Prime Intellectは、誰もが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、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の三大モジュールを通じて、検証可能性、オープン性、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。
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調トレーニングで作成された強化学習の大規模モデルで、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異種ノードによって協調トレーニングされ、完全非同期アーキテクチャを使用し、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、性能の突破口であるだけでなく、Prime Intellectが提唱した「トレーニングは共識である」というパラダイムの初のシステム化された実装でもあります。INTELLECT-2は、PRIME-RL（非同期トレーニング構造）、TOPLOC（トレーニング行動検証）、SHARDCAST（非同期重み集約）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。
AIトレーニングパラダイムの進化：集中管理から分散化協調への技術変革
AIトレーニングパラダイムの進化：集中制御から分散化協調への技術革命
AIの全価値連鎖において、モデルの訓練は資源消費が最も大きく、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左右します。推論段階の軽量な呼び出しと比べて、訓練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、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、訓練方法は集中化訓練、分散化訓練、フェデラルラーニング、そして本文で重点的に論じる去中心化訓練の4つのカテゴリに分類できます。
! AIトレーニングパラダイムの進化:中央集権的な制御から分散型のコラボレーションへの技術革命
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、クラスター調度システム、トレーニングフレームワークの全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運用されます。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、高効率でリソース管理が可能な利点がありますが、同時にデータ独占、リソースバリア、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、複数のマシンに配布して協調実行することにより、単一マシン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"分散化"の特徴を持っているものの、全体は依然として中央集権的な機関によって制御、調整、同期されています。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介して、主ノードが各サブタスクを統一的に調整します。主流の方法は以下を含みます：
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、同じボスが複数の「オフィス」の従業員にリモートで指揮を執ってタスクを協力して完了させることに類似しています。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、よりオープンで検閲に強い未来の道を示しています。その核心的な特徴は、複数の相互に信頼しないノードが中心的なコーディネーターなしにトレーニングタスクを協力して完了することです。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、次のものが含まれます：
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力を提供してモデルを協調的に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分散化トレーニング"は依然としてシステム全体の工学的な課題であり、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、モデル検証などの多くの側面に関わりますが、"協調的に効果的 + 誠実を促す + 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ナリオに適しています。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な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、完全なオープン性や検閲抵抗の特性を持っていません。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、通信メカニズムの全て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。
! AIトレーニングパラダイムの進化:中央集権的な制御から分散型のコラボレーションへの技術革命
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、タスク構造が複雑で、リソース要求が非常に高いか、協力の難易度が高いため、異種の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適していません。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することが難しいです。データプライバシーと主権制限が強いタスクは、法律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。一方で、協力のインセンティブ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。これらの境界が現在の分散化トレーニングの現実的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、並列処理が容易で、動機付け可能な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見通しを示しています。LoRA微調整、行動整合型の後処理タスク、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、リソース制御可能な小型基盤モデルのトレーニング、およびエッジデバイスが参加する協調トレーニングシーンなどを含むが、それに限らない。これらのタスクは一般に高い並列性、低いカップリング、および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方法を通じて協力トレーニングを行うのに非常に適しています。
! AIトレーニングパラダイムの進化:中央集権的な制御から分散型のコラボレーションへの技術革命
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ラーニング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索を提案しており、現在の理論研究の最前線の方向を代表しています。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流れを順に解析し、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：トレーニングの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、誰もが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、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の三大モジュールを通じて、検証可能性、オープン性、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。
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調トレーニングで作成された強化学習の大規模モデルで、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異種ノードによって協調トレーニングされ、完全非同期アーキテクチャを使用し、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、性能の突破口であるだけでなく、Prime Intellectが提唱した「トレーニングは共識である」というパラダイムの初のシステム化された実装でもあります。INTELLECT-2は、PRIME-RL（非同期トレーニング構造）、TOPLOC（トレーニング行動検証）、SHARDCAST（非同期重み集約）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を基にトレーニングされ、コードと数学において特別なRLトレーニングが行われており、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。GPT-4やGeminiのようなクローズドモデルを超えてはいないものの、その真の意義は次のとおりです：これは世界初の完全なトレーニングプロセスが再現可能、検証可能、監査可能な分散化モデル実験です。Prime Intellectはモデルをオープンソースにしただけでなく、トレーニングプロセス自体をオープンソースにしたことが重要です - トレーニングデータ、戦略更新の軌跡、検証プロセスと集約ロジックはすべて透明で確認可能であり、誰もが参加できる、信頼できる協力、利益を共有する分散化トレーニングネットワークのプロトタイプを構築しました。
! AIトレーニングパラダイムの進化:中央集権的な制御から分散型のコラボレーションへの技術革命
プルラリス：非同期モデルの並列および構造圧縮協調トレーニングのパラダイム探索者
Pluralisは「信頼できる協調訓練ネットワーク」に特化したWeb3 AIプロジェクトであり、その核心的な目標は分散化、オープンな参加、そして長期的なインセンティブメカニズムを備えたモデル訓練パラダイムを推進することです。現在の主流の集中型または閉鎖型の訓練パスとは異なり、PluralisはProtocol Learning（プロトコル学習）と呼ばれる新しい理念を提案します：モデル訓練プロセスを「プロトコル化」し、検証可能な協力メカニズムとモデル所有権のマッピングを通じて、内生的なインセンティブクローズドループを備えたオープントレーニングシステムを構築します。
Pluralisが提案したプロトコル学習には、3つの重要な柱が含まれています。
Pluralisは"非同期モデル並列"を核心方向として明確にし、データ並列に対して以下の利点を強調しています：
! AIトレーニングパラダイムの進化:中央集権的な制御から分散型のコラボレーションへの技術革命
Gensyn：検証可能な実行に基づく分散化トレーニングプロトコル層
Gensynは「深層学習トレーニングタスクの信頼できる実行」に特化したWeb3 AIプロジェクトであり、核心はモデルアーキテクチャやトレーニングパラダイムの再構築ではなく、「タスク配信 + トレーニング実行 + 結果検証 + 公平なインセンティブ」という全プロセスの検証可能な分散トレーニング実行ネットワークを構築することにあります。オフチェーンのトレーニング + オンチェーンの検証というアーキテクチャデザインを通じて、Gensynは「トレーニング即マイニング」を現実のものとする、高効率でオープンなインセンティブのあるグローバルトレーニング市場を構築しています。
Gensynは「どうやって訓練するか」ではなく、「誰が訓練し、どのように検証し、どのように利益を分配するか」というインフラです。その本質は訓練タスクの検証可能な計算プロトコルであり、主に以下の問題を解決します。
Gensynネットワークは、4種類の参加者を導入します：
このメカニズムは、Truebitの経済ゲーム設計にインスパイアを受けており、エラーの強制的な挿入 + ランダム仲裁を通じて、参加者に誠実な協力を奨励し、ネットワークの信頼性のある運用を確保します。
![AIトレーニングパラダイムの進化：集中制御から分散化協調への技術革命](