博鱼电子注册

知名科學(xué)雜志《Nature》此前發(fā)表了一篇關(guān)于大模型未來發(fā)展之路的文章，《In Al, is bigger always better?》(人工智能，越大型越好？)。爭(zhēng)議的出現(xiàn)，意味著AI發(fā)展方向出現(xiàn)了分歧。

“現(xiàn)實(shí)的算力是有限的，我們一再反復(fù)強(qiáng)調(diào)模算效率，試圖針對(duì)當(dāng)前算力情況闖出一條自己覺得比較好的路子。在固定每個(gè)Token算力不變的情況下，通過擴(kuò)展專家數(shù)量可以獲得更大參數(shù)量的模型，進(jìn)而獲得更高精度?！眳巧厝A說。

博鱼电子注册有業(yè)界技術(shù)團(tuán)隊(duì)測(cè)算，若要對(duì)一個(gè)5000億參數(shù)規(guī)模的單體大模型進(jìn)行充分訓(xùn)練，所需算力基礎(chǔ)設(shè)施約在10億美元規(guī)模，每年消耗的電費(fèi)在5.3億元人民幣。無論對(duì)于哪個(gè)機(jī)構(gòu)、企業(yè)，這都是天文數(shù)字和巨大代價(jià)，中國也不例外。

他進(jìn)一步稱，整體來看，盡管當(dāng)前模型的能力提升非常之快，但之前大家更多關(guān)注單個(gè)維度問題，即平均精度的提升。但大模型進(jìn)入快速落地時(shí)代，就不得不考慮更多維度的問題，包括模算效率、精度、算力開銷等。

浪潮信息人工智能首席科學(xué)家吳韶華在接受中新網(wǎng)記者采訪時(shí)說，我們一直在想如何以更低的算力消耗，提高整個(gè)大模型的應(yīng)用效果，能讓企業(yè)、機(jī)構(gòu)以更小的算力代價(jià)去獲得更高的模型能力?！斑@可能是中國發(fā)展自己的AI大模型比較行之有效的路徑?！?/p>

從浪潮信息發(fā)布的“源2.0-M32”開源大模型來看，其基于“源2.0”系列大模型已有工作基礎(chǔ)，創(chuàng)新提出和采用了“基于注意力機(jī)制的門控網(wǎng)絡(luò)”技術(shù)，構(gòu)建包含32個(gè)專家(Expert)的混合專家模型(MoE)，并大幅提升了模型算力效率，模型運(yùn)行時(shí)激活參數(shù)為37億，在業(yè)界主流基準(zhǔn)評(píng)測(cè)中性能全面對(duì)標(biāo)700億參數(shù)的LLaMA3開源大模型。

他直言，大模型推進(jìn)速度越來越快，必須強(qiáng)調(diào)模型算力效率?！按蠹铱梢韵胂?，效率越高就意味著在單位算力投入相等的情況下獲得的精度回報(bào)越高，它對(duì)于訓(xùn)練和應(yīng)用都非常有利?！?/p>

鄭緯民表示，現(xiàn)有14個(gè)國家掛牌的超算系統(tǒng)，每臺(tái)機(jī)器的建設(shè)成本都很高，成本在10億元至20億元，甚至更高。這些超算系統(tǒng)已經(jīng)為中國的國民經(jīng)濟(jì)發(fā)展作出巨大貢獻(xiàn)，但有些系統(tǒng)還有空余算力，這些空余算力也可被用來做大模型訓(xùn)練，且經(jīng)過優(yōu)化甚至可降低大模型訓(xùn)練成本。

MoE大模型的盛行，實(shí)際上對(duì)應(yīng)的正是模型能力和算力開銷兩大問題的解決。這也是為何眾多大模型廠商如OpenAI、谷歌、Mistral AI、浪潮信息等陸續(xù)基于MoE架構(gòu)升級(jí)自家大模型產(chǎn)品的原因。

中國工程院院士鄭緯民曾做過這樣的計(jì)算，在大模型訓(xùn)練過程中，70%開銷要花在算力上；推理過程中95%的花費(fèi)也是在算力上。

對(duì)大模型推理成本的優(yōu)化，可通過很多技術(shù)手段實(shí)現(xiàn)。首先是模型本身，模型結(jié)構(gòu)、訓(xùn)練方法都可以持續(xù)改進(jìn)，包括業(yè)界很關(guān)注的MoE(混合專家模型)，就是優(yōu)化推理成本很好的解決方案。其次是工程上的優(yōu)化。大模型的調(diào)用量越大，優(yōu)化推理成本的空間也越大。以前的模型都是單機(jī)推理，大模型用的是分布式推理。所以如果能把各種各樣底層算力用得更好，推理成本就會(huì)大大降低。