这是「进击的Coder」的第 803 篇技术分享
作者：卖萌酱
来源：夕小瑶的卖萌屋
“
阅读本文大概需要 8 分钟。
”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 NPLer，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 年 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 和 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：
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
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
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
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。
End
崔庆才的新书《Python3网络爬虫开发实战（第二版）》已经正式上市了！书中详细介绍了零基础用 Python 开发爬虫的各方面知识，同时相比第一版新增了 JavaScript 逆向、Android 逆向、异步爬虫、深度学习、Kubernetes 相关内容，同时本书已经获得 Python 之父 Guido 的推荐，目前本书正在七折促销中！
内容介绍：《Python3网络爬虫开发实战（第二版）》内容介绍
扫码购买
好文和朋友一起看~
本文链接：https://my.lmcjl.com/post/8786.html
4 评论