PCCL(Prime Collective Communication Library)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(であるNCCL、Gloo)が異種デバイスや低帯域幅ネットワークにおけ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の復元をサポートし、消費者向け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1マイル"の通信基盤を構築する手助けをします。
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、許可不要で検証可能、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、三つのコアロールに基づいて運営されます：
分散化AIトレーニングの新たなフロンティア：Prime Intellectが非同期協調ネットワークを開発
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の全バリューチェーンにおいて、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、フェデラルラーニング、および本稿で重点的に議論する分散化トレーニングの4つのカテゴリに分類できます。
! 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。ハードウェアから基盤ソフトウェア、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、高い効率性とリソースの管理可能性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実行することにより、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」特性を備えているものの、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、同期されています。通常は高速なローカルエリアネットワーク環境で運用され、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が可能であるということです。通常、プロトコルによってタスクの配信と協力が推進され、暗号によるインセンティブメカニズムを通じ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働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、モデル検証など複数のレベルに関与しています。しかし、「協働効果 + 誠実なインセンティブ + 結果の正確性」が実現可能かどうかはまだ初期プロトタイプの探索段階にあります。
フェデラルラーニングは、分散化と去中心化の間の過渡的な形態であり、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、(医療、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局所的協調能力を持ちながら、去中心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、完全なオープン性と検閲抵抗性の特性は持っていません。これは、プライバシーコンプライアンスのシナリオにおける"制御された去中心化"の一形態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比較的穏やかであり、産業界の過渡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。
! 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の境界、機会と現実の道筋
トレーニングの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は適していません。特定のシーンでは、タスクの構造が複雑で、リソースの要求が非常に高く、協力の難易度が高いため、異種の信頼しないノード間で効率的に完了するのは天然的に不適切です。例えば、大規模モデルのトレーニングは高いメモリ、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することが難しいです。また、データプライバシーと主権制限が強いタスクは法的遵守と倫理的制約に制限され、オープンな共有ができません。さらに、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参加の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、構造が軽量であり、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トレーニングとアノテーションタスク、リソース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ーンが含まれます。これらのタスクは一般的に高い並行性、低い結合性、異種計算能力に対する耐性を備えており、P2Pネットワーク、Swarmプロトコル、分散最適化器などの手段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専念しており、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完備された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構造とキー 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することで、各トレーニングノードはローカルで独立してタスクループを完了することができ、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。従来の教師あり学習プロセスと比較して、PRIME-RLは中心的なスケジューリングのない環境での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とともに、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(信頼できる観察およびポリシー・ローカリティチェック)は、Prime Intellectが提案したトレーニングの検証可能性に関するコアメカニズムであり、ノードが観察データに基づいて実際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。これは初めて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し、信頼なしにトレーニング報酬配分を実現するための重要なイノベーションであり、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によって設計された重み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的な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方法と比較して、SHARDCASTは分散化された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、安定した重みの合意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の理念に基づいて独立して実装し、オープンソース化した通信最適化フレームワークで、分散化訓練における一般的な帯域幅制限、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、局所的な隣接ノードにのみ依存してモデルの協調訓練を完了できます。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GPUやエッジデバイスも安定して訓練タスクに参加できるようにし、世界的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基盤の一つとなっています。
#PCCL:協調通信ライブラリ
PCCL(Prime Collective Communication Library)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(であるNCCL、Gloo)が異種デバイスや低帯域幅ネットワークにおけ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の復元をサポートし、消費者向け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1マイル"の通信基盤を構築する手助けをします。
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、許可不要で検証可能、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、三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、重みの集約(SHARDCAST)および報酬の配布を含み、「真のトレーニング行動」を中心にしたインセンティブの閉ループを形成します。
! 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を必要としない分散化ノードによる協力訓練によって作成された強化学習の大モデルで、パラメータ規模は32Bに達します。INTELLECT-2モデルは