編者按：本文來自微信公眾號 新智元（ID：AI_era），編輯：Joey，創(chuàng)業(yè)邦經(jīng)授權轉載，頭圖來源攝圖網(wǎng)
Transformer無疑是過去幾年內機器學習領域最流行的模型。
自2017年在論文「Attention is All You Need」中提出之后，這個新的網(wǎng)絡結構，刷爆了各大翻譯任務，同時創(chuàng)造了多項新的記錄。
但Transformer在處理長字節(jié)序列時有個硬傷，就是算力損耗嚴重，而Meta的研究人員的最新成果則可以很好地解決這一缺陷。
他們推出了一種全新的模型架構，能跨多種格式生成超過100萬個token，并超越GPT-4等模型背后的現(xiàn)有 Transformer架構的功能。
這個模型被稱為「兆字節(jié)」（Megabyte），是一種多尺度解碼器架構（Multi-scale Decoder Architecture），可以對超過一百萬字節(jié)的序列進行端到端可微分建模。
論文鏈接：https://arxiv.org/abs/2305.07185
Megabyte為什么比Transformer強，就得先看看Transformer的不足之處在哪。
Transformer的不足
迄今為止幾類高性能的生成式AI模型，如OpenAI的GPT-4、Google的Bard，都是基于Transformer架構的模型。
但Meta的研究團隊認為，流行的Transformer架構可能正達到其閾值，其中主要理由是Transformer設計中固有的兩個重要缺陷：
- 隨著輸入和輸出字節(jié)長度的增加，自注意力的成本也迅速增加，如輸入的音樂、圖像或視頻文件通常包含數(shù)兆字節(jié)，然而大型解碼器 (LLM)通常只使用幾千個上下文標記
- 前饋網(wǎng)絡通過一系列數(shù)學運算和轉換幫助語言模型理解和處理單詞，但在每個位置的基礎上難以實現(xiàn)可擴展性,這些網(wǎng)絡獨立地對字符組或位置進行操作，從而導致大量的計算開銷
Megabyte強在哪
相比Transformer，Megabyte模型展示了一種獨特的不同架構，將輸入和輸出序列劃分為patch而不是單個token。
如下圖，在每個patch中，本地AI模型生成結果，而全局模型管理和協(xié)調所有patch的最終輸出。
首先，字節(jié)序列被分割成固定大小的patch，大致類似于token，這個模型由三部分組成：
(1) patch嵌入器：通過無損地連接每個字節(jié)的嵌入來簡單地編碼patch
(2) 一個全局模型：一個輸入和輸出patch表示的大型自回歸變換器
(3) 一個本地模型：一個預測patch中字節(jié)的小型自回歸模型
研究人員觀察到，對于多數(shù)任務而言字節(jié)預測都相對容易（如完成給定前幾個字符的單詞），這意味著每個字節(jié)的大型網(wǎng)絡是不必要的，并且可以使用更小的模型進行內部預測。
這種方法解決了當今AI模型中普遍存在的可擴展性挑戰(zhàn)，Megabyte 模型的patch系統(tǒng)允許單個前饋網(wǎng)絡在包含多個token的patch上運行，從而有效解決了自注意力縮放問題。
其中，Megabyte架構對長序列建模的Transformer進行了三項主要改進：
- 二次自注意力（Sub-quadratic self-attention）
大多數(shù)關于長序列模型的工作都集中在減輕自注意力的二次成本上，而Megabyte將長序列分解為兩個較短的序列，即使對于長序列也仍然易于處理。
- patch前饋層（Per-patch feedforward layers）
在GPT-3大小的模型中，超過98%的FLOPS用于計算位置前饋層，Megabyte每個patch使用大型前饋層，以相同的成本實現(xiàn)更大、性能更強的模型。在patch大小為P的情況下，基線轉換器將使用具有m個參數(shù)的相同前饋層P次，兆字節(jié)可以以相同的成本使用具有mP個參數(shù)的層一次。
- 解碼中的并行性（Parallelism in Decoding）
Transformers必須在生成期間串行執(zhí)行所有計算，因為每個時間步的輸入是前一個時間步的輸出，通過并行生成patch的表示，Megabyte允許在生成過程中實現(xiàn)更大的并行性。
例如，具有1.5B參數(shù)的Megabyte模型生成序列的速度比標準的350MTransformer快40%，同時在使用相同的計算量進行訓練時還能改善困惑度。
Megabyte遠遠優(yōu)于其他模型，并提供與在子詞上訓練的 sota 模型競爭的結果
相比之下，OpenAI 的GPT-4有32,000個token的限制，而Anthropic的Claude有100,000個token的限制。
此外，在運算效率方面，在固定模型大小和序列長度范圍內，Megabyte比同等大小的Transformers和Linear Transformers使用更少的token，允許以相同的計算成本使用更大的模型。
總之，這些改進使我們能夠在相同的計算預算下訓練更大、性能更好的模型，擴展到非常長的序列，并提高部署期間的生成速度。
未來將會如何
隨著AI軍備競賽進行地如火如荼，模型性能越來越強，參數(shù)也越來越高。
雖然GPT-3.5在175B個參數(shù)上進行了訓練，但有人猜測功能更強大的GPT-4在1萬億個參數(shù)上進行了訓練。
OpenAI的CEO Sam Altman最近也建議轉變戰(zhàn)略，他表示公司正在考慮舍棄對龐大模型的訓練，而專注于其他性能的優(yōu)化。
他將AI模型的未來等同于iPhone芯片，而大多數(shù)消費者對原始技術規(guī)格一無所知。
Meta的研究人員相信他們的創(chuàng)新架構來得正是時候，但也承認還有其他優(yōu)化途徑。
例如采用修補技術的更高效的編碼器模型、將序列分解為更小塊的解碼模型以及將序列預處理為壓縮token等，并且可以擴展現(xiàn)有Transformer架構的能力以構建新一代模型。
前特斯拉AI總監(jiān)Andrej Karpathy也在這篇論文中發(fā)表了看法，他在推特上寫道：
這是非常有希望的，每個人都應該希望我們能在大模型中扔掉標記化，也不需要那些過長字節(jié)的序列。
參考資料：
本文為專欄作者授權創(chuàng)業(yè)邦發(fā)表，版權歸原作者所有。文章系作者個人觀點，不代表創(chuàng)業(yè)邦立場，轉載請聯(lián)系原作者。如有任何疑問，請聯(lián)系editor@cyzone.cn。
