自 2018 年谷歌发布 BERT 以来,预训练模型(Pre-trained Models,PTMs)逐渐成为自然语言处理(NLP)畛域的主流。
2020 年 5 月,OpenAI 发布了拥有 1750 亿参数量的预训练模型 GPT-3。作为一个语言生成模型,GPT-3 不仅能够生成流畅自然的文本,还能完成问答、翻译、创作小说等一系列 NLP 工作,甚至进行简单的算术运算,并且其机能在很多工作上都超越相关畛域的专有模型,达到 SOTA 水平。
很快,OpenAI 便开始了 GPT-3 的商业化探索,并催生了一系列落地运用,微软的巨额投资也立马跟进。同样看中 PTM 潜力的谷歌,在 2021 年初推出超级语言模型 Switch Transformer,将参数量提升至万亿级别。
以 GPT-3 为代表的超大规模预训练模型,不仅以绝对的数据和算力优势彻底取代了一些小的算法和模型工程,更重要的是,它展示了一条探索通用人工智能极富潜力的路径。然而,作为全球使用人数第一的语言,华文 PTM 寥寥可数。在这样的发展态势下,构建以华文为核心的超大规模预训练模型及生态势在必行。
2021 年 3 月 20 日,北京智源人工智能研讨院(下称「智源研讨院」)发布了我国首个超大规模智能模型系统「悟道」的第一阶段成果。「悟道」由智源研讨院牵头,汇聚清华、北大、人大、中科院等高校院所,以及诸多企业的 100 余位 AI 畛域专家共同研发,从基础机能、有效使用到预训练模型扩展,提出一系列翻新解决方法,取得多项国际领先的 AI 技术突破和多个世界第一。
呆板之心专访了智源研讨院学术副院长、清华大学教授唐杰。作为悟道项目负责人,唐杰分享了团队关于超大规模预训练模型的技术思考和战略布局,以及智源研讨院作为新一代 AI 研讨机构的优势。
智源研讨院学术副院长、清华大学教授唐杰
唐杰觉得,超大规模预训练模型的出现改变了 AI 产业格局,继鉴于数据的互联网时代、鉴于算力的云计算时代之后,接下来可能将进入鉴于模型的 AI 时代。而智源研讨院要做的,则是致力于成为这样一个时代的引领者,集聚各方资源力量,构建一个超大规模智能模型技术生态和开放平台,供北京乃至全国的研讨人员、开发者和企业使用。
今后越来越多的人会使用云上的超大规模预训练模型作为其 AI 研讨和运用的基础。超大规模预训练模型系统将成为一种 AI 基础设施,推动理论研讨和技术运用更上一层。
超大模型势在必行,迎接鉴于模型的 AI 时代
AI 模型越做越大这件事不是最近才发生的。早在 3 年前便有人统计指出,计算机视觉畛域的 SOTA 模型体积越来越大 [1]。
NLP 畛域亦然,从最早的 ELMo(5 亿参数)到后来的 Turing NLG(170 亿参数),GPT-3 更是将模型的体积和复杂度拔升至一个全新的境界。美国大规模在线预测征求和汇总引擎 Metaculus 曾做过一项调研,参加者预计 GPT-4 参数量的中位数大约在 2.5 万亿 [2]。
唐杰表示,大模型可以包含更多数据,表示更多信息,模型往超大规模发展是一个必然的趋势。目前有很多团队都在做万亿级模型,国外有 DeepMind、谷歌Brain,国内有华为、快手等,研讨成果各有千秋。
「谷歌在今年 1 月就已经推出了万亿参数模型,但精度上并没有提升很多。」因此,他推测 GPT-4 的参数规模很有可能上万亿,不仅如此,OpenAI 还会强调模型在众多工作上精度的提高。
智源也在布局万亿级模型,包括配套的高机能算力平台。不过,唐杰表示,由于万亿级模型参数量过于庞大,模型设计非常复杂,训练耗时长,直接使用还存在一定困难,很多时候反而不如百亿级的模型。在现阶段的实际运用中,充分利用数据,参数规模更小的模型常常能完成更好的机能。
目前,悟道团队一方面扩大模型的规模,让模型的表示能力更强,一方面针对实际运用,提高精度。此外,还在模型微调算法上进行翻新,希望早日打通百亿级模型和万亿级模型的桥梁。
「如果能用万亿级模型在一些工作上取得机能的显著提升,这将是一个里程碑式的进步。」唐杰说。
随着算力的不断提升,我们现在可以训练越来越大的模型。或许有一天,真能出现与人脑突触量级相当的 100 万亿参数模型。即便这样的模型真能做出来,训练也势必花费巨资,动辄数十亿美元。
超大规模预训练模型只能是有钱人的游戏吗?小团队如何翻新?
对此,唐杰的看法是,人工智能发展可以分为这样几个阶段:继鉴于数据的互联网时代、鉴于算力的云计算时代之后,接下来可能将进入鉴于模型的 AI 时代,相当于把数据提升为超大规模预训练模型。未来,研讨人员可以直接在云模型上进行微调,很多公司甚至不用维护自己的算法研发团队,只需要简单的运用工程师就行。
超大规模预训练模型系统的开放,小团队可以说是最大的受益者,大家不必从零开始,预训练基线智能水平大幅提升,平台多样化、规模化,大家在云上可以找到自己所需的模型,剩下的就是对行业、对场景的懂得。这将给 AI 运用翻新带来一个全新的局面。
至于基础研讨,唐杰说:「理论上可以研讨得更深、更系统了,以前研讨这个模型使用这种数学方法好,现在可以摆到台面上、扩大到更广的范围来。」
「数据规模化的使用,将促使业界和有关机构更深入地讨论哪些内容可以学、哪些内容不能学,更加注重 AI 伦理、数据隐私、保密和安全等问题。」
智源悟道 1.0 阶段性成果发布,取得多项世界第一
智源研讨院自 2020 年 10 月正式启动超大规模智能模型「悟道」项目,悟道 1.0 已启动了 4 个大模型的开发,取得多项国际领先 AI 技术突破,持续填补我国研讨畛域空白:
悟道 · 文汇——首个面向认知的超大规模新型预训练模型
该模型在多项工作中表现已接近突破图灵测试,通过简单微调即可完成 AI 作诗、AI 作图、AI 制作视频、图文生成、图文检索和一定程度的复杂推理。尤其是 AI 作诗方面,已接近诗人水平,并能首次完成根据现代概念生成古体诗。文汇的最终目标是研发出更通用且机能超越国际水平的预训练模型,搭建预训练模型体系,形成认知智能的生态。
悟道 · 文澜——首个超大规模多模态预训练模型
该模型鉴于从公开来源收集并脱敏的 5000 万个图文对上进行训练,机能已达国际领先水平,在华文公开多模态测试集 AIC-ICC 的图像生成描述工作中,得分比冠军队高出 5%;采用双塔模型,在图文互检工作中,得分比目前最流行的 UNITER 模型高出 20%。最终目标是生成产业级华文图文预训练模型和运用。目前,文澜模型已对外开放 API。
悟道 · 文源——首个以华文为核心的超大规模预训练模型
该模型目前参数量 26 亿,预训练数据规模 100 GB,具备识记、懂得、检索、多语言等多种能力,并覆盖开放域回答、语法改错、情感分析等 20 种主流华文自然语言处理工作,技术能力已与 GPT-3 完成齐平。最终目标是构建完成全球规模最大的、以华文为核心的预训练语言模型,探索具有通用能力的自然语言懂得技术,进行脑启发的语言模型研讨。
悟道 · 文溯——超大规模蛋白质序列预测预训练模型
该模型已在蛋白质方面完成鉴于 100GB UniParc 数据库训练的 BERT 模型,在基因方面完成鉴于 5-10 万规模的人外周血免疫细胞(细胞类型 25-30 种)和 1 万耐药菌的数据训练,同时搭建训练软件框架并验证其可扩展性。最终目标是以基因畛域认知图谱为指导,研发出可以处理超长蛋白质序列的超大规模预训练模型,在基本机能、可解释性和鲁棒性等多个方面达到世界领先水平。
同时,悟道数据团队还构建并开放了全球最大华文语料数据库 WuDaoCorpora,数据规模达 2TB,超出之前全球最大华文语料库 CLUECorpus2020 十倍以上。该数据库不仅为悟道项目提供了数据支撑,由于来源广泛及多样性,可广泛用于华文 NLP 畛域中多种工作的模型训练,并使模型具有更好的泛化性。数据经过了专门的清洗,确保隐私和安全及保密问题。
为进一步完成模型规模和机能的扩增中面临的挑战,悟道系统团队还开源了 FastMoE,作为首个支持 PyTorch 框架的高机能 MoE 系统,打破了行业研讨受制于谷歌的局限,支持多种硬件,只需一行代码即可完成 MoE 化改造,相比 PyTorch 朴素完成速度提升 47 倍。
所有的 NLP 工作都是生成工作
唐杰觉得,超大规模预训练模型有三个关键:首先,模型本身,这也是团队智慧的体现;其次,大算力;第三,高质量的数据。
目前,悟道团队在模型设计上:第一,针对复杂工作设计模型,通过记忆机理或者类似于推理的机理,把一些更远的上下文信息加入到预训练中;第二,在把模型做大的过程中,要能加速模型收敛性;第三,在后端的微调算法上探索,提高模型的可用性,把下游工作的精度大大提高。
在此次发布的多项突破中,由唐杰率领的悟道文汇团队提出全新的预训练范式 GLM,以生成为核心,打破 BERT 和 GPT 瓶颈,同时在语言懂得、生成和 Seq2Seq 工作上取得最佳机能。
文汇团队还提出了鉴于连续向量的微调算法 P-Tuning,首次完成自回归模型在懂得工作上超越自编码模型,并在学问抽取 (LAMA)、少样本学习 (Superglue Fewshot) 等 10 多个工作上取得世界第一,机能提升超 20%。
GLM:鉴于生成的通用预训练框架
谈到 GLM 的技术完成思路,唐杰表示,鉴于双向模型 BERT 和 GPT 各自在懂得和生成上的优势,团队便思考如何将这两个模型的优点融合在一起。随着研讨的进行,他们修改了优化结合的方式,在优化目标函数上做了尝试。再后来发现,auto-encoder、seq-seq 以及填空工作等都可以整合到生成模型中,所有的 NLP 工作都可以被视为生成工作,统一在一个通用框架下。
唐杰表示,呆板学习的传统上可以分为判别模型和生成模型,这两大派系也在不断融合。当数据量少的情况下,判别模型的效果会更好;而生成模型则比较复杂,需要在「懂得」的基础上进行判别,而大数据、大模型、大算力的到来,为生成模型提供了基础,计算机可以完成鉴于大参数的「懂得」,这也是如今生成式方法成为呆板学习大态势的原因。
至于是否可以将生成看作是「懂得」,「其实这是一个哲学问题」,唐杰说。
计算机到底需不需要「懂得」,人类「懂得」的本质又是什么?对此,悟道团队做了很多的思考。
最简化地讲,人类的懂得分三个层次:第一种可以叫做人脑学问 query,把已经记住的学问查取出来;第二种叫 case based,鉴于以前的认知和经验来完成新的工作;第三种叫随机推理,也叫试错性推理。
人类的这三种推理方式,其实计算机都可以完成。唐杰觉得,当有一天计算机在众多工作上通过了图灵测试,就可以把计算机「懂得」问题的引号去掉了。
数据和学问双轮驱动的通用 AI 之路
假设有一个囊括全世界所有数据的模型,我们想要完成什么工作,给它输入,模型返回多个候选结果,人类在此基础上进行调整完善,再将结果反馈给模型,让其优化。与此同时,模型自身也能不断地从网络上抓取数据进行自我学习…… 长此以往,最终获得的模型,是否就是通用 AI 呢?
唐杰说,「这其实也涉及到一个哲学问题」。关于计算机能否像人一样思考,甚至超越人类智慧,「很多人包括我自己在内,都是不相信,或者说不敢这样觉得的。但是,现在我的想法转变了,我觉得计算机完成乃至超越人类智能是可以完成的。」
悟道大规模预训练模型系统的目标,便是从更本质角度进一步探索通用人工智能,让呆板像人一样思考,让模型具有认知能力。对于神经科学和人脑的思维方式,唐杰表示自己的发言权十分有限,但总的来讲,如果可以用计算机模型完成人类认知的 9 个准则,那么他觉得计算机就可以被称为具有认知能力。
认知 AI 需要具有的 9 大能力
但他也补充说,如果那一天完成了,也不代表计算机就把人脑颠覆了,也许到那一天,我们人脑也会进步。「人的思维,包括我们的学习能力和进化能力,尤其是当人类处于压力情况下,我们会往前大大进化一步。而且,人的思维方式和思维的本质目前也没有真正得到一个结论。」
像刚才说的那样,让模型包含尽可能多的数据,并从数据中提出内容,一般被称为人工智能研讨的「纯学习派」。同时,还有另一个派系,也就是传统「符号 AI」,觉得只需要把学问表示出来,计算机做搜索、匹配就可以了。
悟道团队走的是将学问与数据相结合的路线,这也是张钹院士在几年前提出的看法。「悟道在用两条腿走路」,唐杰说:「一条腿是数据模型,另一条腿是学问图谱。」一方面把学问图谱做得非常大,另一方面,把学问图谱放到预训练模型中,抽取学问图谱反哺模型,进行双轮驱动,「我觉得这是当前完成通用人工智能最有前景的方法」。
唐杰表示,我们应该允许呆板犯错,犯错不可怕,最关键是要知道错误的原因。人的认知中有一个试错过程,意识到错误会反馈修改。「什么叫做『翻新』?人通过试错,如果试对了,就是一种『翻新』。」
尽管在受限畛域,计算机已经可以自我纠错,比如 AlphaZero,在下棋过程中会感知自己走错了,然后进行反馈,自我进化。但在通用畛域,计算机是没有这个反馈的,它错了以后没法修正,甚至不知道自己错了。
那把受限畛域都集中到一起,是否就能让呆板在通用畛域自我纠错了呢?唐杰指出,这是数据和学问的一个悖论,人总觉得自己的学问是无限扩张的,人每天都可以创造新的学问,无法把所有学问都装在呆板里。
而呆板生成的内容,很多人不觉得是学问或者「翻新」,而只是一种组合。「如果有一天呆板发现的东西获得了诺贝尔奖,那我觉得就可以视呆板能够『翻新』。」
科学没有高下之分,只看能在多大程度上解决 Why 与 How
「哲学」这个词在采访中多次出现;超大规模预训练模型的出现,让唐杰从不相信、不敢觉得,到相信呆板的智能可能超越人类。
但是,也有观点觉得大规模预训练模型是大数据、大算力之下的暴力美学,缺乏对世界本源的懂得。唐杰觉得,这个世界上科学就两种,一种是回答 Why,一种是 How。而回答 Why 有两个范畴,一个叫做基础理论科学,另一个叫做工程科学,两者没有高下之分。
至于 How,则是看研讨成果运用范围有多广,以及真正能推动哪些产业进步。具体到超大规模预训练模型,唐杰觉得模型上云是一个大的方向,将来谁可以成为模型上云引领者,推动整个产业的发展,谁就是最终的成就者,「这就是所说的 how 以及谁能做这个事」。
而探究人脑思维则是在回答 Why。「科学的本质是什么?为什么人脑的思维就一定要强过计算机?对此我们可以大胆质疑,小心求证,大家说人类智能比呆板好,我们可以反过来问,为什么呆板的智能不能比人好?这是回答 Why 的过程。」
唐杰表示,科研成果的评价指标需要根据不同的行业、不同的场景来判别,归根结底是看能在多大程度上解决了 Why 与 How,是否真正推进了社会的进步。就像万亿级参数模型,可能这个世界上 99% 的公司都用不上,但是作为科研探索很重要。
要做就做最难的、对标最好的
智源悟道 1.0 的发布,标志着「智源模式」取得阶段性实质进展。
作为新型的 AI 研讨机构,智源研讨院聚焦原始翻新与核心技术,致力于建立自由探索与目标导向相结合的科研体制。作为北京市 AI 战略科技平台,智源从创立以来,在科研机制上进行了多种尝试,比如「智源学者计划」,支持科学家勇闯无人区,「就是想做什么就做什么,」唐杰说:「只要够牛,要么回答了 how,要么回答了 why,而且是别人做不到的。」
同时,智源研讨院也会围绕目标明确、有战略意义的大项目,灵活机动地组织跨学科、跨机构的专业研讨和工程人员,组成紧密协作的大规模团队,共同攻关,比如这次的超大规模智能模型系统项目。
「GPT-3 出来以后,我们看到市场未来产业化的发展,从数据云到计算云到模型云,这是一个大的趋势,智源研讨院有义务、也有能力来引领,因此迅速确定目标,组织团队。」唐杰说:「每个参与方,包括高校、企业和研讨院所,都是带有目标、带有资源、带有情怀的,因此能够通力协作。」
唐杰介绍说,悟道 1.0 只是一个阶段性的成果,今年 6 月将会有一个更大、更高的智慧模型发布。第一,模型规模会有实质性的进展;第二,模型会在更多工作上突破图灵测试;第三,把运用平台做得更加夯实。后续悟道模型将以开放 API 的形式对外提供服务,用户通过申请并经授权后,可以鉴于模型 API 开发各类智能化运用。另外,也会开源模型的社区版本,服务我国 AI 科研发展。
「我们希望每一个我们做的东西一定是世界上最好的,如果不能做到最好,那就不做了。或者,如果很多人都能做得比较好,我们也不做,我们就要做最难的,对标最好的,包括我自己的定位。」
「此外,光盯着现在的事情我们也不做,我们要瞄向下一步,十年以后、二十年以后人工智能是什么样子,我们觉得能做就会去做。认知 AI 是我特别看好的,预训练模型和学问数据双轮驱动,是完成通用 AI 的其中一个办法。我非常坚信,十年、二十年以后,计算机在很多工作上就能突破图灵测试。」
注释
[1] https://heartbeat.fritz.ai/deep-learning-has-a-size-problem-ea601304cd8
[2] https://www.metaculus.com/questions/4852/how-many-parameters-will-gpt-4-have-if-it-is-released-in-billions-of-parameters/