仅480块GPU搞出万亿参数大模型！达摩院3个月打造，出手即商用

金磊 发自 凹非寺
量子位 报道 | 公众号 QbitAI

不要6000张GPU！不要2000张TPU！

只要480，万亿参数大模型“抱回家”！

还没完，更惊艳的在后边。

同为万亿“体量”，能耗降低超八成，效率还能提升11倍。

当真有这好事？

没错，这就是阿里巴巴刚刚发布的万亿巨模型M6。

用绿油油的“低碳版”来形容很是恰当了。

今年3月，M6作为中国首个千亿多模态大模型发布时，前OpenAI政策主管Jack Clark曾发文点赞道：

这个模型的规模和设计都非常惊人。

这次，万亿M6的问世又顺利拿下了个中国第一——国内首个实现商业化落地的多模态大模型。

而且是离你很近的那种哦~

不仅是画画、写作，你的支付宝、淘宝就在用！

自从大模型变得流行起来之后，它所具备的创意能力，一直是被世人所津津乐道。

例如OpenAI的DALL·E，给自家设计出来的公司门面，是这样的：

风格多变、设计多样倒是没错了。

甚至被网友们一度称赞为“甲方克星、乙方福音”。

但讲真，要是拿到现实来商用，真的能hold得住吗？

不见得。

单是从效果图来看，字体扭曲便是一个大问题。

而要商用，图片还需要一个非常硬性的要求——得够清晰啊！

但DALL·E生成图片的分辨率，却仅为256×256。

那到了万亿参数规模，情况是否有所好转？

直接来看下M6设计的作品效果：

不难看出，万亿参数大模型所生成的图，在清晰度上有了较大的提升，分辨率直接翻倍，达到了1024×1024，放大后还能看清衣物纹理。

或许你会说，除了M6之外，目前国内外已经诞生了几个万亿“体量”的大模型。

那阿里此次提出的大模型，又有什么独到的特点？

一大特点是，M6不仅公开了实现的详尽细节、模型的收敛情况（详见文末论文链接），而且还是国内首个实现商业落地的万亿参数多模态大模型。

还是以生成图片为例，阿里已经初步将成果投入到了生产场景当中——阿里新制造平台犀牛智造。

目前，M6主要参与一些基础款的设计。但可预期的是，随着实践经验的丰富，M6的水平将不断进化。

据了解，M6计划在一年内生成上万款高清服装设计图。

什么概念？

这个数量就相当于一些快时尚品牌数百人设计团队的年出款量。

再具体一些，结合大数据预测的潮流趋势，M6可以实现快速设计和上身模拟，再经人类设计师进行筛选。

这么一套流程下来，原本以月计的新款服饰开发周期，被压缩到了以周来计算。

或许你会觉得这样的商业落地，离自己太远了。

不不不，M6还可能会出现在你经常用到的App哦——支付宝、淘宝。

懂“搜索”的人都知道，传统的搜索过程就是，查询语句与商品title的一个语义匹配过程。

但现在的年轻人搜索商品可不按照套路出牌。

举个例子，他们会搜“凹凸的咖啡杯”。

其实他们想搜索的就是一种日式风格的咖啡杯，但商家可不会把这些细节写进商品title中。

这时候，大模型就开始发挥它的看家本领了。

M6会根据商家提供的图片，以及用户的查询，做一个跨模态的搜索。

即使商家没有在title中描述关键词，M6可以根据图片中的信息，然后推荐出你想要的产品。

这时候你又会说了，其它万亿参数大模型说不定也能做到！

或许可以。

但如果说，M6只烧了480张GPU就做到了呢？

而且能耗比之前已有万亿参数模型低了8成，效率还提升了11倍！

不仅如此，达到这种惊人效果，从千亿到万亿参数规模，阿里只花了3个月时间。

3个月打造万亿参数模型，怎么做到的？

首先要了解的一点是，3个月时间的工作，并非是一蹴而就。

早在今年1月份，阿里便推出了百亿参数模型，而当时谷歌就已经提出来了1.6万亿参数的Switch Transformer。

谷歌能够达到这个量级，所借助的就是一个叫做MoE （Mixture of Experts）的架构。

于是，阿里从百亿开始的“规模升级”过程中，便借鉴了这个架构，仅耗时2个月，便发布千亿参数大模型，而且只用了32个 V100 GPU。

不得不说，MoE这个架构确实好用。

它能够做到的在扩展模型容量并提升模型效果的基础上，不显著增加运算FLOPs，这样就可以实现高效训练大规模模型的目的。

但阿里在却在研究过程中发现了一个问题：

MoE负载不均衡。

简单来说，原理是这样的。

大模型常用到的Transformer分布式训练中，通常是各个GPU同一FFN层中，使用同一份参数。

而MoE就不同了，上述的这部分参数会在GPU之间共享，一份FFN参数被称为1个“专家”（expert），每个GPU上将存放若干份参数不同的“专家”。

（如下图中标红框部分所示）

但阿里却发现，在原来MoE的训练过程中，非常容易只选择top的几位“专家”，这就使得头部效应非常严重。

于是乎，阿里便对MoE的这个问题进行了改良。

研究人员对“专家”做了一个分组工作，即expert prototyping。

具体而言，先是把“专家”分成k个组，在每组中再进行top-k的操作（通常采用top-1，便于理解）。然后再将k组的结果进行组合，也称之为k top-1。

这种方式实现上更直接简便，并且允许组和组之间并行做top-k操作，更加高效。

例如在百亿模型下游image captioning任务上，甚至能观察到优于top-k的表现：

而且在阿里与谷歌交流过程中，谷歌的研究人员也认可了这种改良思路，他们认为非常精巧。

除此之外，算子精度也是阿里此次改良的工作之一。

谷歌在做Switch Transformer时，为了将模型体积压下来，选择了BF16。

但精度的降低会带来非常大的技术挑战，就是如何保证模型收敛的问题。

而且阿里还要做到“低碳版”，不能烧太多的GPU，因此相比谷歌在算子精度方面的工作，阿里可谓走了一条更加“极端”的路线。

具体而言，XLA优化、混合精度训练、半精度通信等训练效率优化技术，并采用了Adafactor优化器，成功在480张NVIDIA V100-32GB上完成万亿模型的训练。

并且在训练中，他们采用绝对值更小的初始化，适当减小学习率，保证了训练的稳定性，实现正常的模型收敛，而训练速度也达到了约480samples/s。

以上便是阿里“低碳版”万亿参数大模型的核心奥秘了。

而抛开技术本身，细品阿里在大模型的规划路线，不免让人产生另一个问题：

阿里为什么这么“急”？

• 从百亿参数到千亿参数，用了2个月。
• 从千亿参数到万亿参数，用了3个月。

而且不同于其它大模型堆TPU、GPU，阿里选择的还是一条极端的“低碳”路线：

千亿参数模型仅需32张GPU，万亿参数模型只要480张GPU。

“急”，确实有点“急”。

但纵观全球大模型的发展，阿里的这种“急”也就不难理解了。

• 谷歌1月份提出1.6万亿参数大模型Switch Transformer
• 英伟达的“威震天”4月份也对万亿参数模型进行了训练
• 智源研究院于本月初发布1.75万亿参数大模型悟道2.0
• ……

除了万亿规模，这期间还穿插着像阿里、华为等大厂发布的百亿、千亿参数大模型。

而更早的，谷歌的BERT、OpenAI的GPT-3等，可以说是开启了大模型了一股热潮。

好一副“百家争鸣”之势。

为什么会这样？

因为这是必然，是大势所趋。

就好比十几年前深度学习的崛起一样，国内外各大厂商看到了这个技术的正确性。

于是纷纷前赴后继地入局于此，各式各样的深度学习模型不断涌现。

现如今大模型的这种盛世，就与深度学习时代极其相似。

而且比起深度学习，大模型的迭代速度只会更快。

因为深度学习时代之下，并没有出现很多应用场景。

但现如今，单是面向C端用户群里的大流量场景便应接不暇，搜索、推荐、广告等等。

因此，在大模型的研发上，不仅仅是阿里“急”，可以说全球各大厂商和研究机构，都很“急”。

而从技术本身来看，大模型还逐渐浮现出了无限的创造价值。

简而言之，就是在模型参数越发巨量的趋势之下，模型可能会做到更多“意想不到”的事情。

还是以M6生成图片为例，很多人会有一个质疑：

这些生成的图片，会不会是拼接的，而不是真正意义上的生成。

据阿里内部人士透露，还真不是这样：

它是真的有了认知和创造力。

最简单的验证方式，就是拿这些图片去各种搜索引擎搜一下，结果定然是完全找不到。

除此之外，技术应当有益于人类的发展。

在这一点上，M6大模型还有计划“上岗”助农扶贫的工作了。

具体而言，它将参与到帮助农民卖货的一个环节，可以帮助他们快速设计包装的logo以及各种IP衍生品。

而在此之前，这些环节的人力成本相对来说还是较高的。

综上来看，大模型的发展迭代、落地，确实是一个很“急”，但又正确的大趋势了。

……

最后一个问题，既然万亿规模参数已来，按照如此迭代速度，更大量级的大模型，还会远吗？

按现在的趋势，答案是肯定的，只是时间问题。

但据阿里的介绍，接下来在大模型的研究工作中，不仅是要追求参数规模的迭代，更要追求通用性和商业落地。

那么对于接下来的大模型，你期待了吗？

论文地址：

https://arxiv.org/abs/2105.15082