編輯：Joey
【新智元導讀】Transformer最近幾年已然成為大模型的标配，而Meta團隊開發的一款Megabyte模型聲稱能解決Transformer的硬傷，速度還要快四成。
Transformer無疑是過去幾年内機器學習領域最流行的模型。
自2017年在論文「Attention is All You Need」中提出之後，這個新的網絡結構，刷爆了各大翻譯任務，同時創造了多項新的記錄。
但Transformer在處理長位元組序列時有個硬傷，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等模型背後的現有 Transformer架構的功能。
這個模型被稱為「兆位元組」（Megabyte），是一種多尺度解碼器架構（Multi-scale Decoder Architecture），可以對超過一百萬位元組的序列進行端到端可微分模組化。
論文連結：https://arxiv.org/abs/2305.07185
Megabyte為什麼比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架構可能正達到其門檻值，其中主要理由是Transformer設計中固有的兩個重要缺陷：
- 随着輸入和輸出位元組長度的增加，自注意力的成本也迅速增加，如輸入的音樂、圖像或視訊檔案通常包含數兆位元組，然而大型解碼器 (LLM)通常隻使用幾千個上下文标記
- 前饋網絡通過一系列數學運算和轉換幫助語言模型了解和處理單詞，但在每個位置的基礎上難以實作可擴充性,這些網絡獨立地對字元組或位置進行操作，進而導緻大量的計算開銷
Megabyte強在哪
相比Transformer，Megabyte模型展示了一種獨特的不同架構，将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調所有patch的最終輸出。
首先，位元組序列被分割成固定大小的patch，大緻類似于token，這個模型由三部分組成：
(1) patch嵌入器：通過無損地連接配接每個位元組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中位元組的小型自回歸模型
研究人員觀察到，對于多數任務而言位元組預測都相對容易（如完成給定前幾個字元的單詞），這意味着每個位元組的大型網絡是不必要的，并且可以使用更小的模型進行内部預測。
這種方法解決了當今AI模型中普遍存在的可擴充性挑戰，Megabyte 模型的patch系統允許單個前饋網絡在包含多個token的patch上運作，進而有效解決了自注意力縮放問題。
其中，Megabyte架構對長序列模組化的Transformer進行了三項主要改進：
- 二次自注意力（Sub-quadratic self-attention）
大多數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将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，以相同的成本實作更大、性能更強的模型。在patch大小為P的情況下，基線轉換器将使用具有m個參數的相同前饋層P次，兆位元組可以以相同的成本使用具有mP個參數的層一次。
- 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作更大的并行性。
例如，具有1.5B參數的Megabyte模型生成序列的速度比标準的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遠遠優于其他模型，并提供與在子詞上訓練的 sota 模型競争的結果
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範圍内，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，擴充到非常長的序列，并提高部署期間的生成速度。
未來将會如何
随着AI軍備競賽進行地如火如荼，模型性能越來越強，參數也越來越高。
雖然GPT-3.5在175B個參數上進行了訓練，但有人猜測功能更強大的GPT-4在1萬億個參數上進行了訓練。
OpenAI的CEO Sam Altman最近也建議轉變戰略，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化。
他将AI模型的未來等同于iPhone晶片，而大多數消費者對原始技術規格一無所知。
Meta的研究人員相信他們的創新架構來得正是時候，但也承認還有其他優化途徑。
例如采用修補技術的更高效的編碼器模型、将序列分解為更小塊的解碼模型以及将序列預處理為壓縮token等，并且可以擴充現有Transformer架構的能力以建構新一代模型。
前特斯拉AI總監Andrej Karpathy也在這篇論文中發表了看法，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标記化，也不需要那些過長位元組的序列。
參考資料：
https://www.artisana.ai/articles/meta-ai-unleashes-megabyte-a-revolutionary-scalable-model-architecture