを保証します。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分割の難しさ: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
• 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のが難しい
• 統一した調整の欠如: 中央スケジューラがなく、タスクの配信や異常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の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して理解できますが、「本当に実行可能な大規模な分散化トレーニング」はまだ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、「協調的に効果的 + 誠実にインセンティブ + 結果が正しい」ことができるかどうかは、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(、例えば医療や金融)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、同時に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対抗す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」ソリューションと見なすことができ、トレーニングタスク、信頼構造、および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、協力が難しいため、異種で信頼を置かないノード間で効率的に完了することが本質的に難しいです。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、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および同期をとることが困難です。データのプライバシーと主権の制約が強いタスク(、例えば医療、金融、機密データ)は法律の遵守と倫理的制約に制限されており、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(、例えば企業のクローズドソースモデルや内部プロトタイプのトレーニング)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しません。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(、RLHF、DPO)、データの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、リソースが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が含まれます。これらのタスクは一般的に高い並行性、低いカップリング、および異種計算能力に対する耐性の特性を持ち、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。

! 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の解析

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では、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が含まれています。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、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オリジナル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の道筋を順次解析し、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: 訓練軌跡可検証の強化学習協調ネットワークの先駆者

Prime Intellectは、誰もが参加し、計算貢献に対して信頼できる報酬を得られる、信頼不要のAIトレーニングネットワークの構築に取り組んでいます。Prime Intellectは、PRIME-RL + TOPLOC + SHARDCASTの3つの主要モジュールを通じて、検証可能でオープンかつ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の構築を目指しています。

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、ウェイト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は中央管理のない環境で弾力的な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、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:軽量トレーニング行動検証メカニズム

TOPLOC(信頼できる観察とポリシー・ローカリティチェック)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、ノードが観察データに基づいて有効な戦略学習を実際に行っ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、「観察シーケンス↔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、軽量な構造検証を完了します。これは、トレーニングプロセス中の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分配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、帯域幅が制限された、そしてノードの状態が変化しやすい実際のネットワーク環境のため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な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著しく向上させており、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核心的基盤です。

#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あり、分散化訓練における帯域幅の制約、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に基づいており、Ring、Expander、Small-Worldなどのスパーストポロジー構造を構築することによって、グローバル同期の高通信コストを回避し、局所的な隣接ノードに依存してモデルの協調訓練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機構を組み合わせることで、OpenDiLoCoはコンシューマ向けGPUとエッジデバイスが安定して訓練タスクに参加できるようにし、グローバルな協力訓練の参加可能性を大幅に向上させ、分散化訓練ネットワークを構築するための重要な通信インフラストラクチャの一つです。

#PCCL:協調通信ライブラリ

PCCL(プライムコレクティブコミュニケーションライブラリ)は、プライムインテレクトが分散化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(であるNCCLやGloo)が異種デバイスや低帯域幅ネットワークでの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することができ、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構築に向けた"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、誰でもタスクに参加し、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種類のコアロールに基づいて動作します:

• タスクの発起者: トレーニング環境、初期モデル、報酬関数、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、重み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、タスクの発行、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、非同期で信頼不要な分散化ノードの協力によって訓練された世界初の強化学習大モデルであり、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異種ノードの協力によって訓練されました。