137
自2018年谷歌發(fā)布BERT以來(lái)，預(yù)訓(xùn)練大模型經(jīng)過(guò)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(cè)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(jí)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(xiě)小說(shuō)、寫(xiě)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(duì)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(huì)有明顯的感受，今年大模型的會(huì)議與討論越來(lái)越多，預(yù)訓(xùn)練大模型本身的優(yōu)勢(shì)我們?cè)诤芏嘈侣勚卸几惺艿搅恕４蛟齑竽Ｐ筒⒉皇且患p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(chǎng)中有條件的企業(yè)和機(jī)構(gòu)都開(kāi)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(shì)，經(jīng)過(guò)這些機(jī)構(gòu)對(duì)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(méi)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(huì)受到一些影響，而在這個(gè)態(tài)勢(shì)下也有一些趨勢(shì)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(lái)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(shì)，現(xiàn)在AI社區(qū)的共識(shí)是采用它作為下游任務(wù)的開(kāi)始，而不是從頭開(kāi)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(duì)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(huà)面感受。這樣的發(fā)展模式很可能會(huì)給行業(yè)帶來(lái)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(jìng)賽，大家開(kāi)始比拼各自參數(shù)集數(shù)量級(jí)。你百億級(jí)，我就千億級(jí)。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(guò)大，并且也只限于部分行業(yè)的部分問(wèn)題，普適性差。
2.國(guó)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(lái)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(lái)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(duì)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(wèn)題，就會(huì)陷入閉門(mén)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(guò)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(wú)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(wèn)題與卡點(diǎn)無(wú)可避免。行業(yè)內(nèi)人士應(yīng)該會(huì)更加敏感地體察到這些現(xiàn)象，誰(shuí)也不會(huì)想要讓這些荊棘以常態(tài)的模式橫亙?cè)诎l(fā)展前路上。大家花費(fèi)精力激蕩腦力，想要發(fā)展的共識(shí)是打造出行業(yè)內(nèi)唯一的模型。那么，對(duì)于行業(yè)來(lái)說(shuō)，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(chǎng)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(kāi)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(duì)接的軟硬件協(xié)同能力。我們?cè)诟鞣N新聞中經(jīng)?？梢钥吹剑瑱C(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(lái)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(lái)說(shuō)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(guò)一次試驗(yàn)：用GPT-3寫(xiě)個(gè)文章出來(lái)。我們給第三方提供了一些寫(xiě)作的思路，想要看一下機(jī)器寫(xiě)出來(lái)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(duì)于它來(lái)說(shuō)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(guò)多，間次使用等待的時(shí)間過(guò)長(zhǎng)，，并且稿件本身也需要好幾天才能完成。看似一個(gè)簡(jiǎn)單的寫(xiě)稿需求，對(duì)無(wú)所不能的GPT-3來(lái)說(shuō)應(yīng)該是小case，結(jié)果無(wú)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(qián)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(wèn)題，與行業(yè)結(jié)合時(shí)二次開(kāi)發(fā)、對(duì)接的成本盡可能地小，否則它強(qiáng)勢(shì)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(kāi)更多的邊界，讓更多領(lǐng)域和企業(yè)來(lái)使用。
大模型的未來(lái)趨勢(shì)
從產(chǎn)業(yè)價(jià)值的角度來(lái)看，預(yù)訓(xùn)練大模型帶來(lái)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(dòng)背景下，大模型也會(huì)有一些可預(yù)見(jiàn)的趨勢(shì)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(jìng)爭(zhēng)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(huì)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(zhǎng)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(lái)需要?jiǎng)?chuàng)新，也需要自我生長(zhǎng)，向可持續(xù)、可進(jìn)化的方向發(fā)展，架構(gòu)上的革新會(huì)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(chǔ)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(guò)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(lái)的大模型會(huì)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(píng)估未來(lái)會(huì)有標(biāo)準(zhǔn)化成熟的體系來(lái)衡量，這個(gè)體系也會(huì)是行業(yè)內(nèi)公認(rèn)的標(biāo)準(zhǔn)，用這個(gè)標(biāo)準(zhǔn)來(lái)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?cè)诟鞔蟀駟紊峡吹降姆謹(jǐn)?shù)來(lái)自于大型的數(shù)據(jù)集和算力模型，讓開(kāi)發(fā)更加容易，調(diào)試與訓(xùn)練的周期越來(lái)越短。但我們也知道大量的數(shù)據(jù)喂養(yǎng)出來(lái)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(shí)的極大擴(kuò)展也無(wú)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(duì)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(dòng)力，隨著AI不斷深入產(chǎn)業(yè)與各學(xué)科領(lǐng)域的過(guò)程中，大模型在軍備battle和百家爭(zhēng)鳴，算力、數(shù)據(jù)、規(guī)模都會(huì)朝著極致化的方向發(fā)展。未來(lái)新的預(yù)訓(xùn)練大模型將會(huì)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(lái)巨大的價(jià)值。
我們的那些懸而未解的難題，在未來(lái)都會(huì)有答案，無(wú)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(lái)很多靈感與角度，世界的多面體將會(huì)被打開(kāi)。
