“中国的ChatGPT”真的要来了吗？

席卷全球的新风口

OpenAI去年发布了聊天机器人模型ChatGPT，它能够理解和生成人类语言，并在许多自然语言处理任务中表现非常出色。据统计，上线仅两个月，ChatGPT活跃用户已经超亿，打破了由TikTok创造的9个月实现亿级用户注册的纪录，引起了各行各业人们的强烈关注。就连埃隆·马斯克也忍不住发推表示，ChatGPT厉害得吓人，我们距离危险而强大的AI不远了。当然，在一顿痛批ChatGPT之后，马斯克也准备亲自下场，成立研究实验室，开发ChatGPT的竞品。

类ChatGPT模型的开发与应用，在国内也迅速成为资本市场关注、创业者纷纷入场的赛道。阿里、百度等互联网大厂，科大讯飞等语音类AI企业，以及众多创业者都希望乘着最新的风口迅速“起飞”。创业者大军中不乏像前美团联合创始人王慧文、出门问问CEO李志飞、搜狗前CEO王小川、前京东技术掌门人周伯文等行业大佬。开发出“中国的ChatGPT”俨然成了国内科技圈“All in”的方向。

然而，我们真的能迅速见到一个“中国的ChatGPT”吗？谁又能拔下头筹，成为这个细分赛道的领头羊呢？

这个众多大佬都挤进来“淘金”的赛道，一定不是简简单单就能搞定的。

OpenAI的GPT“家族”

在深入了解开发出比肩ChatGPT的模型需要面临哪些挑战之前，让我们先看下ChatGPT所属的GPT模型家族都有哪些成员。

GPT-1发布于2018年6月，包含117M个参数。这是第一个采用基于Transformer的模型架构进行预训练的模型。它在语言模型和单词类比任务上表现出色。

GPT-2发布于2019年2月，包含1.5B个参数。这个模型在自然语言生成任务上表现出色，可以生成高质量的文章、新闻报道和诗歌等文本。

GPT-3发布于2020年6月，包含175B个参数。具有出色的通用性和创造性，可以在各种 NLP任务上表现出色，包括文本生成、问答、机器翻译等任务。

到这就结束了？完全不是。

在GPT-3系列模型（注意，是一系列模型哦）发布之后，OpenAI继续基于原始的GPT-3进行了不断地完善。我们熟知的InstructGPT和ChatGPT实际的内部代号是text-davinci-003 175B和text-chat-davinci-002-20221122，是基于GPT-3.5的改良版。

图：GPT-3模型家族，图片来源：https://lifearchitect.ai/chatgpt/

在InstructGPT的训练中，OpenAI的研究员引入了RLHF（Reinforcement Learning from Human Feedback，人类反馈强化学习）机制。这一训练范式增强了人类对模型输出结果的调节，并且对结果进行了更具理解性的排序。在此基础上，ChatGPT还引入了“无害化”机制，防止模型生成不符合规范或伦理的答案。

图：GPT-3、InstructGPT、ChatGPT的“进化路线”

图片来源：https://lifearchitect.ai/chatgpt/

不难看出，ChatGPT的出圈，与OpenAI多年的技术积累是分不开的。国内厂商想要开发出像ChatGPT一样优秀的模型，也绝不是简单依靠拉一波投资，雇一批算法研究员就能马上实现的。

“中国的ChatGPT”面临的挑战

首先，在资金投入方面，在当前的技术水平下，训练一个与ChatGPT这样的大型语言模型相当的模型需要数百万美元的投入。在发布ChatGPT之前，OpenAI可查的融资额已超过20亿美元，也是如此庞大的投资才使OpenAI拥有了多年技术积累。反观绝大多数近期入局的国内企业，即便拥有足够的资金与人员，也大都很难在短期追上OpenAI的步伐。

我们不禁想问，如果要在国内开发出一个类ChatGPT模型，到底会面临哪些技术挑战呢？

为了能了解到最最准确的答案，我们请教了ChatGPT“本人”

1、数据量：需要大量的数据集来进行训练。这些数据集需要是大规模的、多样化的、真实的，并且要涵盖各种不同的语言和语境。这需要花费大量的时间和资源来收集、整理和标注。

2、计算能力：需要非常强大的计算资源。这些模型需要在大规模的数据集上进行训练，并且需要进行大量的参数优化和调整。这些计算需要高性能的计算机和高效的分布式计算框架。

3、 算法优化：需要对算法进行不断的优化和改进。这包括优化网络结构、调整超参数、使用更好的优化算法等。这需要对深度学习算法有深入的了解和经验。

可以发现，这是一个涉及到多个领域和技术的复杂系统工程。只有同时在底层的基础设施、针对性优化和大模型技术积淀都达到一定水平的情况下，才能够研发出高质量的模型，并应用于各种场景中。

让我们详细看看这三类技术挑战具体都意味着什么。

数据量

我们经常听到“有多少数据，就有多少智能”，数据对于模型训练的重要性不言而喻。类ChatGPT模型的训练，更需要超大规模的，经过清洗的数据。以GPT-3的训练为例，需要300B tokens的数据。大家如果对这个数字不敏感的话，可以参考整个英文的维基百科的数据量，只有“相对可怜”的3B tokens，是训练GPT-3所需的百分之一。并且，要训练出类ChatGPT模型，势必需要数倍于当年训练GPT-3的数据量的中文语料数据，这对于大部分企业或科研机构来说都是难以翻越的大山。有效的中文数据量，一定程度上决定了模型性能的上限。

计算能力

类ChatGPT模型的训练，除了需要非常多的训练数据外，也离不开庞大的算力支撑。根据北京智源人工智能研究院公布的数据，使用300B tokens的数据训练175B参数规模（与GPT-3规模相同）的模型，如果使用96台通过200Gb IB网卡互联的DGX-A100节点，需要约50天。要是使用更大规模的训练数据集，训练时长还会进一步增加。

对于计算集群来说，不仅需要能够提供海量的算力资源，还需要具备高速网络和高容量存储，以便支持大规模的数据访问和模型传输。整套基础设施，连同软件平台，还需要结合集群的拓扑结构针对分布式训练进行优化，通过调整并行策略等方式，提升硬件利用率与通讯效率，缩短整体训练时间。

算法优化

算法优化和模型的训练效率和效果息息相关。每一个算法研究员，都希望模型在训练过程中快速收敛，这恰恰也是算法研究人员经验与企业长年技术积累的体现。通常情况下，在训练的过程中需要不断调整学习率、批量大小、层数等超参数，或使用自动调参的技巧和经验，才能快速、稳定的实现模型收敛。就像中餐大厨们用“少许、适量”的调料制作美味佳肴一样，里面包含着的是大厨们几十年的手艺，不是一朝一夕就能被批量复制的。

前途是光明的，道路是曲折的

想必，这是最适合送给现在想要开发出“中国的ChatGPT”的各路大佬们的一句话了。为规避未来的技术风险，不少厂商、科研机构也开始探索在自研算力服务平台上训练的可行性。北京智源人工智能研究院作为国内顶尖的人工智能领域研究机构，早早就探索了使用自研算力服务平台的可能性。同样是使用300B tokens的数据训练175B参数规模的模型，通过曙光提供的算力服务，训练周期只需29.10天，在节点规模接近的情况下，训练效率是其他算力平台的300%。

基于自研算力服务平台进行训练，不可避免的会带来更多的移植与调优工作。曙光智算强大的硬件与算法优化团队，在集群、并行策略、算子、工具包等方面的优化上与智源开展了深入的合作。首先，为保证程序能够正常运行，需要完成包括DeepSpeed/Megatron/Colossal-AI/apex等必要组件的适配工作。其次，程序系统顺利调度通常也需要调整调整操作系统配置及tcp协议参数等。训练的优化工作则主要包含以下三个方面：

算子层面：使用算子融合/算子优化等技术，深度挖掘硬件性能，提升硬件使用率；

策略层面：采用模型并行、数据并行、流水线并行、Zero等多级并行策略，实现超大规模训练；

集群层面：针对硬件的拓扑结构，对分布式训练通信、并行分组配比等进行定制优化，提升训练扩展比。

通过一系列的优化方法，最终也证明了我们可以在自研算力服务平台上，以能够对标国际水平的效率实现大模型的开发工作，这无疑为“中国的ChatGPT”的开发工作喂了一颗定心丸。希望在不久的将来，我们可以看到真正在自研算力平台上训练的，能与ChatGPT比肩的中文模型。

前途一定是光明的。

审核编辑 ：李倩