輸入幾個簡單的關(guān)鍵詞，AI能幫你生成一篇短篇小說甚至是專業(yè)論文。最近大火的ChatGPT在郵件撰寫、文本翻譯、代碼編寫等任務(wù)上強大表現(xiàn)，讓埃隆·馬斯克都聲稱感受到了AI的“危險”。ChatGPT的計算邏輯來自于一個名為transformer的算法，它來源于2017年的一篇科研論文《Attention is all your need》。原本這篇論文是聚焦在自然語言處理領(lǐng)域，但由于其出色的解釋性和計算性能開始廣泛地使用在AI各個領(lǐng)域，成為最近幾年最流行的AI算法模型，無論是這篇論文還是transformer模型，都是當(dāng)今AI科技發(fā)展的一個縮影。以此為前提，本文分析了這篇論文的核心要點和主要創(chuàng)新初衷。

01緣起

從Transformer提出到“大規(guī)模與訓(xùn)練模型” GPT（Generative Pre-Training）的誕生，再到GPT2的迭代標(biāo)志Open AI成為營利性公司，以及GPT3和ChatGPT的“出圈”；再看產(chǎn)業(yè)界，多個重要領(lǐng)域比如生物醫(yī)療，智能制造紛紛有以transformer落地的技術(shù)產(chǎn)生。在這個浪潮下，我的思考是：

一是，未來很長一段時間在智能化領(lǐng)域，我們都將經(jīng)歷“科研、算力、基礎(chǔ)架構(gòu)、工程、數(shù)據(jù)、解決方案”這個循環(huán)的快速迭代；流動性、創(chuàng)新性短期不會穩(wěn)定下來，而是會越來越強。我們很難等到科技封裝好，把這些知識全部屏蔽掉，再去打磨產(chǎn)品。未來在競爭中獲勝的，將是很好地“解決了產(chǎn)品化和科研及工程創(chuàng)新之間平衡”的團隊。我們一般理解的研發(fā)實際上是工程，但AI的實踐科學(xué)屬性需要團隊更好的接納這種“流動性”。因此對所有從業(yè)者或者感興趣智能化的小伙伴了解全棧知識成了一個剛需。

二是，通過對這篇論文的探討，可以更直觀地理解：在科研端發(fā)生了什么，以什么樣的速度和節(jié)奏發(fā)生；哪些是里程碑？是科學(xué)界的梅西橫空出世，帶我們發(fā)現(xiàn)真理；哪些是微創(chuàng)新？可能方向明確了，但還有很多空間可以拓展；哪些更像煉金術(shù)？仍然在摸索，尚需要很長一段時間，或者一直會保持這個狀態(tài)。

三是，在AI領(lǐng)域，由于技術(shù)原因，更多的論文是開源代碼的，一方面，促進了更多人參與進來改進迭代；另一方面，科研跟工程實現(xiàn)無縫連接，一篇論文可以拉動從核心代碼到平臺，到具體應(yīng)用很大范圍的價值擴散。一篇論文很可能就是一個領(lǐng)域，一條賽道，甚至直接驅(qū)動業(yè)務(wù)價值和客戶價值的大幅提升。

四是， AI技術(shù)發(fā)展有很多領(lǐng)域（感知，認(rèn)知，感知又分圖像、語音、文字等，認(rèn)知也可以分出很多層次）之前這些領(lǐng)域的算法邏輯存在很大差別，transformer的出現(xiàn)有一定程度上推動各個領(lǐng)域匯聚的跡象，介紹清楚這篇論文，對把握整體可能有些作用。另外ChatGPT屬于現(xiàn)象級應(yīng)用，大家更有直觀感受，未來這類應(yīng)用的體驗提升和更新速度只會更快，理解了其背后的邏輯，更有助于我們把握這個趨勢。

02 論文介紹

下面步入正題，開始介紹這篇論文，會涉及一些技術(shù)細節(jié)及公式，可能還需要仔細看一下（先收藏，留出15-20分鐘比較好），相信一旦看進去，你會對AI的理解加深很多。

總體把握

這篇論文的結(jié)構(gòu)非常精煉，提出問題，分析問題，解決問題，給出測試數(shù)據(jù)。頂刊文章講究言簡意賅，有描述，有代碼，有結(jié)果；其中最核心的是以下這張圖，作者團隊提出transformer的核心算法結(jié)構(gòu)：

整篇文章就是圍繞這張圖來進行解釋的，由于篇幅所限，我們聚焦在一條主線上：1.文章想解決主要問題是什么 2.如何解決的 3.從文章提出的解決方案作為一個案例來引發(fā)整體思考，因此我們將內(nèi)容簡化，主要關(guān)注核心部分。

這張圖表達的內(nèi)容如果理解了，那基本上你掌握了這篇論文85%的內(nèi)容，也是最關(guān)鍵的部分。

《Attention is all your need》在編寫時主要是為了考慮NLP任務(wù)，是由幾個Google的科研人員一起完成的，其中一個背景是Google也在推廣自己的并行計算芯片以及AI TensorFlow開發(fā)平臺。平臺主要功能特點是并行計算，這篇文章的算法也是在最大限度的實現(xiàn)并行計算。我們就以一個簡單的例子來把這個算法串一遍。

核心內(nèi)容

需求是我們需要訓(xùn)練一個模型，進行中文到英文翻譯。

背景知識：這個需求要把“翻譯：我愛你 to I love you”轉(zhuǎn)置成一個y=f(x)問題，x代表中文，y是英文，我們要通過訓(xùn)練得到f()，一旦訓(xùn)練成功f(),就可以實現(xiàn)翻譯。大家拼的就是誰的訓(xùn)練方法更準(zhǔn)確，更高效，誰的f()更好用。

之前自然語言處理主要的算法叫RNN（循環(huán)神經(jīng)網(wǎng)絡(luò)），它主要的實現(xiàn)邏輯是每個“字”計算之后將結(jié)果繼承給第二個字。算法的弊病是需要大量的串行計算，效率低。而且當(dāng)遇到比較長的句子時，前面信息很有可能會被稀釋掉，造成模型不準(zhǔn)確，也就是對于長句子效果會衰減。這是這篇文章致力于要解決的問題，也就是說這篇文章有訓(xùn)練處更好的f()的方法。聯(lián)想一下ChatGPT可以做論文，感受一下。

在Transformer里，作者提出了將每個字與句子中所有單詞進行計算，算出這個詞與每個單詞的相關(guān)度，從而確定這個詞在這個句子里的更準(zhǔn)確意義。

在此處，要開始進入一些技術(shù)細節(jié)，在開始之前，我們有必要再熟悉一下機器學(xué)習(xí)領(lǐng)域最核心的一個概念——“向量”。在數(shù)字化時代，數(shù)學(xué)運算最小單位往往是自然數(shù)字。但在AI時代，這個最小單元變成了向量。這是數(shù)字化時代計算和智能化時代最重要的差別之一。

舉個例子，比如，在銀行，判斷一個人的信用額度，我們用一個向量來表示

向量是一組數(shù)據(jù)的集合，也可以想象成在一個超高維度空間里的一個點。一個具體的信用額度向量，就是在8個特征組成的高維空間的一個點。數(shù)據(jù)在高維空間將展現(xiàn)更多的數(shù)學(xué)性質(zhì)比如線性可分，容易讓我們抓住更多隱藏的規(guī)律。

向量的加減乘除是計算機在進行樣本訓(xùn)練是最主要的計算邏輯。

Transformer模型的主要意義就是找到了一個算法，分成三步把一個詞逐步定位到了一個高維空間，在這個過程中賦予這個單詞比其它算法更優(yōu)的信息。很多情況下這個高維空間有著不同的意義，一旦這個向量賦予的信息更準(zhǔn)確更接近真實情況，后面的機器學(xué)習(xí)工作就很容易展開。還拿剛才信用額度向量舉例子

這兩個向量存在于兩個不同的向量空間，主要的區(qū)別就是前者多了一個向量特征：“年薪”?？梢运伎家幌氯绻袛嘁粋€人的信用額度，“年薪”是不是一個很重要的影響因子？

以上例子還是很簡單的，只是增加了一個特征值，在transformer里就復(fù)雜很多，它是要把多個向量信息通過矩陣加減乘除綜合計算，從而賦予一個向量新的含義。

好，理解了向量的重要性，我們看回transformer的三步走，這三步走分別是：1.編碼（Embedding）2. 定位（Positional encoding）3. 自注意力機制（Self-Attention）。

舉個例子，比如，翻譯句子Smart John is singing到中文。

首先，要對句子每個詞進行向量化。

我們先看“John”這個詞，需要先把“John”這個字母排列的表達轉(zhuǎn)換成一個512維度的向量John，這樣計算機可以開始認(rèn)識它。說明John是在這個512維空間的一個點，這是第一步：編碼（Embedding）。

再次，第二步：定位（Positional encoding），利用以下公式（這是這篇論文的創(chuàng)新）

微調(diào)一個新的高維空間，生成一個新的向量。

我們不用太擔(dān)心這個公式，它核心意義是：1.在這個新的向量里面每一位由原來的0和1表示，分別取代成由sin和cos表示，這個目的是可以通過sin和cos的定律，讓這個新向量不僅表示John這個單詞的意義，還可以表示John在Smart John is singing這個句子的位置信息。如果不理解，可以直接忽略，只要記住第二步是用來在“表達John這個詞的向量”中，加入了John在句子中的位置信息。John已經(jīng)不是一個孤立的詞，而是一個具體句子中的一個詞，雖然還不知道句子中其他詞是什么含義。

如果第一步計算機理解了什么是John，第二步計算機理解了“* John**”。

最后，第三步：自注意力機制（Self-Attention），通過一個Attention（Q，K，V）算法，再次把John放到一個新的空間信息里，我們設(shè)為

在這個新向量里，不僅包含了John的含義，John在句子中位置信息，更包含了John和句子中每個單子含義之間的關(guān)系和價值信息。我們可以理解，John作為一個詞是一個泛指，但Smart John就具體了很多，singing的Smart John就又近了一步。而且Attention （Q，K，V）算法，不是對一個單詞周圍做計算，是讓這個單詞跟句子里所有單詞做計算。通過計算調(diào)整這個單詞在空間里的位置。

這種方法，可以在一個超長句子中發(fā)揮優(yōu)勢，而且最關(guān)鍵的是一舉突破了時序序列的屏障，以前對于圖像和NLP算法的劃分，很大程度上是由于NLP有很明顯的時序特征，即每個單詞和下一個以及在下一個有比較明顯的時序關(guān)系。但Transformer這種算法打破了這種束縛，它更在意一個單詞跟句子中每個單詞的價值權(quán)重。這是Transformer可以用到everywhere的主要原因。

計算過程

具體的計算過程，用翻譯句子“我愛你”到“I love you”舉例（這句更簡單一些）。首先進行向量化并吸收句子位置信息，得到一個句子的初始向量組。

（由于樣本每個句子長短不同，所以每個句子都會是一個512*512的矩陣，如果長度不夠就用0來代替。這樣在訓(xùn)練時，無論多長的句子，都可以用一個同樣規(guī)模的矩陣來表示。當(dāng)然512是超參，可以在訓(xùn)練前調(diào)整大小。）

接著，用每個字的初始向量分別乘以三個隨機初始的矩陣WQ，Wk，Wv分別得到三個量Qx，Kx，Vx。下圖以“我”舉例。

然后，計算每個單詞的attention數(shù)值，比如“我”字的attention值就是用“我”字的Q我分別乘以句子中其他單詞的K值，兩個矩陣相乘的數(shù)學(xué)含義就是衡量兩個矩陣的相似度。然后通過一個SoftMax轉(zhuǎn)換（大家不用擔(dān)心如何計算），計算出它跟每個單詞的權(quán)重，這個權(quán)重比例所有加在一起要等于1。再用每個權(quán)重乘以相對應(yīng)的V值。所有乘積相加得到這個Attention值。

這個attention數(shù)值就是除了“我”字自有信息和位置信息以外，成功的得到了這個句子中每個單詞的相關(guān)度信息。

大家可以發(fā)現(xiàn)，在所有注意力系數(shù)的計算邏輯中其實只有每個字的初始矩陣WQ，Wk，Wv是未知數(shù)（這三個矩陣是所有文字共享的）。那么我們可以把這個transformer簡化成一個關(guān)于輸入，輸出和這個W矩陣的方程：其中X是輸入文字信息，Y是翻譯信息。

這里有必要再介紹一下機器學(xué)習(xí)的基礎(chǔ)知識：Transformer算法本質(zhì)上是一個前饋神經(jīng)網(wǎng)絡(luò)模型，它的計算基礎(chǔ)邏輯，不去管復(fù)雜的隱藏層，就是假設(shè)Y=f(x)=wx，（目標(biāo)還是要算出一個f()）然后隨機設(shè)置一個w0，開始計算這個y=w0x的成本函數(shù)，然后再把w0變成w1，計算y=w1x的成本函數(shù)，以此類推計算出無數(shù)w（不是無數(shù)，也會收斂），然后比較哪個w的成本函數(shù)最小，就是我們訓(xùn)練出來的f()。那么在transformer里，這三個初始矩陣就是那個w0。

再回到transformer，在計算Attention之后，每個單詞根據(jù)語義關(guān)系被打入了新的高維空間這就是Self-attention（自注意力機制）。

但在transformer里，并不是代入了一個空間，而是代入了多個高維空間，叫做多頭注意力機制，（文章中沒有給出更清晰的理論支持，為什么是多頭）。

主要原因是在訓(xùn)練時效果很好。這也是AI科研論文的一個特點，常常憑借非常高的科研素養(yǎng)和敏感性，發(fā)現(xiàn)一些方向，并且通過測試確實有效，但不一定可以給出很完美的理論支撐。這往往也給后續(xù)研究者一些可以進一步完善的空間。

事實證明，如何提升Attention（Q，K，V）效率是transformer領(lǐng)域迭代最快的部分。之后的Bert算法提出預(yù)訓(xùn)練機制成為了主流，后面會做進一步介紹。

當(dāng)然，事后我們可以理解是把這個句子中的邏輯關(guān)系放到不同的高維空間去訓(xùn)練，目的就是希望抓取更多的信息，這一部分可以更加深刻理解科研人員對空間的應(yīng)用。

除了以上內(nèi)容，還有一些技術(shù)點比如Mask機制、layer norm、神經(jīng)網(wǎng)絡(luò)激函數(shù)飽和區(qū)控制等，由于篇幅關(guān)系以及屬于技術(shù)細節(jié)就不一一介紹了。

如果大家理解了多頭自注意力機制，基本已經(jīng)85%掌握了這篇論文的重要內(nèi)容，也對還在快速擴展影響力的transformer模型有了一個比較直觀的認(rèn)識。

03啟發(fā)收獲

從理論科研進步的角度看

一、Transformer打破了時序計算的邏輯，開始快速出圈，多個AI原本比較獨立的領(lǐng)域開始在技術(shù)上融合。再往里看，Transformer能打破時序很重要一點是并行計算的算力模式給更復(fù)雜的計算帶來了性價比上的可能性。算力的進一步提高，必將在AI各細分領(lǐng)域帶來融合，更基礎(chǔ)設(shè)施級別的模型，算法仍將不斷推出。AI領(lǐng)域在圖像，NLP；感知認(rèn)知領(lǐng)域的專業(yè)分工也會慢慢變模糊。

二、AI科研確實具有一些實驗性質(zhì)。除了核心思想，確實還有很多技術(shù)點的解決方向已經(jīng)明確，但還有很大的提升空間，可以預(yù)見圍繞transformer周邊的微創(chuàng)新會持續(xù)加速繁榮。

三、《Attention is all your need》在業(yè)內(nèi)大名鼎鼎，但你要是細看，會發(fā)現(xiàn)很多內(nèi)容也是拿來主義，比如最重要的Attention（Q，K，V）中Query，Key，Value是互聯(lián)網(wǎng)推薦系統(tǒng)的標(biāo)配方法論；整個Transformer算法也是一個大的神經(jīng)網(wǎng)絡(luò)，算法是在前人基礎(chǔ)上一步一步迭代發(fā)展，只是這個迭代速度明顯在加快。

從理論、算法、架構(gòu)、工程的角度看

四、AI算法科研領(lǐng)域正經(jīng)歷算法、開源代碼、工程、算力的增長飛輪。

下圖是頂級刊物上的學(xué)術(shù)論文中，開放源代碼的論文比例，這個數(shù)據(jù)在這幾年以更快的速度在增長?？蒲羞^程與工程過程產(chǎn)生越來越大的交集。開源社區(qū)和開源文化本身也在推動算法和工程的快速發(fā)展。

更多人參與，更多領(lǐng)域的人參與進來，進入門檻隨著算力成本、AI基礎(chǔ)架構(gòu)和代碼、知識分享的開源逐漸降低，科研與工程的邊界也變得模糊，這個就像足球運動的規(guī)律，除了足球人口增多，天才球員梅西出現(xiàn)的概率也會增大。

從數(shù)據(jù)和后續(xù)發(fā)展的角度看

五、ChatGPT的成功同大量的數(shù)據(jù)訓(xùn)練功不可沒，但除了簡單對話互動或者翻譯，大篇幅回答甚至論文級別的答案還是極其缺乏樣本數(shù)據(jù)（算法訓(xùn)練需要的樣本數(shù)據(jù)需要清晰度X和Y）。而且Transformer的算法相比其他算法需要更大的數(shù)據(jù)量，原因在于它需要起始階段隨機產(chǎn)生三個矩陣，一步一步進行優(yōu)化。除了Transformer以外，另一個技術(shù)Bert也是技術(shù)發(fā)展非常重要的現(xiàn)象級算法。其核心是一個簡化的Transformer，Bert不去做從A翻譯到B，它隨機遮住X里面的一些單詞或句子讓算法優(yōu)化對遮住部分的預(yù)測。這種思路使得Bert成為了Transformer預(yù)訓(xùn)練最好的搭檔。

如果通過Bert進行預(yù)訓(xùn)練，相當(dāng)于給矩陣加入了先驗知識（之前訓(xùn)練邏輯沒有給機器任何提示，規(guī)則后者基礎(chǔ)知識），提高了正式訓(xùn)練時初始矩陣的準(zhǔn)確度，極大地提升了之后transformer的計算效率和對數(shù)據(jù)量的要求。在現(xiàn)實中，舉例來說，如果我想訓(xùn)練國家圖書館圖書，之前需要每本書的信息和對這本書的解釋，或者中文書對應(yīng)的英文書。但現(xiàn)在我們可以大量只是訓(xùn)練內(nèi)容，不需要打標(biāo)簽，之后只需要通過transformer對樣本數(shù)據(jù)進行微調(diào)。這就給ChatGPT很大的進步空間，而且可以預(yù)見，更多這類大模型會雨后春筍一般快速出現(xiàn)。

六、由于transformer是更高級的神經(jīng)網(wǎng)絡(luò)深度學(xué)習(xí)算法，對數(shù)據(jù)量有很高要求，這也催生了從小數(shù)據(jù)如何快速產(chǎn)生大數(shù)據(jù)的算法，比如GAN對抗網(wǎng)絡(luò)等。這是AIGC領(lǐng)域的核心技術(shù)。解決數(shù)據(jù)量不足問題，除了更高效率抽象小數(shù)據(jù)的信息，也多了把小數(shù)據(jù)補足成大數(shù)據(jù)的方法，而且這些方法在快速成熟。

七、我們發(fā)現(xiàn)在機器學(xué)習(xí)算法中有大量的超級參數(shù)，比如在transformer里多頭機制需要幾頭N，文字變成向量是512還是更多，學(xué)習(xí)速率等都需要在訓(xùn)練之前提前設(shè)置。由于訓(xùn)練時間長，參數(shù)復(fù)雜，要想遍歷更優(yōu)秀的計算效果需要非常長的摸索時間。這就催生出AutoML，拿Transformer舉例，就要很多個路線進行自動化機器學(xué)習(xí)；比如貝葉斯計算（找到更優(yōu)參數(shù)配置概率）；強化學(xué)習(xí)思路（貪婪算法在環(huán)境不明朗情況下迅速逼近最優(yōu)）；另外還有尋求全新訓(xùn)練網(wǎng)絡(luò)的方法（transformer，RNN，MLP等聯(lián)合使用排列組合）等。

科研發(fā)展強調(diào)參數(shù)化，工業(yè)發(fā)展強調(diào)自動化，這兩者看似統(tǒng)一，但在現(xiàn)實實操過程中往往是相當(dāng)痛苦矛盾的。這也是開篇說的產(chǎn)品化和科研流動性相平衡的一個重要領(lǐng)域。