行業(yè)新資訊

浪潮信息Owen ZHU：大模型百花齊放，算力效率決定速度

時間：2023-08-31 23:08:55 發(fā)布：來源：浪潮信息第一對焦：浪潮信息

【ZiDongHua 之行業(yè)新資訊收錄關鍵詞：浪潮信息人工智能 NPCon大會 AI算力系統】

浪潮信息Owen ZHU：大模型百花齊放，算力效率決定速度

與狹義的人工智能相比，通用人工智能通過跨領域、跨學科、跨任務和跨模態(tài)的大模型，能夠滿足更廣泛的場景需求、實現更高程度的邏輯理解能力與使用工具能力。2023年，隨著 LLM 大規(guī)模語言模型技術的不斷突破，大模型為探索更高階的通用人工智能帶來了新的曙光。通用人工智能進入了快速發(fā)展期，在中國，大模型已經呈現出百花齊放的態(tài)勢，各種大模型層出不窮。

要想在"百模爭秀"的時代占得先機，AI開發(fā)團隊需要著力化解算力、算法、數據層面的巨大挑戰(zhàn)，而開發(fā)效率和訓練速度是保障大模型市場競爭力的核心關鍵因素，也是未來的核心發(fā)力點。近日，浪潮信息人工智能與高性能應用軟件部 AI 架構師Owen ZHU參與首屆由CSDN、《新程序員》聯合主辦的NPCon大會，發(fā)表重要技術演講，分享面向新一輪AIGC產業(yè)革命，AI大模型的算力系統解決之道，并強調算力、算法、數據和系統架構等多個方面的綜合優(yōu)化對大模型訓練到了至關重要的作用。

以下為Owen ZHU在NPCon大會的演講實錄整理：

"百模爭秀"時代的算力瓶頸

大模型研發(fā)的核心技術是由預訓練與Alignment組成的，第一部分就是預訓練，需要用大量的數據使模型收斂速度更快、性能更好。第二部分則是Alignment，Alignment不完全等于強化學習，其通過使用多種方式/策略優(yōu)化模型輸出，讓AI在和人的交流反饋中學會如何溝通表達，這兩部分是提升大模型質量的核心要素。

目前來看，模型基礎能力取決于數據、模型參數量和算力。模型參數量越大、投入的訓練數據越大，模型泛化能力越強。由于資源限制，在兩者不可兼得的時候，應該如何進行取舍呢？OpenAI的研究結論認為，與增加數據量相比，先增大模型參數量受益則會更好，用一千億的模型訓練兩千億的Token和兩千億模型訓練一千億的Token，后者的模型性能會更高。

由此可見，參數量是衡量模型能力的一個重要指標，當模型參數量增長超過一定閾值時，模型能力表現出躍遷式的提升，表現出來語言理解能力、生成能力、邏輯推理能力等能力的顯著提升，這也就是我們所說的模型的涌現能力。

模型規(guī)模多大能產生涌現能力呢？現在來看，百億參數是模型具備涌現能力的門檻，千億參數的模型具備較好的涌現能力。但這并不意味著模型規(guī)模就要上升到萬億規(guī)模級別的競爭，因為現有大模型并沒有得到充分訓練，如GPT-3的每個參數基本上只訓練了1-2個Token，DeepMind的研究表明，如果把一個大模型訓練充分，需要把每個參數量訓練20個Token。所以，當前的很多千億規(guī)模的大模型還需要用多10倍的數據進行訓練，模型性能才能達到比較好的水平。

無論是提高模型參數量還是提升數據規(guī)模，算力依舊是大模型能力提升的核心驅動力：需要用"足夠大"的算力，去支撐起"足夠精準"模型泛化能力。當前大模型訓練的算力當量還在進一步增大，從GPT-3到GPT-4算力當量增長了68倍。算力當量越大，交叉熵越小，模型能力越強。隨著訓練的token數、模型參數、計算量的增加，語言模型的loss在平滑下降，這就意味著大語言模型的精度可以隨著計算量、參數規(guī)模、token數擴展進一步提升。

欲煉大模型，先利其器

大模型能力來源于大量工程實踐經驗，預訓練的工程挑戰(zhàn)巨大，這表現在如下幾個方面：首先，AI大模型的演化對于集群的并行運算效率、片上存儲、帶寬、低延時的訪存等也都提出了較高的需求，萬卡AI平臺的規(guī)劃建設、性能調優(yōu)、算力調度都是很難解決的難題；其次，大規(guī)模訓練普遍存在硬件故障、梯度爆炸等小規(guī)模訓練不會遇到的問題；再次，工程實踐方面的缺乏導致企業(yè)難以在模型質量上實現快速提升。

作為最早布局大模型的企業(yè)之一，浪潮信息在業(yè)界率先推出了中文AI巨量模型"源1.0"，參數規(guī)模高達2457億。千億參數規(guī)模的大模型創(chuàng)新實踐，使得浪潮信息在大模型領域積累了實戰(zhàn)技術經驗并擁有專業(yè)的研發(fā)團隊，為業(yè)界提供AI算力系統參考設計。在算力效率層面，針對大模型訓練中存在計算模式復雜，算力集群性能較低的情況，源1.0在大規(guī)模分布式訓練中采用了張量并行、流水線并行和數據并行的三維并行策略，訓練耗時約15天，共計訓練了180 billion token，并將模型最后的loss值收斂至1.73，顯著低于GPT-3等業(yè)界其他語言模型。首次提出面向效率和精度優(yōu)化的大模型結構協同設計方法，圍繞深度學習框架、訓練集群IO、通信開展了深入優(yōu)化，在僅采用2x200G互聯的情況下，源1.0的算力效率達到45%，算力效率世界領先。在集群高速互聯層面，基于原生RDMA實現整個集群的全線速組網，并對網絡拓撲進行優(yōu)化，可以有效消除混合計算的計算瓶頸，確保集群在大模型訓練時始終處于最佳狀態(tài)。