查看原文
其他

没有这些,别妄谈做 ChatGPT 了

CSDN 2023-03-03

文|卖萌酱,转自公众号「夕小瑶的卖萌屋」

ChatGPT 破圈爆火后,越来越多人开始问:

“啥时候出现中国版的 ChatGPT?”

国内学术界和工业界,都纷纷躁动起来——百度、阿里、字节等大厂纷纷喊口号,一众创业公司也开始争做中国版 OpenAI;学术界也在用行动来表明战斗力,比如前些天复旦大学推出的 MOSS 模型,一经开放试用,便冲上热搜。

一时间眼花缭乱,让人生疑。


有钱就能训出模型?


以美团大佬带资入组为代表,很多创业者和投资人盯上了 ChatGPT,作为一个 NLPer,我乐见其成,相信不用几个月,在热钱的助推下,NLP 算法工程师的薪资要和芯片看齐了。

但我还是要泼个冷水,创业公司想做 ChatGPT,想训练模型,不是有钱招几个算法就能搞定的。

先不说 ChatGPT,只说较为成熟、参数量“较小”的 BERT 模型,其 Large 版本参数量“仅有”3.4 亿,比现在的 ChatGPT 模型足足小了 3 个数量级。但如果一个从业者真正从 0 开始训练过 BERT 模型,那他一定不会认为训练 BERT 这个“小模型”是很容易的事情。 

更何况,2018 BERT 发布的时候,模型参数、训练代码是全面开源的,训练数据 BookCorpus Wikipedia 也非常容易获取。在这种情况下,国内各大厂训练出内部版本的 BERT 模型,也经历了差不多半年的摸索时间。在此期间,算力就位、训练精度优化、训练性能优化、底层框架支持、训练策略优化、数据策略优化等都有不少的坑要趟。

如今 ChatGPT 既没有公开代码,也没有公开训练数据,更没有公开模型参数,甚至都没有公开前置模型的模型参数,模型的体量还比 BERT 大了 3 个数量级。


ChatGPT 没有捷径


相对创业团队,中国的互联网大厂在大模型方向有积累,有先发优势,但这绝不意味着高枕无忧。

在语言模型方面,国内各大厂大多沿着“以掩码语言模型 MLM 为核心的 BERT 路线”进行深耕,这种技术路线更加注重提升语言模型的文本理解能力,弱化文本生成能力。真正沿着 ChatGPT 这种生成式语言模型的路线深耕的研究团队,无论国内外,都不是太多。

这就注定了,ChatGPT 的复现不是一朝一夕就能完成的,补功课很可能要从三年前 OpenAI 发布的 GPT-3 开始。如果没有 GPT-3 提供的世界知识和强大的长文本生成能力,训练 ChatGPT 就无异于建造空中楼阁了。

可惜,GPT-3 至今也没有开源,未来也大概率不会开源了。要从头训这么一个 1750 亿参数的大型生成式语言模型,难度非常大。

有人可能要说,那我们训一个小点的模型,比如百亿参数的,可行吗?

目前来看不可行。AI 的表现并非随着模型规模增加而线性增加,而是在参数规模超过特定临界值后显著提升,甚至涌现出小模型不具备的能力。 比如论文表明,模型的规模至少要达到 620 亿参数量后,才可能训练出来思维链(Chain-of-Thought,CoT)能力。如下图所示:

而像 Truthful(可信的)这种能力,甚至 ChatGPT/GPT-3 这样的模型规模都是不够的,要达到 2800 亿参数量才能涌现出这样的能力。

是的,复现和超越 ChatGPT,目前来看没有捷径,必须一步一步来,首先要先把GPT-3搞定。


国内有人真正复刻了 GPT-3?

是的,有且只有一家,阿里达摩院,他们从小到大(从base到175B),全面、完整地复刻了GPT-3,并且开放在魔搭社区上。

  • https://modelscope.cn/models/damo/nlp_gpt3_text-generation_chinese-large/summary

达摩院的复刻不是没有来由的,他们应该在大模型各个方向都进行了探索,布局完整。早在 2021 年 4 月就发布了首个中文语言大模型 PLUG(当时参数是 270 亿)。该模型首次在中文语言理解榜单 CLUE 上面,以 86.685 分的成绩超越人类。

同年 10 月份,达摩院还探索实现了 10 万亿参数模型——M6,达摩院团队通过大量的底层优化和算法设计,仅仅使用了 512 卡便实现了这一庞大的模型工程。此前,M6 模型将 AI 图片生成清晰度从 OpenAI DALL·E 的 256×256 成功提升到了 1024×1024,效果十分惊艳。

M6 模型的发布引发了国内外的大量关注,其中,OpenAI 前政策主管 Jack Clark 公开点评:“这个模型的规模和设计都非常惊人。这看起来像是众多中国的 AI 研究组织逐渐发展壮大的一种表现。”

从达摩院的经历我们基本可以判断:如果一个研发团队此前没有训练过千亿级别的大型语言模型,那就很难在可以接受的时间窗口内训练出真正具备生产力价值的类 ChatGPT 模型

不过,我们也要看到,算法可能只是硬币的一面,另一面是算力和云基础设施,不容忽视。


云基础设施


OpenAI 的解决方式是向微软求助。同样的道理,国内如果有初创企业想要成为中国版 OpenAI,自研 ChatGPT,恐怕也要先跟几个云计算厂商好好聊一聊了。

没有做过大模型训练的人,可能会误以为多买几张 A100 卡就可以了。

当你实操的时候,你就会发现:

  1. 单机多卡根本训不动千亿参数模型,你需要多机多卡分布式训练;

  2. 当你开始多机训练时,你发现 A100 的算力都被网络通信延迟给吃掉了,多机可能还没有你单机训的快;

  3. 然后你会发现训练 ChatGPT 的海量数据存储也是个问题,就算存下来了,数据读取的 IO 效率又极大的制约了模型的训练效率;

  4. 一通基础设施问题下来,A100 的算力被浪费了 7、8 成,模型训练实验无法开展。

因此,没有一个面向 AI 高度优化的云计算平台,训练 GPT-3 和 ChatGPT 这种级别的模型怪兽,是相当不现实的

这里面有两个重点,一个叫“面向 AI”,另一个叫“高度优化”。

“高度优化”不必多说,考验的是一个云计算平台底层的优化能力,包括网络、存储、计算、通信等方方面面的系统化工程能力。

什么叫“面向AI”呢?

这里引用一下《ChatGPT,和聪明地设计 Infra》这篇文章里的表述:

云计算很多时候在关注资源的池化和虚拟化:

  • 怎么把计算,存储,网络,从物理资源变成虚拟的概念,“批发转零售”;

  • 如何在这种虚拟环境下把利用率做上去,或者说超卖;

  • 怎么更加容易地部署软件,做复杂软件的免运维(比如说,容灾、高可用)等等,不一而足。

但是 AI 的计算不一样。对于 AI 而言,尤其是今天 AI 的训练:

  • 并不要求特别强的虚拟化。一般训练会“独占”物理机,除了简单的例如建立虚拟网络并且转发包之外,并没有太强的虚拟化需求。

  • 需要很高性能和带宽的存储和网络。例如,网络经常需要几百 G 以上的 RDMA 带宽连接,而不是常见的云服务器几 G 到几十 G 的带宽。

  • 对于高可用并没有很强的要求,因为本身很多离线计算的任务,不涉及到容灾等问题。

  • 没有过度复杂的调度和机器级别的容灾。因为机器本身的故障率并不很高(否则 GPU 运维团队就该去看了),同时训练本身经常以分钟级别来做 checkpointing,在有故障的时候可以重启整个任务从前一个 checkpoint 恢复。


也就是说,对于 AI 训练而言,尤其是今天那么大规模的训练,性能和规模是第一位的,传统云服务所涉及到的一些能力,是第二位的。

这里还是以达摩院为例,为什么达摩院能训练出多个万亿级模型,因为他们背后有阿里云的飞天智算平台做支撑。这是一个超大规模的高性能计算集群,是国内唯一能实现万卡规模的 AI 集群。

给你一万张 A100,就能把 ChatGPT 训出来吗?答案无疑是否定的。万卡集群对于网络、存储和通信有极高的要求,弄得不好直接宕机。

贴一组数据。

数据层面,飞天智算平台的单集群算力峰值高达 12EFLOPS,千卡并行效率达 90%。针对 ChatGPT 这类数据密集型场景,还对大规模集群进行了大量数据 IO 优化,通过自研 KSpeed 和 RDMA 高速网络架构,最高可将存储 IO 性能提升 10 倍,将时延显著降低了 90%。

此外,阿里云自研的高性能集合通信库 ACCL 和自研的网络交换机等,对万卡规模的 AI 集群提供了无拥塞、高性能的集群通讯能力。

除了底层硬件的 AI 集群,大模型训练非常依赖于软件平台层。飞天智算平台的机器学习平台 PAI,专门针对 AI 大模型推理和训练场景进行针对性优化,可将计算资源利用率提高 3 倍以上,AI训练效率提升 11 倍,推理效率提升 6 倍,覆盖了全链路的 AI 开发工具与大数据服务。

可以说,这种面向 AI 实现高度优化的云平台,是 ChatGPT 这类大模型快速迭代的底层设施保障。


总结


千亿参数规模的大模型研发,需要底层庞大的算力、网络、存储、大数据、AI 框架等智算基础设施的支持,也需要面向 AI 的针对性优化,这是一个囊括诸多技术领域的复杂系统工程。

ChatGPT 之争已经超出了算法的范畴,它更是一个 AI+ 云计算能力的全方位竞争,是技术生态层面的竞争。既需要强大的云基础设施能力的保障,又需要深厚的大模型技术积淀,两者缺一不可。


多说一句


作为 NLPer,我能深刻的感受到,自从 2020 年 GPT-3 模型发布后,AI 的研究生态正变得愈加封闭。虽然这对于已经取得竞争优势的商业化公司而言是利好,但对全人类实现 AGI 的终极梦想而言,却是一个不好的文化趋势。

客观上,我们需要承认与 OpenAI 的差距,正因如此,倘若有一个更加开放的大模型生态,使得能有更多的 AI 研究人员避免“重复造轮子”,那国内“ChatGPT复现”的进程无疑会大大加快。

一枝独放不是春。

您可能也对以下帖子感兴趣

文章有问题?点此查看未经处理的缓存