谷歌训练开发一个万亿参数的AI语言模型

参数是机器学习算法的关键。它们是从历史训练数据中学到的模型的一部分。一般来说，在语言领域，参数的数量和复杂性之间的相关性非常好。例如，OpenAI的GPT-3是有史以来训练了1750亿个参数的最大语言模型之一，它可以进行原始类比、生成配方，甚至完成基本代码。

近日，谷歌的研究人员开发了一种技术，并对其进行基准测试，他们声称这种技术能够训练包含超过一万亿参数的语言模型。他们表示，他们的1.6万亿参数模型是迄今为止最大的，比之前最大的谷歌开发的语言模型（T5-XXL）快了4倍。

研究人员指出，大规模训练是建立强大模型的有效途径。简单的架构，大数据集和参数计数的支持，超越了更复杂的算法。但是，大规模的训练虽然有效，但计算强度极高。这就是为什么研究人员追求他们所谓的Switch Transformer，一种“稀疏激活”技术，它只使用模型权重的子集，或转换模型内输入数据的参数。

Switch Transformer的新颖之处在于它有效地利用了为密集矩阵乘法（广泛应用于语言模型的数学运算）设计的硬件，如GPU和TPU。在研究人员的分布式训练设置中，他们的模型将不同的权重分配到不同的设备上，这样权重就会随着设备数量的增加而增加，但在每个设备上都保持可管理的内存和计算空间。

在一项实验中，研究人员使用32个TPU内核预先训练了几种不同的Switch Transformer模型，这个语料是一个750GB大小的数据集，包含从Reddit、Wikipedia和其他网络资源上获取的文本。他们让这些模型预测有15%的单词被掩盖的段落中遗漏的单词，以及其他挑战，比如检索文本回答一系列越来越难的问题。

研究人员声称，与包含3950亿个参数和64名专家的更小的模型（Switch-XXL）相比，他们发明的拥有2048名专家的1.6万亿参数模型（Switch-C）则“完全没有训练不稳定性”。

然而，在SQuAD的基准测试上，Switch-C的得分却更低（87.7），而Switch-XXL的得分为89.6，研究人员将此归因于微调质量、计算要求和参数数量之间的不明确关系。

在这种情况下，Switch Transformer还是在许多下游任务上的效果有了提升。例如，在使用相同数量的计算资源的情况下，它可以使预训练的速度提高了7倍以上。

同时研究人员证明，大型稀疏模型可以用来创建更小、更稠密的模型，这些模型可以对任务进行微调，其质量增益只有大型模型的30% 。

在一个测试中，一个 Switch Transformer 模型被训练在100多种不同的语言之间进行翻译，研究人员观察到其中101种语言都得到了普遍的改善。

在未来的工作中，研究人员计划将Switch Transformer应用于新的和不同的形态中去，包括图像和文本。他们认为，模型稀疏性在一系列不同的媒体和多模态模型中都具有优势。
责任编辑:pj