Transformer無疑是過去幾年內(nèi)機(jī)器學(xué)習(xí)領(lǐng)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(gè)新的網(wǎng)絡(luò)結(jié)構(gòu)，刷爆了各大翻譯任務(wù)，同時(shí)創(chuàng)造了多項(xiàng)新的記錄。

但Transformer在處理長字節(jié)序列時(shí)有個(gè)硬傷，就是算力損耗嚴(yán)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(gòu)，能跨多種格式生成超過100萬個(gè)token，并超越GPT-4等模型背后的現(xiàn)有 Transformer架構(gòu)的功能。

這個(gè)模型被稱為「兆字節(jié)」（Megabyte），是一種多尺度解碼器架構(gòu)（Multi-scale Decoder Architecture），可以對超過一百萬字節(jié)的序列進(jìn)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(qiáng)，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(gòu)的模型。

但Meta的研究團(tuán)隊(duì)認(rèn)為，流行的Transformer架構(gòu)可能正達(dá)到其閾值，其中主要理由是Transformer設(shè)計(jì)中固有的兩個(gè)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(gè)上下文標(biāo)記

- 前饋網(wǎng)絡(luò)通過一系列數(shù)學(xué)運(yùn)算和轉(zhuǎn)換幫助語言模型理解和處理單詞，但在每個(gè)位置的基礎(chǔ)上難以實(shí)現(xiàn)可擴(kuò)展性,這些網(wǎng)絡(luò)獨(dú)立地對字符組或位置進(jìn)行操作，從而導(dǎo)致大量的計(jì)算開銷

Megabyte強(qiáng)在哪

相比Transformer，Megabyte模型展示了一種獨(dú)特的不同架構(gòu)，將輸入和輸出序列劃分為patch而不是單個(gè)token。

如下圖，在每個(gè)patch中，本地AI模型生成結(jié)果，而全局模型管理和協(xié)調(diào)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(gè)模型由三部分組成：

(1) patch嵌入器：通過無損地連接每個(gè)字節(jié)的嵌入來簡單地編碼patch

(2) 一個(gè)全局模型：一個(gè)輸入和輸出patch表示的大型自回歸變換器

(3) 一個(gè)本地模型：一個(gè)預(yù)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(wù)而言字節(jié)預(yù)測都相對容易（如完成給定前幾個(gè)字符的單詞），這意味著每個(gè)字節(jié)的大型網(wǎng)絡(luò)是不必要的，并且可以使用更小的模型進(jìn)行內(nèi)部預(yù)測。

這種方法解決了當(dāng)今AI模型中普遍存在的可擴(kuò)展性挑戰(zhàn)，Megabyte 模型的patch系統(tǒng)允許單個(gè)前饋網(wǎng)絡(luò)在包含多個(gè)token的patch上運(yùn)行，從而有效解決了自注意力縮放問題。

其中，Megabyte架構(gòu)對長序列建模的Transformer進(jìn)行了三項(xiàng)主要改進(jìn)：

- 二次自注意力（Sub-quadratic self-attention）

大多數(shù)關(guān)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(gè)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(jì)算位置前饋層，Megabyte每個(gè)patch使用大型前饋層，以相同的成本實(shí)現(xiàn)更大、性能更強(qiáng)的模型。在patch大小為P的情況下，基線轉(zhuǎn)換器將使用具有m個(gè)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(gè)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(jì)算，因?yàn)槊總€(gè)時(shí)間步的輸入是前一個(gè)時(shí)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(shí)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(biāo)準(zhǔn)的350MTransformer快40%，同時(shí)在使用相同的計(jì)算量進(jìn)行訓(xùn)練時(shí)還能改善困惑度。

Megabyte遠(yuǎn)遠(yuǎn)優(yōu)于其他模型，并提供與在子詞上訓(xùn)練的 sota 模型競爭的結(jié)果

相比之下，OpenAI 的GPT-4有32,000個(gè)token的限制，而Anthropic的Claude有100,000個(gè)token的限制。

此外，在運(yùn)算效率方面，在固定模型大小和序列長度范圍內(nèi)，Megabyte比同等大小的Transformers和Linear Transformers使用更少的token，允許以相同的計(jì)算成本使用更大的模型。

總之，這些改進(jìn)使我們能夠在相同的計(jì)算預(yù)算下訓(xùn)練更大、性能更好的模型，擴(kuò)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(jìn)行地如火如荼，模型性能越來越強(qiáng)，參數(shù)也越來越高。

雖然GPT-3.5在175B個(gè)參數(shù)上進(jìn)行了訓(xùn)練，但有人猜測功能更強(qiáng)大的GPT-4在1萬億個(gè)參數(shù)上進(jìn)行了訓(xùn)練。

OpenAI的CEO Sam Altman最近也建議轉(zhuǎn)變戰(zhàn)略，他表示公司正在考慮舍棄對龐大模型的訓(xùn)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(fèi)者對原始技術(shù)規(guī)格一無所知。

Meta的研究人員相信他們的創(chuàng)新架構(gòu)來得正是時(shí)候，但也承認(rèn)還有其他優(yōu)化途徑。

例如采用修補(bǔ)技術(shù)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(yù)處理為壓縮token等，并且可以擴(kuò)展現(xiàn)有Transformer架構(gòu)的能力以構(gòu)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(gè)人都應(yīng)該希望我們能在大模型中扔掉標(biāo)記化，也不需要那些過長字節(jié)的序列。