自2018年谷歌發(fā)布BERT以來,預(yù)訓(xùn)練大模型經(jīng)過三年的發(fā)展,以強(qiáng)大的算法效果,席卷了NLP為代表的各大AI榜單與測試數(shù)據(jù)集。2020年OpenAI發(fā)布的NLP大模型GPT-3,實(shí)現(xiàn)了千億級數(shù)據(jù)參數(shù)。GPT-3除了具備傳統(tǒng)的NLP能力之外,還可以算術(shù)、編程、寫小說、寫論文摘要,一時(shí)之間成為科技圈中的爆點(diǎn)。到2021年,我們可以看到各大學(xué)術(shù)機(jī)構(gòu)、科技企業(yè)都在打造自己的大模型,并且對其能力邊界、技術(shù)路徑進(jìn)行了極大拓展。

身在科技圈中會有明顯的感受,今年大模型的會議與討論越來越多,預(yù)訓(xùn)練大模型本身的優(yōu)勢我們在很多新聞中都感受到了。打造大模型并不是一件輕松容易的事情,需要耗費(fèi)大量的數(shù)據(jù)、算力資源等,大模型的意義是為了讓算法模型集中化,但是市場中有條件的企業(yè)和機(jī)構(gòu)都開始耗費(fèi)大量資源自研大模型。大模型算法模型的集中化優(yōu)勢,經(jīng)過這些機(jī)構(gòu)對集中資源的分化,又有種煙囪式的割裂。

其實(shí)現(xiàn)實(shí)可能只需要一個(gè)發(fā)展到極致化的大模型就足夠大家使用了,沒有必要人手一個(gè)。而且預(yù)訓(xùn)練大模型的發(fā)展在這樣的模式下也會受到一些影響,而在這個(gè)態(tài)勢下也有一些趨勢與變化值得討論與關(guān)注。

大模型發(fā)展模式的卡點(diǎn)

BERT、GPT 等大規(guī)模預(yù)訓(xùn)練模型(PTM)近年來取得了巨大成功,成為AI領(lǐng)域的里程碑。因?yàn)轭A(yù)訓(xùn)練大模型的顯著優(yōu)勢,現(xiàn)在AI社區(qū)的共識是采用它作為下游任務(wù)的開始,而不是從頭開始訓(xùn)練數(shù)據(jù)、建立模型。

隨著產(chǎn)學(xué)研各界的深入研究,大模型在AI各界的地位得到不斷加強(qiáng)。一些機(jī)構(gòu)和產(chǎn)業(yè)界對大模型的參與到角逐,使得其呈現(xiàn)出一種宣傳炫技般的畫面感受。這樣的發(fā)展模式很可能會給行業(yè)帶來一些不好的影響:

1．大模型成為一些機(jī)構(gòu)和企業(yè)秀肌肉的軍備競賽,大家開始比拼各自參數(shù)集數(shù)量級。你百億級,我就千億級。數(shù)據(jù)集本身就有限,標(biāo)榜自己的數(shù)據(jù)集越大,也意味著水分比較多,而在真實(shí)落地使用的情況方面,也并不不一定理想。算力資源和訓(xùn)練時(shí)間消耗過大,并且也只限于部分行業(yè)的部分問題,普適性差。

2．國內(nèi)預(yù)訓(xùn)練模型的玩家們可用的中文數(shù)據(jù)集有限,就是我們知道的幾種主流常用數(shù)據(jù)來源。在有限的數(shù)據(jù)集里,大家使用的數(shù)據(jù)未免重復(fù),而因此研究出來的大模型能力就比較接近。走相同的路徑做類似的事情,有點(diǎn)浪費(fèi)資源與算力。

3．大模型是否優(yōu)秀,不僅依賴數(shù)據(jù)的精度與網(wǎng)絡(luò)結(jié)構(gòu),也是對其與行業(yè)結(jié)合軟硬件協(xié)同能力的比拼。單純只強(qiáng)調(diào)低頭研發(fā)高參數(shù)集、強(qiáng)算力模型等的方向,輕視一些與行業(yè)的協(xié)同二次調(diào)試等問題,就會陷入閉門造車的局面,限制了落地的路,走不遠(yuǎn)。

4．一些預(yù)訓(xùn)練大模型經(jīng)過極致化(數(shù)據(jù)、模型、算力)的發(fā)展后,也有可能面臨小眾、泛用性差的情形,比如一些高校研發(fā)的預(yù)訓(xùn)練大模型只能在小眾的學(xué)術(shù)圈子里使用,無法工程化使用,最終淪為一次性的模型,浪費(fèi)大量的資源。

雖然我們看到各種大模型在集中式爆發(fā)發(fā)展,但其實(shí)目前大模型行業(yè)還處于初始階段,面臨一些問題與卡點(diǎn)無可避免。行業(yè)內(nèi)人士應(yīng)該會更加敏感地體察到這些現(xiàn)象,誰也不會想要讓這些荊棘以常態(tài)的模式橫亙在發(fā)展前路上。大家花費(fèi)精力激蕩腦力,想要發(fā)展的共識是打造出行業(yè)內(nèi)唯一的模型。那么,對于行業(yè)來說,究竟什么樣的大模型才是最好的呢?

究竟什么是好的大模型?

在這場battle里,大模型向著規(guī)模極致化的方向發(fā)展。那么如何衡量大模型的能力,是一個(gè)繞不開的話題。衡量大模型能力的關(guān)鍵要素是,參數(shù)的規(guī)模和與細(xì)分行業(yè)結(jié)合對接的軟硬件協(xié)同能力。我們在各種新聞中經(jīng)�？梢钥吹�,機(jī)構(gòu)或者是企業(yè)用數(shù)據(jù)集或者是參數(shù)規(guī)模,以及跑分來彰顯自己的模型水平。

參數(shù)的規(guī)模決定了預(yù)訓(xùn)練模型有多大。參數(shù)越大一般來說意味著大模型具備更多的能力,泛化性、通用性也更加強(qiáng)。成功的大模型背后,還需要大規(guī)模分布式訓(xùn)練、并行計(jì)算、軟硬件協(xié)同優(yōu)化等能力。

腦極體曾在GPT-3最火的時(shí)候,參與過一次試驗(yàn):用GPT-3寫個(gè)文章出來。我們給第三方提供了一些寫作的思路,想要看一下機(jī)器寫出來的效果怎么樣(其實(shí)是想看看自己離失業(yè)還有多久)。結(jié)果得到的反饋是GPT-3在理解能力方面很牛很強(qiáng),但是讓它去生產(chǎn)一篇稿件,對于它來說還是比較復(fù)雜而且困難的一件事情。

另外,排隊(duì)等待使用的企業(yè)過多,間次使用等待的時(shí)間過長,,并且稿件本身也需要好幾天才能完成�？此埔粋�(gè)簡單的寫稿需求,對無所不能的GPT-3來說應(yīng)該是小case,結(jié)果無疾而終。存在類似小需求的企業(yè)應(yīng)該還是有很多,而這些需求都需要排隊(duì)等待調(diào)用大量的算力,并且磨幾天才能產(chǎn)出,而花時(shí)間花錢結(jié)果還存疑。當(dāng)時(shí)行業(yè)里最好的大模型落地都如此艱難,大模型的落地還是有點(diǎn)不理想。

好的大模型不僅僅需要模型、算力等本身性能方面強(qiáng)勁,關(guān)鍵也需要看與某垂直行業(yè)結(jié)合時(shí)產(chǎn)品化落地的能力是否實(shí)用。落地的大模型需要解決一些行業(yè)具體的問題,與行業(yè)結(jié)合時(shí)二次開發(fā)、對接的成本盡可能地小,否則它強(qiáng)勢的性能也只是空中樓閣,中看不中用。大模型需要工程落地的能力,從而打開更多的邊界,讓更多領(lǐng)域和企業(yè)來使用。

大模型的未來趨勢

從產(chǎn)業(yè)價(jià)值的角度來看,預(yù)訓(xùn)練大模型帶來了一系列可能性,讓產(chǎn)學(xué)研各界看到了由弱人工智能走向強(qiáng)人工智能,走向工業(yè)化、集成化智能化的路徑。在這樣的驅(qū)動背景下,大模型也會有一些可預(yù)見的趨勢與發(fā)展。

1．我們知道事物的發(fā)展規(guī)律是優(yōu)勝劣汏,在競爭的角逐中,一些標(biāo)榜獨(dú)特性的小眾模型的泛化能力差,越獨(dú)特可能也就意味著越小眾,使用的范圍十分有限,可能會逐漸走向消亡。

2．崛起的大模型不僅僅是泛化性、落地能力強(qiáng),創(chuàng)新性強(qiáng)、訓(xùn)練數(shù)據(jù)規(guī)模大,也需要具備不斷生長革新的能力,也就是自我進(jìn)化、智能化的能力。大模型的未來需要?jiǎng)?chuàng)新,也需要自我生長,向可持續(xù)、可進(jìn)化的方向發(fā)展,架構(gòu)上的革新會讓模型更加高效。

3．大模型能力的端側(cè)化,“芯片化”。將模型的一些運(yùn)算存儲等能力像芯片一樣固化在一些端側(cè)硬件設(shè)備中,在使用的過程中不用在重裝的模型中耗時(shí)調(diào)用算力與數(shù)據(jù),可以實(shí)現(xiàn)隨時(shí)調(diào)用隨時(shí)使用�，F(xiàn)下的模型多是重裝大模型,使用的話需要調(diào)用龐大的算力和運(yùn)行時(shí)間,未來的大模型會逐漸改變這種模式。

4．大模型的標(biāo)準(zhǔn)化與模塊化發(fā)展。大模型的評估未來會有標(biāo)準(zhǔn)化成熟的體系來衡量,這個(gè)體系也會是行業(yè)內(nèi)公認(rèn)的標(biāo)準(zhǔn),用這個(gè)標(biāo)準(zhǔn)來衡量大模型的優(yōu)劣而不是現(xiàn)下自賣自夸式的標(biāo)榜。

目前我們在各大榜單上看到的分?jǐn)?shù)來自于大型的數(shù)據(jù)集和算力模型,讓開發(fā)更加容易,調(diào)試與訓(xùn)練的周期越來越短。但我們也知道大量的數(shù)據(jù)喂養(yǎng)出來的模型回報(bào)并不是百分百地正確。喂養(yǎng)的數(shù)據(jù)知識的極大擴(kuò)展也無法保證結(jié)果的確定性,這也是大模型最大的弱點(diǎn),而這也意味著對于大模型的探索需要持續(xù)的迭代發(fā)展。

預(yù)訓(xùn)練大模型是面向通用智能最高階的探索,也是AI持續(xù)變革的核心發(fā)展方向與動力,隨著AI不斷深入產(chǎn)業(yè)與各學(xué)科領(lǐng)域的過程中,大模型在軍備battle和百家爭鳴,算力、數(shù)據(jù)、規(guī)模都會朝著極致化的方向發(fā)展。未來新的預(yù)訓(xùn)練大模型將會與那些計(jì)算量巨大的科學(xué)領(lǐng)域,比如制藥、腦科學(xué)、醫(yī)療、生物計(jì)算等領(lǐng)域相互結(jié)合,帶來巨大的價(jià)值。

我們的那些懸而未解的難題,在未來都會有答案,無論最終這個(gè)結(jié)論正確與否,都能夠?yàn)榍把氐陌l(fā)展、探索帶來很多靈感與角度,世界的多面體將會被打開。