当前位置:首页|资讯|LLaMA|人工智能|Claude3|ChatGPT

提前曝光 Llama 3.1,Meta 为什么想做「大模型界 Linux」?

作者:极客公园发布时间:2024-07-25

当地时间 7 月 23 日早上,Meta 开源了外界期待已久的大参数模型——Llama 3 405B。

Meta 发文称,该模型在多项基准测试中优于 GPT-4o 和 Anthropic 的 Claude 3.5 Sonnet。并且,扎克伯格预计,由 Llama3 支持的 Meta AI(Meta 的人工智能助手)使用量将在未来几个月内超过 ChatGPT。

比肩世界上最强大模型的 Llama3.1 开源,社交平台 X 上,很多人将这一事件视为历史、拐点、史诗级时刻,这意味开源、闭源之间的差距进一步缩小乃至反超,还意味着开发者从此有了一个免费的最强基座模型在手。

在扎克伯格看来,这个拐点时刻则意味着「Llama 有机会成为开源 AI 的行业标准」,就像 Linux 之于移动互联网一样

但与之相反,不少从业者指出一个问题,4000 亿参数量级的密集模型,即便开源,很多人可能也用不起来,尤其是考虑到运行如此规模模型的算力集群的复杂程度,再加上比较高的运行、推理成本,真正能用得上、用得转的开发者并不多。

去年 Llama2 开源时,外界原本期待 Meta 逐渐开源最强模型后,难望项背的 GPT-4 能力的可以瞬间免费地加持所有人,直接拿来探索 AI 应用。但现在似乎不同,从最强模型中蒸馏小模型,成为了 Llama 3 405B 新的产业意义吗?

Llama3.1:比肩 GPT-4o,非 MOE 架构,但多模态能力仍是期货

早在今年四月,Meta 先开源了 Llama3 系列的两个小参数版本的模型,8B 和 70B。比起几个月前的 Llama 3,现在推出的 Llama 3.1 升级了先前的 8B 和 70B 模型,还发布了迄今为止最大的开源模型 Llama 3 405B——后者拥有 4050 亿个模型参数,采用了密集 Transformer 架构,具有 128K 的上下文窗口。

相比 Meta 去年 7 月发布的 Llama2,迄今为止最大、最好的开源模型 Llama3.1 在众多方面做了升级。

  • 数据:使用了约 15T 的多语言 token,相较于 Llama 2 的 1.8T 有显著提升。
  • 规模:Llama 3 的训练规模是 Llama 2 的 50 倍,模型参数和训练计算量均大幅增加。
  • 复杂性管理:选择标准的密集 Transformer 架构,而非混合专家模型,以确保训练的稳定性。

截图来源:Meet Llama 3.1

与行业水平相比,Llama 3 在多项任务上有着与领先模型(如 GPT-4)相当的性能,其在多个基准测试中表现优异,包括:

  • 通用:在 MMLU、GSM8K 等基准上表现突出。
  • 编程能力:在 HumanEval 和 MBPP 等编程基准上取得高分。
  • 多语言能力:支持多种语言,尤其在德语、法语等语言上表现良好。

值得注意的是,去年 3 月 OpenAI 推出的 GPT-4 是拥有 1.8 万亿参数的 MOE 架构(混合专家模型),自那以来,海内外大模型厂商大都采用或者迁移至这一架构,但今天发布的 Llama3.1 并没有采用这一架构。

在目前火热的技术路线——多模态融合上,Llama3 目前也并不支持。官方论文介绍称,Llama 3.1 支持多语言、编程、推理和工具使用,但目前还无法处理图像、视频或语音。论文中提到,Meta 正在致力于为该模型添加图像识别、视频识别和语音理解功能,但具有这些功能的版本「仍在积极开发中,尚未准备好发布」。

Meta 的星辰大海是 AI 生态系统

今年 4 月的一档播客访谈节目中,扎克伯格透露今年年末才会推出 Llama 3 405B,并且这个模型开源与否要视情况而定。显然,这个时间表被提前了,在其尚不支持多模态、模型能力也尚不完美时,现在就开源可获得。这是为什么?

在 Meta 官网,扎克伯格写了一封「开源 AI 是未来之路」(Open Source AI Is the Path Forward)的信,或许可以回答这个问题。

在他看来,人工智能会以类似 Linux 的方式发展,而 Meta 有机会做大模型时代的 Linux,成为开源 AI 的行业标准

在高性能计算早期,主要科技公司都投入巨资开发自己的 Unix 闭源版本,当时也很难想象任何其他方法来开发软件。但最终,开源 Linux 获得了普及——最初是因为它允许开发人员随心所欲地修改其代码,而且价格更便宜,随着时间的推移,它变得更先进、更安全,并且拥有比任何封闭式 Unix 更广泛的生态系统,支持更多功能。如今,Linux 已成为云计算和运行大多数移动设备的操作系统的行业标准基础。

扎克伯格认为,尽管多家公司正在开发领先的闭源模型,但开源正在迅速缩小差距。以 Meta 为例,去年 Llama 2 只能与第一梯队玩家的旧版模型相媲美,今年,Llama 3 与最先进的模型竞争,并在某些方面处于领先地位。Meta 预计,未来的几代 Llama 将成为业内最先进的模型。

从这一代模型开始,Meta 还将通过建立广泛、开放的生态系统,致力于使开源 AI 成为行业标准,使 Llama 成为行业标准。比如像这次伴随 Llama3.1 的发布,与生态伙伴的「嵌合」也更加紧密:Amazon、Databricks 和英伟达推出全套服务来支持开发人员微调和「蒸馏」自己的模型。

像 Groq 这样的创新者已经为所有新模型构建了低延迟、低成本的推理。云厂商已经准备好云上部署 Llama3.1,包括 AWS、Azure、Google、Oracle 等。Scale.AI、戴尔、德勤等公司已准备好帮助企业采用 Llama 并使用自己的数据训练自定义模型。

截图来源:Meet Llama 3.1

Meta 大力投资开源的根本原因,当然是希望确保其可以获得领先的模型。

但扎克伯格称,在 Llama-3.1 之前,他本能地认为,如果 Llama 开源,就会有一个社区自发地围绕它成长。或许是考虑到模型的部署不同于其他开源项目,还需要很多动手操作的环节、也需要很多资源支持,扎克伯格决定在扩展生态系统上更积极。

「我相信 Llama 3.1 版本将成为行业的一个转折点,大多数开发人员开始主要使用开源,并且我预计这种方法只会从这里开始发展。」

OpenAI 的愿景是构建一个大 AI,Anthropic 和谷歌也有类似的愿景。但 Meta 的愿景是有很多不同的模型。每个创业公司、每个企业、每个政府都希望拥有自己的定制模型。而当闭源生态系统比开源系统好得多时,使用现成的闭源模型是更好的选择,但现在不同了。

现在,开源基本上弥合了这一差距,人们现在有动力去定制和构建并训练适合他们需求的模型,将他们的数据训练到模型中。

谁能用上 Llama 3.1?

官方报告指出,Llama 3.1 使用了超过 1.6 万个英伟达 H100 GPU 训练而来,The Verge 根据其所用英伟达芯片的成本估计,其训练成本为数亿美元。

能省去这么一大笔钱,还有一个最强的基座模型,这是对开源最强模型的本能期待。但把模型落地到场景里,还有一个迫在眉睫的现实问题——到底有多少开发者有能力把 4050 亿参数的密集模型用起来。

深度学习框架 PyTorch 的联合创始人、Facebook AI Research (FAIR) 的研究员 Soumith Chintala 发推称 Meta 调度 1.6 万 H100 GPU 算力集群的有效训练时间达到 90%。|图片来源:X.com

Llama3 论文中,有很长的篇幅在讲基础设施,1.6 万张 H100 集群在训练过程中会如何失败,包括如何并行化、保持集群可靠等。对此,英伟达高级科学家 Jim Fan 转发点评,「基础设施工作是人工智能领域最被低估的工作,我能从这张表中的数字感受到内脏的疼痛和折磨」。

就运行 Llama 的开源模型而言,The Information 此前报道,应用程序开发者已经能够使用一组八个连接的 AI 服务器芯片(称为节点)来运行开源模型。Llama 3 的较小版本可以正常运行,但较大的模型可能无法适应单个节点,而是需要多个节点。

帮助开发人员运行开源模型的推理提供商表示,这会带来很多复杂性。为大模型提供支持的节点必须能够协同工作,或者相互「交谈」,而这并不容易设置。在某些情况下,这意味着节点在物理上必须彼此靠近。

通常,对于较小的模型,推理提供商可以使用相同的节点来处理不同客户的请求,只要他们使用相同的 LLM。然而,对于较大的模型变得更加困难,因为它们需要同时协调多个节点(多节点推理)。

有推理供应商称,可能需要几周甚至几个月的时间来重新设计他们的系统,以便能够处理来自 Meta 的 4050 亿个参数模型。在一日千里的大模型领域,这是很多时间。

同时,这些多节点配置也会提高运行模型的成本,尽管模型是免费提供的,但运行成本有时已经高于闭源模型

Meta 当然意识到这个问题,与最大开源模型一同推出的,还有生态伙伴的合作方案,可以帮助任何开发者部署 Llama3.1 和各种工程化调优任务。但它仍然可能成为开发者使用 Llama3「超大杯」的一个挑战。

扎克伯格:乐于看到人们拿 Llama3.1 蒸馏小模型

在 Meta 看来,Llama 开源「除了相对于闭源模型具有明显更好的性价比之外,405B 模型的开放性这一事实将使其成为微调和蒸馏较小模型的最佳选择」。

此前,OpenAI 发现字节跳动通过大量与 GPT-4 对话、蒸馏其高质量数据后,第一时间封号、禁止了这种做法。现在,Meta 却主动提出让大家蒸馏。更值得玩味的是,开源一个最强模型后的使用场景不是免费拿它去做 AI 应用,而是蒸馏自己的小模型。

ChatGPT 发布一年半以来,真实的市场需求下,很多企业并不会大规模使用大模型 API,而是基于开源模型做微调、从最强模型中蒸馏出企业自己可用的小模型,因为用户和企业都非常关心他们的私人数据,以及关键模型的「自主可控」。

其中,微调(Fine-tuning)指的是利用已有的预训练模型,在新的数据集上继续训练,对模型的参数进行少量的调整和优化,以使其适应特定的任务或领域。

蒸馏(Distillation)则是一种将大型复杂模型的知识压缩并传递给较小、较简单模型的技术。能在保持一定性能的前提下,降低模型的计算量和参数规模,提高模型的部署效率和运行速度。

扎克伯格接受 AI 博主采访时谈到对 Llama3「超大杯」的使用场景期待|截图来源:X.com@rowancheung

扎克伯格在一档采访节目中重申了这一点,「我最感兴趣的是看到人们用它来蒸馏和微调自己的模型。我非常期待看到人们如何使用它,特别是现在我们制定了社区政策,允许人们将其用作教师模型来进行蒸馏和微调,基本上可以创建他们想要的任何其他模型」。

他认为,人们会希望直接在 4050 亿参数的模型上进行推理,因为据 Meta 估计,这样做的成本将比 GPT-4 低 50% 左右。人们可以将模型蒸馏到任何他们想要的大小,用于合成数据生成,作为教师模型使用。

「Meta AI 将超过 ChatGPT」

在大模型上,拥有最多 Super App 的 Meta,必须确保始终能够获得最好的 AI 技术。为了实现这一目标,开源是 Meta 的手段之一,策略则是建立一个强大的、开放的 AI 生态系统。

但这也带来一个质疑,Meta 没有像亚马逊、谷歌和微软那样拥有能够利用大模型推动业务的云计算,这就意味着 Meta 将其如此巨大的投入转化为收入的能力更加有限。

扎克伯格反而将这一质疑视为优势,他称,「出售大模型的访问权限不是我们的商业模式。这意味着公开发布 Llama 不会像闭源模型厂商那样削弱收入、可持续性或研究、投资能力。」

Meta 的 AI 商业化,目前仍是改进其广告业务、使其新的 AI 助手(Meta AI)成为杀手级 AI 用例

Llama 3.1 现在为 Meta AI 提供支持,Meta AI 是 Meta 应用程序和雷朋智能眼镜中提供的 AI 助手,它被定位为像 ChatGPT 这样的通用聊天机器人,几乎可以在 Instagram、Facebook 和 WhatsApp 的任何地方找到。

可选 Llama 3.1 支持 Meta AI|图片来源:Meta 官网

从本周开始,Llama 3.1 将首先通过美国的 WhatsApp 和 Meta AI 网站访问,随后在接下来的几周内通过 Instagram 和 Facebook 访问。它正在更新以支持新语言,包括法语、德语、印地语、意大利语和西班牙语。

伴随 Llama 3.1 的发布,Meta AI 添加了一项新的「想象我」功能,可以根据用户的特定肖像生成图像的功能。通过以这种方式而不是通过个人资料中的照片捕捉用户肖像,Meta 有望避免创建深度伪造(Deepfake)机器。

Meta AI 也将在未来几周内出现在 Quest 耳机中,取代其语音命令界面。就像它在 Meta Ray-Ban 眼镜中的实现一样,用户能够在 Quest 上使用 Meta AI 来识别和了解耳机直通模式下正在查看的内容,该模式通过显示屏显示现实世界。

扎克伯格在 Instagram 上发帖称,数亿人已经使用了 Meta AI。他预测,到今年年底,Meta AI 将超过 ChatGPT(ChatGPT 拥有超过 1 亿用户),成为使用最广泛被使用的 AI 助手。

对于未来的 AI 应用图景,扎克伯格称,Meta 的愿景是,应该有许多不同的 AI 及其 AI 服务,而不仅仅是单一的 AI,这一看法也影响了 Meta 的开源方法和产品路线图。

「我们的重点是让每个创作者和每个小企业都能创建自己的 AI Agent,使每个人都能在我们的平台上创建他们想要的 AI Agent,这些都是巨大的市场。世界上有数亿的小企业,一个企业可以通过几次点击就能创建一个 AI Agent 来进行客户支持、销售,并与所有客户沟通。未来每个企业都会像现在有电子邮件地址、网站和社交媒体一样,拥有一个他们的客户可以交流的 AI Agent。我们将生活在一个拥有数亿甚至数十亿不同 AI Agent 的世界里,可能最终 AI Agent 的数量会超过世界上的人口,人们将以各种不同的方式与它们互动。这是产品愿景的一部分,其中有很多商业机会,这是我们希望赚钱的地方。」

最后,他还剧透,Llama-4 已经在路上了,甚至不止 Llama4。「规划计算集群和数据轨迹不仅仅是针对 Llama-4,而是未来四五个版本的 Llama,这确实是件有趣的事情,因为这些都是需要长期投资的事情,建设数据中心、配套的电力、芯片架构和网络架构等」。


Copyright © 2024 aigcdaily.cn  北京智识时代科技有限公司  版权所有  京ICP备2023006237号-1