易坊好文馆

  1. 首页 > 玩科技 >

团队|人工智能从“大炼模型”到“炼大模型”

人工智能 发展 团队 算法 规模 训练 模型 认知 文源 文汇 唐杰

人工智能可以分为几个发展阶段：基于数据的互联网时代、基于算力的云计算时代 ， 以及接下来可能将进入的基于模型的AI时代 ， 这相当于把数据提升为超大规模预训练模型 。 未来 ， 研究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 ， 只需要应用工程师即可 。
写小说、和人聊天、设计网页、编写吉他曲谱……号称迄今为止最“全能”的AI模型GPT-3 ， 当然远远不止会这些 。 作为2020年人工智能领域最惊艳的模型之一 ， GPT-3无疑把超大规模预训练模型的热度推向了新高 。
3月下旬 ， 我国首个超大规模人工智能模型“悟道1.0”发布 ， 该模型由智源学术副院长、清华大学教授唐杰领衔 ， 带领来自清华大学、北京大学、中国人民大学、中国科学院等单位的100余位AI科学家组成联合攻关团队 ， 取得了多项国际领先的AI技术突破 ， 形成了超大规模智能模型训练技术体系 ， 训练出包括中文、多模态、认知和蛋白质预测在内的系列超大模型 。
已启动4个大模型开发
据悉 ， “悟道1.0”先期启动了4个大模型研发项目：以中文为核心的超大规模预训练语言模型文源、超大规模多模态预训练模型文澜、超大规模蛋白质序列预测预训练模型文溯 ， 以及面向认知的超大规模新型预训练模型文汇 。
唐杰介绍 ， 文源拥有26亿参数 ， 文澜则为10亿 ， 文溯是2.8亿 ， 文汇则达到了百亿以上 。 虽然相对于GPT-3的1750亿参数而言还有差距 ， 但“接下来会有更大的模型” 。
目前 ， 文源模型参数量达26亿 ， 具有识记、理解、检索、数值计算、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种主流中文自然语言处理任务 ， 在中文生成模型中达到了领先的效果 。
“目前这些模型既有一些交集 ， 但也存在明显差异 。 文源的重点是在中文和跨语言 ， 未来也会加入知识；文澜的重点主要是图文；文汇则更多地瞄向认知 。 ”唐杰表示 ， 认知是人工智能技术发展的趋势和目标 ， 关系到机器是否能像人一样思考这个终极问题 。
“下一代人工智能技术的发展方向一定是认知 。 ”据唐杰介绍 ， 在作诗任务中 ， 目前文汇已经通过了图灵测试 。 从算法的角度上来看 ， 文汇能通过图灵测试的关键在于“生成” ， 而不仅仅限于“匹配” ， 这种生成能力是多样的 。
被问及为何会选择这4个预训练模型项目时 ， 唐杰说 ， 这是综合考虑了国内外同行的相关工作、国内人工智能发展的现状、团队人员构成、北京区域优势等作出的决定 。 “当时GPT-3刚发布不久 ， 悟道团队认为首先要对标其卓越的少样本学习能力 ， 同时还要做出差异化 ， 做短、中、长3个阶段的布局 。 于是 ， 中文版GPT-3即清源CPM（文源的前身）应运而生 ， 这是短期布局 。 之后 ， 文源要向中英文模型乃至多语言模型发展 ， 这是中期布局 。 最后走向认知智能 ， 这是长期布局 。 ”唐杰说 ， 与此同时 ， 国内顶尖的企业人才、学术人才和自然科学人才所组成的团队给了项目巨大的想象空间 。
大模型有大智慧
自2018年谷歌发布BERT以来 ， 预训练模型逐渐成为自然语言处理（NLP）领域的主流 。
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任务 ， 甚至可以进行简单的算术运算 ， 并且其性能在很多任务上都超越相关领域的专有模型 。
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取代了一些小的算法模型 ， 更重要的是 ， 它展示了一条通向通用人工智能的可能路径 。 在此背景下 ， 建设国内的超大规模预训练模型和生态势在必行 。
在唐杰看来 ， 为了提高机器学习算法的效率 ， 改变传统的行业布局 ， 过去几年 ， 大家拼命做模型 ， 导致模型越做越多 。 然而 ， 一般的模型训练效果并不如人意 ， 花了大量财力精力却达不到理想的训练效果 ， “为了优化效果、提高精度 ， 模型越来越复杂 ， 数据越来越大 ， 很多公司的能力不足以应对这种状况 ， 效率越来越低 。 ”唐杰举了个例子 ， 小炼钢厂往往条件简陋 ， 能炼钢 ， 但质量不好 。 大炼钢厂买得起设备、花得起电费 ， 炼出的钢质量就好 ， 大模型就是大炼钢厂 ， 它可以获得大量数据 ， 并把数据清洗干净 ， 提升算力 ， 满足要求 。
与此同时 ， “小模型可能只需要几个老师和学生就能完成算法的设计 ， 但是大模型的每一层都要找专人来做 ， 这样可以把模型的设计和训练精细化 ， 模型设计也从单打独斗变成了众人拾柴 。 ”唐杰说 。
小团队将成最大受益者
据唐杰透露 ， 团队目前正在跟北京冬奥会合作 ， 开发可通过文本自动转成手语的模型 ， “医疗方面我们的主要方向是癌症早筛 ， 如上传乳腺癌图像 ， 找到乳腺癌相关预测亚类 ， 通过影像识别宫颈癌亚类等 。 ”
而谈到“悟道1.0”的发展 ， 唐杰坦言 ， 目前还存在需要持续攻关的问题 。 一是模型能否持续学习的问题 ， 即能否不断地从新样本中学习新的知识 ， 并能保存大部分以前已经学习到的知识 。 就目前来看模型还需要调整 ， 其效果还有待加强；二是面对一些复杂问题 ， 目前模型还无法回答；三是万亿级模型的实用性问题 ， 即如何在保证精度的同时压缩模型 ， 从而能让用户低成本地使用 。
“这是一个全新的产业模式 。 原来大家数据上云、算力上云 ， 现在模型上云 。 ”唐杰说 。
他认为 ， 人工智能可以分为几个发展阶段：基于数据的互联网时代、基于算力的云计算时代 ， 以及接下来可能将进入的基于模型的AI时代 ， 这相当于把数据提升为超大规模预训练模型 。 未来 ， 研究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 ， 只需要应用工程师即可 。
唐杰表示 ， 随着超大规模预训练模型系统的开放 ， 小团队是最大的受益者 ， 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、对场景的理解 。 这将给AI应用创新带来全新的局面 。
【团队|人工智能从“大炼模型”到“炼大模型”】唐杰透露 ， “悟道1.0”只是一个阶段性的成果 ， 今年6月将会有一个规模更大、水平更高的智慧模型发布 。 届时 ， 模型规模会有实质性的进展：模型会在更多任务上突破图灵测试 ， 其应用平台的效果也会更加让人期待 。

    推荐阅读


    上一篇：中国|智创十年 赋能未来 2020中国人工智能产业年会苏州举行-新华网

    下一篇：园区|天津产研教融合促进协同创新