Appleの機械学習研究者らは、Apple Silicon搭載Macの使われていない画像処理能力を集約し、機械学習の推論を実行する分散プラットフォームを発表した。「Minions」と呼ばれるこのプロジェクトは、チームがすでに所有しているハードウェアを、柔軟な仮想GPUクラウドに変えることを目指している。

研究者らが挙げるのは、AIシステムを導入する組織にはなじみのある計算資源の問題だ。集中型のGPU基盤は費用がかさみ、短期間で拡張するのが難しく、需要が高いと長い待ち時間が生じる場合がある。一方、最近のMacに内蔵されているGPUは、通常の業務ではほとんど使われていないことがある。Minionsは、追加のアクセラレーターの購入を必要とせず、遊休状態の機器を連携させることで、この2つの状況を結び付けようとしている。

Appleの研究概要によると、Minionsは大規模な推論ワークロードを、Apple Siliconを搭載したmacOS機器に分散する。タスクを動的に受け付け、利用可能な資源を効率的に使い、機器の障害にも耐えられるよう設計されている。従業員や研究室のコンピューターをまとめて利用する環境では、個々の機器が予告なく参加・離脱したり、別の作業で使用中になったりするため、こうした性質が重要になる。

この研究が対象とするのは、学習済みのモデルを使って結果を生成する「推論」だ。寄せ集めたMacの一群が、あらゆる集中型の学習クラスターを置き換えられると主張しているわけではない。Appleの研究者らは、従来型のGPU資源に制約がある環境では、この方式が実用的になり得ることが経験から分かったとしている。公開された概要には、特定のクラウドサービスと費用、消費電力、処理量を比較できるほど詳しいベンチマーク情報はない。そのため、この成果は普遍的な性能の主張ではなく、システム設計と利用経験の報告として捉えるべきだ。

Minionsは、Apple Silicon向けに構築された機械学習フレームワーク「MLX」をめぐるAppleの幅広い取り組みとも関連する。MLXは、現行Macで使われているアーキテクチャを活用し、大規模言語モデルなどの技術を開発者がローカルで試せるようにする。分散処理の仕組みを加えれば、複数の機器が共通の推論ワークロードを分担でき、ローカルの処理能力を拡張できる可能性がある。

この方式は、すでに多数のMacを管理している研究グループやエンジニアリングチームにとって魅力的かもしれない。一部の処理では、資源の限られた中央の実行待ちキューへの依存を減らし、使われていないハードウェアを有効活用できる可能性がある。一方、実際に導入するには、管理者がネットワーク性能、機器の利用可能性、セキュリティー、バックグラウンド処理が主な利用者に及ぼす影響を検討する必要がある。これらは、短い研究概要だけでは解決されていない問題だ。

主な貢献は、計算資源を統括するモデルにある。各Macを独立した開発用コンピューターとして扱うのではなく、Minionsは余っているGPUを、構成が変化する集合的な資源として提示する。Appleの論文は、この資源の集合を、集中型の推論能力だけでは常に需要を満たせない組織を補完するものと位置付けている。