作者：田淵棟，Meta FAIR研究院研究員/高級(jí)經(jīng)理，CMU機(jī)器人系博士

2023年研究的主要重心轉(zhuǎn)移到了大語(yǔ)言模型（LLM）上面，包括理解LLM的運(yùn)行機(jī)制，及用這些理解去改進(jìn)LLM的推理效率和質(zhì)量，也繼續(xù)做了一些LLM的應(yīng)用（如小說(shuō)生成）。另外“應(yīng)用AI來(lái)加速優(yōu)化”這個(gè)研究方向，我們?nèi)匀辉谶M(jìn)行中。

大語(yǔ)言模型（LLM）

這一年有幾篇LLM文章獲得了社區(qū)的廣泛關(guān)注。一篇是六月底的Positional Interpolation[1]，在這篇文章里，我們發(fā)現(xiàn)通過(guò)對(duì)RoPE一行代碼的修改，就可以用少量微調(diào)來(lái)成倍增大模型預(yù)訓(xùn)練窗口，也是從這個(gè)時(shí)間點(diǎn)開(kāi)始，能進(jìn)行長(zhǎng)文理解的開(kāi)源大模型出現(xiàn)了井噴式爆發(fā)。另一篇是StreamingLLM[2]（Attention Sink），在這篇文章里，我們發(fā)現(xiàn)在推理時(shí)保留前4個(gè)token，就能突破預(yù)訓(xùn)練窗口的限制，達(dá)到“無(wú)限聊天”的效果。文章放出來(lái)之后，網(wǎng)上出現(xiàn)了很多博客[3]、視頻介紹[4]、媒體報(bào)道[5]和公開(kāi)討論[6]，然后這個(gè)方法最近進(jìn)了Intel Extension for Transformers[7]和Huggingface Transformer library[8]，也被最近MLC Chat[9]（手機(jī)端離線7B LLM）用上了，應(yīng)該說(shuō)影響力還是很大的。

有人可能會(huì)問(wèn)，為什么會(huì)想到StreamingLLM這種做法？在它背后是H2O[10](NeurIPS'23) 這篇文章。在H2O里，我們發(fā)現(xiàn)按照某種準(zhǔn)則，丟棄過(guò)去KV cache里80%的token，居然不影響下一個(gè)token的perplexity，那么自然我們會(huì)好奇留下來(lái)的是什么，就會(huì)自然追到前幾個(gè)擁有反常注意力的token頭上了。

另一篇Deja Vu（ICML'23 oral）則運(yùn)用稀疏性來(lái)提高LLM系統(tǒng)推理效率。對(duì)于一段輸入，Deja Vu預(yù)測(cè)LLM未來(lái)層中將被激活的神經(jīng)元和注意力頭，并只將對(duì)應(yīng)權(quán)重載入GPU cache，這樣就會(huì)大量減少費(fèi)時(shí)的Memory I/O。臨近年末，我們發(fā)現(xiàn)上海交大的PowerIter進(jìn)一步運(yùn)用了Deja Vu的思路，做到了CPU+GPU聯(lián)合推理。

作為做LLM應(yīng)用的副產(chǎn)品，我們提出了RLCD[11]，通過(guò)同時(shí)使用正例和負(fù)例prompt，自動(dòng)生成帶標(biāo)簽的生成樣本不需人工標(biāo)注，然后可以接大模型微調(diào)，或者用于訓(xùn)練reward models，以避開(kāi)RLAIF的一些問(wèn)題，比如說(shuō)兩個(gè)生成樣本非常相似，大模型很難判斷誰(shuí)好誰(shuí)壞，或者大模型參數(shù)過(guò)少（如7B），無(wú)法判斷樣本間好壞。

另外，作為一作，我今年也發(fā)了兩篇分析LLM的核心Transformer及注意力的訓(xùn)練動(dòng)力學(xué)的理論文章，旨在揭示注意力（attention）為何會(huì)在訓(xùn)練之后變得稀疏，及為何FFN會(huì)出現(xiàn)低秩的現(xiàn)象。第一篇Scan&Snap[12]（NeurIPS'23）分析單層線性MLP+attention；第二篇JoMA[13]將此拓展到多層非線性的MLP+attention，得出了更有趣的結(jié)果（訓(xùn)練過(guò)程中注意力先變稀疏，再稍微變回稠密），并且初步揭示了多層Transformer為何能借助這樣的注意力機(jī)制，學(xué)到高層概念抽象的原因。我本來(lái)認(rèn)為理論文章關(guān)注的人應(yīng)該不多，但想不到在NeurIPS上仍然有大量聽(tīng)眾對(duì)細(xì)節(jié)很有興趣，覺(jué)得非常開(kāi)心。之后我會(huì)在《求道之人，不問(wèn)寒暑》系列里更新一篇，總結(jié)一下新的進(jìn)展。

這些工作在9月底香港大學(xué)[14]，10月初日本理化學(xué)研究所[15]，及12月的遠(yuǎn)程演講[16]中都有提及，有興趣請(qǐng)戳鏈接。

用AI來(lái)加速（組合）優(yōu)化（AI-guided optimization)

另一方面，我們的SurCo[17]（ICML'23）用線性代理（linear surrogate cost）加傳統(tǒng)組合優(yōu)化求解器，來(lái)間接求解非線性組合優(yōu)化，并運(yùn)用于一些工業(yè)上出現(xiàn)的復(fù)雜優(yōu)化問(wèn)題（如Table Sharding，光學(xué)器件設(shè)計(jì)，非線性最短路）。SurCo榮獲ICML'23 SODL workshop[18]的最優(yōu)論文獎(jiǎng)。我的博后Arman之后發(fā)表了LANCER[19]（NeurIPS'23)，進(jìn)一步減少調(diào)用組合優(yōu)化器的次數(shù)，提高求解效率，并運(yùn)用于投資組合優(yōu)化。最近我們又發(fā)表了GenCo[20]用于生成非線性問(wèn)題的多樣可行解，并應(yīng)用于游戲關(guān)卡及光學(xué)器件設(shè)計(jì)中。

另外我們也在用對(duì)比學(xué)習(xí)的方法來(lái)學(xué)習(xí)一些求解組合優(yōu)化的啟發(fā)式搜索規(guī)則，CL-LNS[21]（ICML'23）及之后的ConPAS即是通過(guò)這些方式加速Large Neighborhood Search（LNS）優(yōu)化的效率。總的來(lái)說(shuō)，在資源有限或者需要在線運(yùn)行的情況下，用機(jī)器學(xué)習(xí)完全替代已經(jīng)積累了幾十年的傳統(tǒng)組合優(yōu)化方法，還是比較困難的，目前比較實(shí)用的方案都是找更好的高層策略，然后在求解的某個(gè)階段調(diào)用現(xiàn)有的求解器（DeepMind大力出奇跡的除外）。

一些感想

大模型時(shí)代，研究的迭代速度實(shí)在是太快了。三大機(jī)器學(xué)習(xí)會(huì)議已經(jīng)成為線下社交平臺(tái)，因?yàn)殇浀奈恼露际前肽昵暗牧?；arXiv也不再是前線，更前線的在Discord群里，在X的爭(zhēng)論里面，在Huggingface里不停增長(zhǎng)的repo里，在Github的issues討論中。

像StreamingLLM這篇paper，主要結(jié)果一作在八月中就弄出來(lái)了，但一直沒(méi)放arXiv，于是我們?cè)诰旁轮醒吹搅薒M-Infinite[22]，方法高度相似，當(dāng)時(shí)就抓狂了，士氣非常低落。還好頂住了壓力，討論出了另一種寫(xiě)作方案，從理解LLM工作原理的角度出發(fā)，換一種思路去寫(xiě)，并且沿著這條路徑做了更多的驗(yàn)證實(shí)驗(yàn)（比如說(shuō)Table 2），最后充分證明了Attention Sink的存在性。等到我們真的投稿了，又發(fā)現(xiàn)了有另一篇關(guān)于ViT的分析文章[23]，在encoder-decoder模型中也發(fā)現(xiàn)了類似的現(xiàn)象。三篇都來(lái)自自家公司，也真是服了。

像Positional Interpolation，六月中開(kāi)始發(fā)現(xiàn)有效果，但在寫(xiě)paper的時(shí)候發(fā)現(xiàn)已經(jīng)有位不知名的博主于6/20把方法掛在網(wǎng)上[24]了，隨即又發(fā)現(xiàn)某個(gè)github issue里面也在討論很接近的idea，于是焦急地等待文章內(nèi)部過(guò)審，在一番冰天雪地滑跪?qū)徍瞬块T請(qǐng)求加速辦理之后，終于放上arXiv（其間模版還搞錯(cuò)了一次）。文章放上去僅僅一天，就已經(jīng)有紅迪（reddit）網(wǎng)友提出了幾乎不用微調(diào)的更優(yōu)方案[25]，馬上有人在推特（twitter，現(xiàn)X）上提問(wèn)[26]，然后我直接在網(wǎng)上回復(fù)[27]……

總的來(lái)說(shuō)，這次LLM的時(shí)代潮流，造成了非常劇烈的競(jìng)爭(zhēng)，對(duì)研究者們沖擊很大。越是愿意鉆進(jìn)技術(shù)細(xì)節(jié)里手寫(xiě)代碼的，跟進(jìn)速度越快，對(duì)于新范式的理解也越深入，甚至連風(fēng)險(xiǎn)投資者們都開(kāi)始自己碼代碼調(diào)程序做LLM應(yīng)用了。LLM也導(dǎo)致了很多思維的變革，許多以前感覺(jué)匪夷所思的操作（比如說(shuō)讓模型自我反省，或是用文字描述全新任務(wù)讓它執(zhí)行），今天寫(xiě)幾個(gè)prompt就能實(shí)現(xiàn)，這對(duì)一些傳統(tǒng)的研究思維，會(huì)是一個(gè)巨大的沖擊。

恍然間又回到了2013-2014深度學(xué)習(xí)起飛的年代，但這次來(lái)勢(shì)更猛，增速更快，因?yàn)榛A(chǔ)架構(gòu)，硬件支持，開(kāi)源氛圍，或是研究者們的認(rèn)知，都已經(jīng)更新?lián)Q代了。往這個(gè)方向走下去，在不遠(yuǎn)的將來(lái)，就如之前關(guān)于GPT-4的一點(diǎn)狂想（其二） - 知乎(zhihu.com)[28]所預(yù)測(cè)的那樣，也許個(gè)人及小團(tuán)隊(duì)的能力會(huì)越來(lái)越重要。迭代速度越快，一手經(jīng)驗(yàn)越豐富，越不受已有的條條框框約束，越能發(fā)現(xiàn)別人發(fā)現(xiàn)不了的東西。

當(dāng)全世界的公開(kāi)數(shù)據(jù)都已經(jīng)塞進(jìn)模型里訓(xùn)練了，個(gè)人能做的貢獻(xiàn)，就在于在自己深耕的領(lǐng)域，有獨(dú)一無(wú)二的發(fā)現(xiàn)了。

我覺(jué)得自己這一年還是hands-on得少了，之后還是要做更多一線的工作，才能適應(yīng)時(shí)代的潮流啊。

審核編輯：黃飛

?