一文帶你了解Transformer 大家族。
編者按：本文來自微信公眾號(hào) 機(jī)器之心（ID：almosthuman2014），作者：王子嘉，編輯：H4O，創(chuàng)業(yè)邦經(jīng)授權(quán)轉(zhuǎn)載，頭圖來源攝圖網(wǎng)
最近，大語言模型軍備戰(zhàn)爭(zhēng)占據(jù)了朋友圈的大部分篇幅，關(guān)于這些模型能做什么和有什么商業(yè)價(jià)值，已經(jīng)有很多文章探討。然而，作為一個(gè)在人工智能領(lǐng)域浸淫多年的小小研究員，我更關(guān)注的是這場(chǎng)軍備競(jìng)賽背后的技術(shù)原理，以及這些模型是如何工程化并造福人類的。相比于看這些模型怎樣賺錢和工程化以便為更多人帶來好處，我更想探索的是這個(gè)現(xiàn)象背后的原因，以及在 AI 取代人類之前，我們這些研究員還能為實(shí)現(xiàn) “被 AI 取代然后光榮退休” 做些什么。
(資料圖)
三年前，當(dāng) GPT-3 在技術(shù)界掀起軒然大波時(shí)，我曾嘗試以史書的方式剖析 GPT 背后的龐大家族。我按時(shí)間順序梳理了 GPT 背后的技術(shù)脈絡(luò)（圖 1），并試圖解釋 GPT 的成功背后的技術(shù)原理。今年，GPT-3 的小兒子 ChatGPT 似乎更加聰明，能夠用聊天的方式與人交流，這讓更多人了解了自然語言處理領(lǐng)域的最新進(jìn)展。在這個(gè)歷史性的時(shí)刻，作為 AI 史官，我們或許應(yīng)該花些時(shí)間回顧一下最近幾年發(fā)生了什么。第一篇文章是以 GPT-3 作為起點(diǎn)，所以這個(gè)系列其實(shí)是對(duì)于后 GPT 時(shí)代的記錄（后 GPT 書），而在探索 GPT 家族的變化時(shí)，我意識(shí)到大多數(shù)故事都與 Transformer 有關(guān)，因此這篇文章的名字就是 Transformer 世家。
圖 1. GPT 舊族譜
前情回顧在正式開始介紹 Transformer 世家前，我們先按照?qǐng)D 1 回顧一下過去發(fā)生了什么。從 Word Embedding [1,2] 開始，向量（一串?dāng)?shù)字）以一種奇特但有效的方式將文字的語義包含了進(jìn)來，圖 2 展示這種表征方式的說明：用數(shù)字表示的（國(guó)王 - 男人 + 女人 = 女王）。以這個(gè)為基礎(chǔ)，這一支龐大的 NLP（自然語言處理）家族就創(chuàng)立了。
圖 2. Word2Vec 圖解 (King - Man + Woman = Queen)
在這之后，他的大兒子 ELMo [3] 發(fā)現(xiàn)了語境的重要性，比如以下兩句話：
與此同時(shí)，Word Embedding 的一個(gè)遠(yuǎn)房表親發(fā)現(xiàn)了另一個(gè)問題 —— 人在理解一句話的時(shí)候，是會(huì)有重點(diǎn)的關(guān)注一部分詞的，一個(gè)很明顯的現(xiàn)象就是我們?cè)谧x自己母語的時(shí)候很多錯(cuò)別字會(huì)被輕易地忽略掉，這是因?yàn)槲覀冊(cè)诶斫膺@段話的時(shí)候注意力并不在這上面。因此，他提出了 Attention（注意力）機(jī)制 [4]，但是此時(shí)的 Attention 機(jī)制很初期，并不能單獨(dú)工作，因此只能依附在類似于 RNN，LSTM 這種序列模型上。圖 3 展示了 attention 機(jī)制與 RNN 的結(jié)合過程，也說明了為什么 Attention 自身無法單獨(dú)工作。這里簡(jiǎn)單說一下 NLP 模型的工作過程，首先我們有一句話，比如 “我愛你中國(guó)”，這就是五個(gè)字符，可以變成圖 3 里的 x_1-x_5，然后每個(gè)字符會(huì)變成剛剛所說的 word embedding (一串?dāng)?shù)字)，也就是圖 3 里的 h_1-h_5，然后他們?cè)僮詈笞兂奢敵?，比?“I love China”（翻譯任務(wù)），也就是圖 3 里的 x_1’-x_3’。圖 3 里剩下沒說的部分就是 attention 機(jī)制了，也就是圖 3 里的 A，他相當(dāng)于給每個(gè) h 賦予了一個(gè)權(quán)重，這樣我們就知道在轉(zhuǎn)換當(dāng)前這個(gè)詞的時(shí)候，哪些字比較重要了。具體的細(xì)節(jié)可以參考我最開始寫的那篇文章（從 word2vec 開始，說下 GPT 龐大的家族系譜 ）。可以看出，這里的數(shù)字表征是整個(gè)任務(wù)的基礎(chǔ)，這也是為什么 Attention 機(jī)制無法單獨(dú)工作的原因。
圖 3. 早期照片 - Attention 與 RNN 強(qiáng)強(qiáng)聯(lián)合（source: Attention for RNN Seq2Seq Models (1.25x speed recommended) - YouTube）
此時(shí)，作為驕傲的皇族直系親屬，Transformer 不認(rèn)可這種依附他人的工作方式，在論文 “Attention is all you need”（你只需要注意力機(jī)制就夠了）[5] 中提出了自己獨(dú)立的方式， 將 “注意力機(jī)制” 加了一個(gè)字變成了 “自注意力機(jī)制”，只用注意力機(jī)制就能生成那串?dāng)?shù)字。我們用中醫(yī)開藥來說明這個(gè)變化。最開始的 Attention 機(jī)制可以說是每種材料的劑量，但是最終去拿藥的時(shí)候，藥品是存在 RNN 或者 LSTM 這種采藥者手里的，我們開出的藥方當(dāng)然也要基于藥房（RNN、LSTM）里有什么藥。Transformer 做的只是將采藥權(quán)要了回來（加入了 value 矩陣），然后換了一種開藥方的方式（加入 key 和 query 矩陣）。此時(shí)，Source 可以看作一個(gè)中藥鋪?zhàn)拥膬?chǔ)物箱，儲(chǔ)物箱里的藥品由地址 Key（藥品名）和值 Value（藥品）組成，當(dāng)前有個(gè) Key=Query（藥方）的查詢，目的是取出儲(chǔ)物箱里對(duì)應(yīng)的 Value 值（藥品），即 Attention 數(shù)值。通過 Query 和儲(chǔ)物箱內(nèi)元素 Key 的地址進(jìn)行相似性比較來尋址，之所以說是軟尋址，指的是我們不只從儲(chǔ)物箱里面找出一中藥物，而是可能從每個(gè) Key 地址都會(huì)取出內(nèi)容，取出內(nèi)容的重要性（量的多少）根據(jù) Query 和 Key 的相似性來決定，之后對(duì) Value 進(jìn)行加權(quán)求和，這樣就可以取出最終的 Value 值（一副中藥），也即 Attention 值。所以不少研究人員將 Attention 機(jī)制看作軟尋址的一種特例，這也是非常有道理的 [6]。
從此之后，Transformer 正式開始帶領(lǐng)家族走向繁榮。
Transformer 繼位其實(shí)從圖 1 也可以看出，transformer 就是爺爺家族里子嗣最旺盛的一支了，也證實(shí)了當(dāng)年”Attention is all you need” 這個(gè)題目狂的確實(shí)有理有據(jù)。雖然剛剛講過他提出的自注意力機(jī)制是什么，前面那篇文章 (從 word2vec 開始，說下 GPT 龐大的家族系譜 ) 已經(jīng)詳細(xì)講過 transformer 的演化過程了，這里還是快速給新來的同學(xué)回顧一下 transformer 這個(gè)架構(gòu)到底是什么。
簡(jiǎn)單來說，我們可以將 Transformer 看作一個(gè) “演員”，對(duì)這個(gè) “演員” 來說，編碼器就像是演員的記憶，負(fù)責(zé)將臺(tái)詞轉(zhuǎn)化為一個(gè)中間表示（抽象成腦海里我們不知道是什么的東西，也就是演員的理解），而解碼器則像是演員的表演，負(fù)責(zé)將腦海里的理解轉(zhuǎn)化成熒幕上的展示。這里面最重要的自注意力機(jī)制則充當(dāng)了演員的專注力，能夠自動(dòng)調(diào)整演員在不同位置的注意力，從而更好地理解所有臺(tái)詞，使其在不同的情境中表演得更加自然流暢。
更具體一點(diǎn)來說，我們可以將 Transformer 看作一個(gè)大型 “語言處理工廠”。在這個(gè)工廠中，每個(gè)工人（編碼器）都負(fù)責(zé)處理輸入序列中的一個(gè)位置（比如說一個(gè)字），對(duì)其進(jìn)行加工和轉(zhuǎn)換，然后將其傳遞給下一個(gè)工人（編碼器）。每個(gè)工人都有一份詳細(xì)的工作說明書（自注意力機(jī)制），其中詳細(xì)描述了如何處理當(dāng)前位置的輸入以及如何與前面的位置建立關(guān)聯(lián)。在這個(gè)工廠中，每個(gè)工人都可以同時(shí)處理自己的任務(wù)，因此整個(gè)工廠可以高效地處理大量的輸入數(shù)據(jù)。
Transformer 一登場(chǎng)，直接因?yàn)槠鋸?qiáng)大的實(shí)力和兩個(gè)爭(zhēng)氣的兒子（BERT 和 GPT）毫無懸念的奪下皇位。BERT (Bidirectional Encoder Representations from Transformers) [1] 繼承了 Transformer 的 Encoder 部分，贏得了前半程比賽，但是因?yàn)槠湎拗菩?，在通用性上輸給了 GPT。老實(shí)的 GPT （Generative Pre-trained Transformer）[7-10] 繼承了 Decoder 部分，老老實(shí)實(shí)從頭學(xué)起，學(xué)習(xí)人類的交流方式，最終在后半程實(shí)現(xiàn)了了反超。
當(dāng)然，Transformer 的野心顯然不止于此，”Attention is all you need”，指的并不只是 NLP 領(lǐng)域。在介紹 GPT 和 BERT 之間的恩怨情仇之前，先看看他們老當(dāng)益壯的父親都做了些什么吧。
新族譜 - 諸侯林立在了解了 Transformer 的機(jī)制之后，我們可以來看看在 Transformer 的強(qiáng)力發(fā)展下，Transformer 世家現(xiàn)在發(fā)展到什么程度了（新族譜）。從前面的 “演員” 例子可以看出，Transformer 代表了一種符合人類邏輯的學(xué)習(xí)方式，因此它不僅可以處理文字，還可以處理圖像。圖 2 總結(jié)了 Transformer 世家強(qiáng)大的家族背景。除了讓 GPT 和 BERT 在最開始的 NLP（自然語言處理）領(lǐng)域繼續(xù)開疆裂土外，Transformer 還開始涉足計(jì)算機(jī)視覺領(lǐng)域。它的小兒子（谷歌提出的 ViT 等）也在這個(gè)領(lǐng)域發(fā)光發(fā)熱。2021 年，Vision Transformer 迎來了大爆發(fā)，一大批基于 Vision Transformer 的工作席卷了計(jì)算機(jī)視覺任務(wù)。自然而然地，作為一個(gè)世家，Transformer 家族總會(huì)互通有無，連接文本和圖像（AI 作畫）的 CLIP 應(yīng)運(yùn)而生。2022 年底，Stable Diffusion 在 ChatGPT 之前風(fēng)光無限。除此之外，CLIP 還為 Transformer 世家打開了多模態(tài)的新大門。除了文字和圖像，文字是否也能做音樂，是否也能畫圖？多模態(tài)和多任務(wù) Transformer 也應(yīng)運(yùn)而生?？傊總€(gè)領(lǐng)域都是一個(gè)諸侯，一個(gè) NLP 領(lǐng)域白手起家的 Transformer，在努力發(fā)展后成了可以分封諸侯的 “周王”。
諸侯林立，當(dāng)是盛世。
圖 4. Transformer 世家日益繁盛的家族族譜
牛刀小試 - Vision Transformer [12]在說 GPT 之前，還是要先說說 Transformer 做出的第一個(gè)大膽嘗試 - 那就是讓小兒子去摻和 CV 領(lǐng)域。先看看小兒子生平：
其父親 Transformer 出生于 2017 年一篇叫做 Attention is All You Need 的論文中。
2019 年，Google 提出了一種 Vision Transformer（ViT）的架構(gòu)，可以直接處理圖像，而不需要使用卷積層（CNN）。論文題目一如既往的直白：“An image is worth 16x16 words”（一張圖片就是 16*16 個(gè)詞）。如圖 5 所示，它的基本思想是把輸入的圖像分成一系列的小塊，每個(gè)小塊可以理解成過去處理文章時(shí)候的一個(gè)文字，然后把這些小塊轉(zhuǎn)換成向量，就像在普通的 Transformer 中處理文字一樣。如果說在自然語言處理（NLP）領(lǐng)域，Transformer 的注意力機(jī)制試圖捕捉文本中不同單詞之間的關(guān)系，那么在計(jì)算機(jī)視覺（CV）領(lǐng)域，ViT 則試圖捕捉圖像中不同部分之間的關(guān)系。
圖 5. ViT 如何處理圖片（source: Are Transformers better than CNN’s at Image Recognition? | by Arjun Sarkar | Towards Data Science）
在那之后，各種基于 Transformer 的模型層出不窮，而且在相應(yīng)的任務(wù)上都取得了超越 CNN 的成績(jī)。那 Transformer 的優(yōu)勢(shì)是什么呢，我們先回到電影的例子上，看看 Transformer 和 CNN 的區(qū)別：
想象你是一位導(dǎo)演，要拍攝一部電影，你需要給演員安排好位置，把不同的元素放在合適的位置上，比如說，將演員放在適當(dāng)?shù)谋尘跋?，使用合適的光線，使整個(gè)畫面看起來和諧美觀。對(duì)于 CNN 來說，它像是一個(gè)專業(yè)的攝影師，會(huì)逐像素地拍攝每一幀畫面，然后從中提取出一些邊緣、紋理等低層次特征。然后，它將這些特征組合起來，形成更高層次的特征，例如人臉、動(dòng)作等，最終得到一幀畫面。隨著電影的進(jìn)行，CNN 會(huì)不斷重復(fù)這個(gè)過程，直到完成整部電影的拍攝。
而對(duì)于 ViT 來說，它像是一個(gè)藝術(shù)指導(dǎo)，會(huì)把整個(gè)畫面看作是一個(gè)整體，考慮到背景、光線、顏色等因素，為每個(gè)演員分配合適的位置和角度，創(chuàng)造出一個(gè)完美的畫面。然后，ViT 會(huì)把這些信息匯總成一個(gè)向量，并使用多層感知器對(duì)它們進(jìn)行處理，最終得到一幀畫面。隨著電影的進(jìn)行，ViT 會(huì)不斷重復(fù)這個(gè)過程，直到完成整部電影的創(chuàng)作。
回到圖像處理任務(wù)上，假設(shè)我們有一張 224x224 像素的貓的圖片，我們想要用一個(gè)神經(jīng)網(wǎng)絡(luò)對(duì)它進(jìn)行分類。如果我們使用傳統(tǒng)的卷積神經(jīng)網(wǎng)絡(luò)，它可能會(huì)采用多個(gè)卷積層和池化層來逐漸縮小圖像的大小，最終得到一個(gè)較小的特征向量，然后通過全連接層進(jìn)行分類。這種方法的問題是，在卷積和池化的過程中，我們會(huì)逐漸丟失圖像中的信息，因?yàn)槲覀儾荒芡瑫r(shí)考慮所有像素點(diǎn)之間的關(guān)系。此外，由于卷積和池化層的順序限制，我們無法進(jìn)行全局的信息交互。相比之下，如果我們使用 Transformer 和 self-attention 機(jī)制來處理這個(gè)圖像，我們可以直接將整個(gè)圖像視為一個(gè)序列，并對(duì)它進(jìn)行 self-attention 計(jì)算。這種方法不會(huì)丟失任何像素點(diǎn)之間的關(guān)系，并且可以進(jìn)行全局的信息交互。
此外，由于 self-attention 計(jì)算是可并行化的，因此我們可以同時(shí)處理整個(gè)圖像，大大加快了計(jì)算速度。舉個(gè)例子，假設(shè)我們有一個(gè)句子：“I like to eat ice cream”, 其中包含 6 個(gè)單詞?，F(xiàn)在假設(shè)我們正在使用一個(gè)基于自注意力機(jī)制的模型來理解這個(gè)句子，Transformer 可以：
最小化每層的總計(jì)算復(fù)雜度：基于自注意力機(jī)制的模型中，我們只需要計(jì)算每個(gè)單詞與所有其他單詞之間的注意力權(quán)重，這樣每一層的計(jì)算量只取決于輸入長(zhǎng)度而不是隱藏層的大小。在這個(gè)例子中，輸入長(zhǎng)度為 6 個(gè)單詞，因此每一層的計(jì)算復(fù)雜度只取決于這 6 個(gè)單詞的數(shù)量。
最大化可并行化的計(jì)算量：基于自注意力機(jī)制的模型可以同時(shí)計(jì)算每個(gè)單詞與其他所有單詞之間的注意力權(quán)重，因此計(jì)算可以高度并行化，從而加速模型的訓(xùn)練和推斷。
然而，ViT 需要大規(guī)模數(shù)據(jù)集和高分辨率圖像才能發(fā)揮其全部潛力 ，因此，雖然 Vision Transformers 在 CV 領(lǐng)域表現(xiàn)不凡，CNN 在計(jì)算機(jī)視覺領(lǐng)域的應(yīng)用和研究仍然更為廣泛，并且在目標(biāo)檢測(cè)和分割等任務(wù)中具有優(yōu)勢(shì) 。
但是沒關(guān)系，你做的已經(jīng)夠好了，你父親涉足 CV 的初衷也不是為了取代 CNN，他有更宏大的目標(biāo)。
這個(gè)目標(biāo)的基礎(chǔ)，就是前面我說的 “此外”。
初露崢嶸 - CLIP [13]前面我說過，Transformer 還有更宏大的目標(biāo)，那就是 “大模型”，超級(jí)超級(jí)大的模型。除了我在前一篇文章里說的 transformer 可以更好地獲得全局信息外，更小的計(jì)算復(fù)雜度和更好的并行度成為了支撐大模型的基礎(chǔ)。
2021 年，除了 Vision Transformer 有了長(zhǎng)足進(jìn)展以外，GPT 那一支還在緊鑼密鼓的籌備 GPT3.5，閑不下來的勞模 Transformer 又引領(lǐng)了一個(gè)新的高潮 —— 連結(jié)文本和圖像。這個(gè)高潮也為 “大模型” 計(jì)劃打響了除 NLP 領(lǐng)域外的第一槍。而此時(shí)，Transformer 在視覺任務(wù)上的缺點(diǎn)，在這里反而變成了優(yōu)勢(shì)?！盫iT 需要大規(guī)模數(shù)據(jù)集和高分辨率圖像才能發(fā)揮其全部潛力 “如果換個(gè)說法，就是 “ViT 可以處理大規(guī)模數(shù)據(jù)集和高分辨率圖像”。
老規(guī)矩，先說 CLIP 是什么。
CLIP 的全稱是 Contrastive Language-Image Pre-Training，很明顯其基本思想就是傳統(tǒng) CV 領(lǐng)域里的對(duì)比學(xué)習(xí) (Contrastive learning)。當(dāng)我們學(xué)習(xí)新知識(shí)時(shí)，我們會(huì)閱讀不同的書籍和文章，獲取大量的信息。但是，我們并不是只記住了每個(gè)書籍或文章中的所有單詞和句子。相反，我們會(huì)試圖找到這些信息之間的相似性和區(qū)別。例如，我們可能會(huì)注意到在不同的書中，某個(gè)主題的描述方式和關(guān)鍵概念的表述方式可能會(huì)有所不同，但它們所描述的概念本質(zhì)上是相同的。這種尋找相似性和區(qū)別的方式就是對(duì)比學(xué)習(xí)的基本思想之一。我們可以將每本書或文章看作不同的樣本，而相同主題的書籍或文章可以被視為來自同一類別的不同實(shí)例。在對(duì)比學(xué)習(xí)中，我們會(huì)訓(xùn)練模型來學(xué)習(xí)如何區(qū)分這些不同類別的樣本，以此來學(xué)習(xí)它們的相似性和區(qū)別。
接下來更學(xué)術(shù)一點(diǎn)，假設(shè)你想訓(xùn)練一個(gè)模型來識(shí)別汽車品牌。你可以有一組帶標(biāo)簽的汽車圖像，每個(gè)圖像都有一個(gè)品牌標(biāo)簽，例如 “奔馳”、“寶馬”、“奧迪” 等等。在傳統(tǒng)的監(jiān)督學(xué)習(xí)中，您可以將圖像和品牌標(biāo)簽一起輸入模型，并讓模型學(xué)習(xí)如何預(yù)測(cè)正確的品牌標(biāo)簽。
但在對(duì)比學(xué)習(xí)中，你可以使用未標(biāo)記的圖像來訓(xùn)練模型。假設(shè)你有一組未標(biāo)記的汽車圖像，你可以將這些圖像分為兩組：正樣本和負(fù)樣本。正樣本是同一品牌的不同角度的圖像，而負(fù)樣本是不同品牌的圖像。接下來，就可以使用對(duì)比學(xué)習(xí)來訓(xùn)練模型，以便將同一品牌的正樣本彼此靠近，而將不同品牌的負(fù)樣本彼此遠(yuǎn)離。這樣，模型可以學(xué)會(huì)從圖像中提取品牌特定的特征，而不必明確地告訴它每個(gè)圖像的品牌標(biāo)簽。
很明顯，這是一個(gè)自監(jiān)督學(xué)習(xí)模型，CLIP 也是一個(gè)類似的自監(jiān)督學(xué)習(xí)模型，只不過它的目標(biāo)是將語言和圖像聯(lián)系起來，從而使計(jì)算機(jī)能夠理解文本和圖像之間的關(guān)系。
想象你正在學(xué)習(xí)一組詞匯表，其中每個(gè)單詞都有其定義和相應(yīng)的圖像。對(duì)于每個(gè)單詞和其對(duì)應(yīng)的圖像，你可以將它們視為一對(duì)（pair）。你的任務(wù)是找出這些單詞和圖像之間的相互關(guān)系，即哪些單詞與哪些圖像匹配，哪些不匹配。
如圖 6 所示，對(duì)于對(duì)比學(xué)習(xí)算法而言，這些單詞和圖像對(duì)就是所謂的 “anchor”（錨定樣本）和 “positive”（正樣本）?！癮nchor” 指的是我們想要學(xué)習(xí)的對(duì)象，而 “positive” 則是與 “anchor” 匹配的樣本。與之相對(duì)的是 “negative”（負(fù)樣本），即與 “anchor” 不匹配的樣本。
在對(duì)比學(xué)習(xí)中，我們將 “anchor” 和 “positive” 組成一對(duì)，并嘗試將它們區(qū)分開來。同時(shí)，我們也會(huì)將 “anchor” 和 “negative” 組成一對(duì)，并嘗試將它們區(qū)分開來。這個(gè)過程可以理解為是在尋找 “anchor” 和 “positive” 之間的相似性，以及在排除 “anchor” 和 “negative” 之間的相似性。
圖 6. 對(duì)比學(xué)習(xí)（Contrastive Learning）圖示 [14]。Anchor 就是原始圖像，positives 一般是經(jīng)過裁切、旋轉(zhuǎn)后的原始圖像，或是已知的相同類別的圖像，negatives 可以被簡(jiǎn)單粗暴的定義為未知的圖像（有可能是同一類別），或者是已知的不同類別的圖像。
為了達(dá)到這個(gè)目標(biāo)，CLIP 首先對(duì)大量的圖像和文本進(jìn)行預(yù)訓(xùn)練，然后使用預(yù)訓(xùn)練的模型進(jìn)行下游任務(wù)，例如分類、檢索和生成等。CLIP 模型采用了一種新的自監(jiān)督學(xué)習(xí)方法，即同時(shí)處理文本和圖像，通過訓(xùn)練來學(xué)習(xí)如何將它們聯(lián)系起來。它在文本和圖像之間共享注意力機(jī)制，并使用一組簡(jiǎn)單的可調(diào)參數(shù)來學(xué)習(xí)這個(gè)映射。它用的是基于 transformer 的文本編碼器和基于 CNN 的圖像編碼器，然后計(jì)算圖像和文本嵌入之間的相似度。CLIP 通過使用對(duì)比學(xué)習(xí)目標(biāo)來學(xué)習(xí)關(guān)聯(lián)圖像和文本，該目標(biāo)最大化數(shù)據(jù)中存在的圖像 - 文本對(duì)之間的一致性，并最小化隨機(jī)采樣的圖像 - 文本對(duì)之間的一致性。
圖 7. CLIP 圖示 [13]。相比圖 6，可以簡(jiǎn)單理解成圖 6 中的 positive 和 negative 都是文字了。
舉個(gè)例子，如果我們想用 CLIP 來識(shí)別一張圖片是否是 "紅色的沙灘"，我們可以輸入這個(gè)文本描述和一張圖片，CLIP 將生成一個(gè)向量對(duì)來表示它們的聯(lián)系。如果這個(gè)向量對(duì)的距離很小，那么就說明這張圖片可能是 "紅色的沙灘"，反之則不是。通過這種方法，CLIP 可以實(shí)現(xiàn)圖像分類和圖像搜索等任務(wù)。
回到全稱，CLIP 的最后一個(gè)詞是 pretraining，所以其本質(zhì)還是預(yù)訓(xùn)練模型，但是它可以用于涉及匹配圖像和文本的各種下游任務(wù)，例如圖像分類、零樣本學(xué)習(xí)和圖像描述生成等。例如，CLIP 可用于將圖像分類為自然語言標(biāo)簽給出的類別，例如 “狗的照片” 或 “風(fēng)景畫”。CLIP 還可用于通過使用以 CLIP 提取的圖像特征為條件的語言模型來為圖像生成說明文字。此外，CLIP 可用于通過使用以 CLIP 提取的文本特征為條件的生成模型從文本生成圖像。
DALL-E & Stable Diffusion在 CLIP 的幫助下，一個(gè)新的諸侯崛起了 - 他叫 AIGC（AI generated content）。其實(shí) ChatGPT 本質(zhì)上也是 AIGC 的一種，但是在這個(gè)小節(jié)，我們主要說的是 AI 作畫。先來看看 AI 作畫這個(gè)小家族的發(fā)展史：
2021.01，OpenAI 發(fā)布 DALL-E [15]（AI 作畫軟件），它改進(jìn)了 GPT-3 從而讓 GPT-3 生成圖像，而不是文本 （Image Transformer Network）
幾乎同時(shí)（2021.01），OpenAI 發(fā)布 CLIP [13]
2021.05，Google Brain 和 DeepMind 發(fā)布 Stable diffusion [17]，并持續(xù)迭代新版本。它采用 frozen CLIP 文本編碼器來根據(jù)文本提示調(diào)整模型。Stable diffusion 將圖像生成過程分解為運(yùn)行時(shí)的 “擴(kuò)散”（diffusion）過程。從僅有的噪聲開始，它逐漸修正圖像，直到?jīng)]有任何噪聲，讓其更接近提供的文本描述。
2022.04，DALL-E-2 [16] 發(fā)布。它可以根據(jù)自然語言的描述創(chuàng)建逼真的圖像和藝術(shù)品。DALL-E-2 采用由先驗(yàn)和解碼器組成的兩部分模型。先驗(yàn)是一個(gè) GPT-3 模型，根據(jù)文本提示生成 CLIP 圖像嵌入。解碼器是一個(gè)擴(kuò)散模型，根據(jù) CLIP 嵌入生成圖像。DALL-E-2 還可以進(jìn)行 outpainting, inpainting，以及對(duì)現(xiàn)有圖像的變化。
這個(gè)家族的脈絡(luò)可見一斑，大哥 CLIP 連結(jié)了圖像和文本，其雙胞胎兄弟 DALL-E 順勢(shì)提出了文本到圖像的任務(wù)。為了改進(jìn)這個(gè)任務(wù)，一個(gè)遠(yuǎn)房表親 Stable diffusion 改進(jìn)了生成圖像的算法，最后 DALL-E-2 取長(zhǎng)補(bǔ)短，結(jié)合了 GPT-3，CLIP 以及 stable diffusion 的優(yōu)勢(shì)，完成了自己的 AI 作畫系統(tǒng)。
對(duì)于最開始的 DALL-E, 假設(shè)你是一位畫家，而 DALL-E 就是你的工具箱。在這個(gè)比喻中，工具箱中有兩個(gè)主要的工具：一個(gè)是畫筆，另一個(gè)是調(diào)色板。
畫筆是 DALL-E 的解碼器，它可以將給定的文字描述轉(zhuǎn)換為一張圖像。調(diào)色板則是 DALL-E 的編碼器，它可以將任意的文字描述轉(zhuǎn)化為一個(gè)特征向量。
當(dāng)你得到一句文字描述時(shí)，你會(huì)首先用調(diào)色板來生成一個(gè)特征向量。然后你就可以拿起畫筆，并使用特征向量來生成一張與描述相符的圖像。當(dāng)你需要細(xì)節(jié)時(shí)，你會(huì)使用更精細(xì)的畫筆，反之則會(huì)使用更粗糙的畫筆。
與畫家不同的是，DALL-E 使用的是神經(jīng)網(wǎng)絡(luò)，而不是畫筆和調(diào)色板。這個(gè)神經(jīng)網(wǎng)絡(luò)使用了一種名為 Image Transformer Network 的結(jié)構(gòu)。在生成圖像時(shí)，DALL-E 使用先前提到的 GPT-3 模型生成與文本描述相對(duì)應(yīng)的 CLIP 圖像嵌入。然后，DALL-E 使用束搜索算法生成一系列可能的圖像，這些圖像與輸入的文本描述相匹配，并將它們送入一個(gè)解碼器來生成最終的圖像。這種嵌入向量是通過使用稱為對(duì)比學(xué)習(xí)的技術(shù)來訓(xùn)練的，該技術(shù)可以將相似的圖像和文本嵌入到相鄰的空間中，以便更容易地將它們組合起來。注意，這里 DALLE 并沒有直接包含 CLIP，但是它使用了 CLIP 的文本和圖像嵌入來訓(xùn)練變換器和 VAE。
至于在生成圖像過程中使用的束搜索算法，實(shí)際上是一種貪心搜索算法，它可以在有限的候選集合中找到最優(yōu)的序列。束搜索的基本思想是，每次擴(kuò)展當(dāng)前序列時(shí)，只保留概率最高的 k 個(gè)候選（k 稱為束寬度），并舍棄其他低概率的候選。這樣可以減少搜索空間，提高效率和準(zhǔn)確度。DALLE 中使用束搜索生成圖像的具體步驟如下：
將輸入的文本描述編碼為一個(gè)向量，并作為變換器模型的初始輸入。
從一個(gè)特殊的開始符號(hào)開始，逐像素地生成圖像序列。每次生成一個(gè)像素時(shí)，都用變換器模型預(yù)測(cè)下一個(gè)像素的概率分布，并從中選擇概率最高的 k 個(gè)候選像素，作為當(dāng)前序列的延伸。
對(duì)每個(gè)延伸后的序列，計(jì)算其累積概率，并保留概率最高的 k 個(gè)序列，舍棄其他序列。
重復(fù)步驟 2 和 3，直到生成一個(gè)特殊的結(jié)束符號(hào)或達(dá)到最大長(zhǎng)度限制。
返回概率最高的序列作為最終生成的圖像。
同樣一幅畫，stable diffusion 是怎么畫的呢？當(dāng)我們想要畫一幅藝術(shù)作品時(shí)，通常需要一個(gè)良好的構(gòu)圖和一些具體的元素來構(gòu)建。Stable diffusion 就是這樣一種生成圖像的方法，它將圖像生成的過程分成了兩個(gè)部分：擴(kuò)散過程和重構(gòu)過程。擴(kuò)散過程可以想象成是將一堆零散的畫筆、顏料和畫板混合在一起，慢慢地在畫板上創(chuàng)造出越來越多的元素。這個(gè)過程中，我們并不知道最終畫面會(huì)是什么樣子，也無法確定每個(gè)元素最終的位置。但是，我們可以逐漸添加和調(diào)整這些元素，直到整幅畫完成。然后，輸入的文本描述就像是我們對(duì)于要畫的作品的大致描述，通過束搜索算法來在文本描述和生成的圖像之間進(jìn)行精細(xì)的匹配。這個(gè)過程就像是我們?cè)诓粩嗟匦薷暮驼{(diào)整元素，讓它們更好地匹配我們想要的畫面。最終，生成的圖像將與文本描述緊密匹配，呈現(xiàn)出我們想象中的藝術(shù)作品。
如圖 8 所示，這里的擴(kuò)散模型是一種生成模型，它通過逐漸向數(shù)據(jù)添加噪聲，然后逆向恢復(fù)原始數(shù)據(jù)的過程來學(xué)習(xí)數(shù)據(jù)的分布。stable diffusion 使用了一個(gè)預(yù)訓(xùn)練的變分自編碼器（VAE）來將圖像編碼成低維潛在向量，并使用一個(gè)基于變換器的擴(kuò)散模型來從潛在向量生成圖像。stable diffusion 還使用了一個(gè)凍結(jié)的 CLIP 文本編碼器來將文本提示轉(zhuǎn)換成圖像嵌入，從而對(duì)擴(kuò)散模型進(jìn)行條件化。
圖 8. Stable Diffusion 過程。首先是上面的箭頭，一張圖片被不斷加入噪聲，最后變成純?cè)肼晥D，然后走下面的箭頭，逐漸消除噪聲，然后重建最開始的圖片。（圖源：From DALL?E to Stable Diffusion: how do text-to-image generation models work? | Tryolabs）
值得注意的是，Stable Diffusion 中的擴(kuò)散過程是一種隨機(jī)的過程，因此每次生成的圖像都會(huì)有所不同，即使是相同的文本描述。這種隨機(jī)性使得生成的圖像更加多樣化，同時(shí)也增加了算法的不確定性。為了讓生成的圖像更加穩(wěn)定，Stable Diffusion 使用了一些技巧，如在擴(kuò)散過程中加入逐步增加的噪聲，以及使用多次重構(gòu)過程來進(jìn)一步提高圖像質(zhì)量。
Stable Diffusion 在 DALL-E 的基礎(chǔ)上有了很大的進(jìn)步：
分辨率：stable diffusion 可以生成高達(dá) 1024×1024 像素的圖像，而 DALL-E 目前只能生成 256×256 像素的圖像。
速度：stable diffusion 需要進(jìn)行多次迭代才能生成圖像，因此速度較慢。DALL-E 則可以一次性生成圖像，因此速度較快。
靈活性：stable diffusion 可以對(duì)現(xiàn)有的圖像進(jìn)行擴(kuò)畫、修補(bǔ)和變化，而 DALL-E 只能從文本提示生成圖像。
真實(shí)性：stable diffusion 可以生成更真實(shí)和細(xì)致的圖像，尤其是在復(fù)雜和抽象的描述下。DALL-E 則可能生成一些不符合物理規(guī)律或常識(shí)的圖像。
這也是為什么 DALL-E-2 也將擴(kuò)散模型加入到其模型中去了。
潛伏的強(qiáng)者 - GPT3.5 [18] & Instruct GPT [19]在其他諸侯把改革開展的如火如荼的時(shí)候，GPT 這一支也一直在默默努力著。開頭說過，GPT-3 剛發(fā)布的時(shí)候已經(jīng)有很強(qiáng)的能力了，但是使用方式不那么 “非技術(shù)人員友好”，所以掀起的浪花都是在技術(shù)界，這些本就不算很熱烈的浪花，又因?yàn)樗坏偷氖召M(fèi)而日益消散。
Transformer 十分不滿意，GPT 想了想，那就改革！
第一個(gè)響應(yīng)改革號(hào)召，邁出第一步的是 GPT 3.5：
“我比較笨，想不出什么好辦法改革，那就先把基礎(chǔ)打牢吧。”
于是，GPT3.5 基于 GPT-3 ，使用了一種叫做 Text+Code 的訓(xùn)練數(shù)據(jù)，即在文本數(shù)據(jù)的基礎(chǔ)上，增加了一些編程代碼的數(shù)據(jù)。簡(jiǎn)單來說，就是用了更大的數(shù)據(jù)集。這樣可以使模型更好地理解和生成代碼，提高模型的多樣性和創(chuàng)造性。Text+Code 是一種基于文本和代碼的訓(xùn)練數(shù)據(jù)，它是由 OpenAI 從網(wǎng)上收集并整理的。它包括兩部分：文本和代碼。文本是一些用自然語言描述的內(nèi)容，如文章、評(píng)論、對(duì)話等。代碼是一些用編程語言編寫的內(nèi)容，如 Python、Java、HTML 等。
Text+Code 訓(xùn)練數(shù)據(jù)可以使模型更好地理解和生成代碼，提高模型的多樣性和創(chuàng)造性。例如，在編程任務(wù)中，模型可以根據(jù)文本描述生成相應(yīng)的代碼，并且代碼具有較高的正確性和可讀性。在內(nèi)容生成任務(wù)中，模型可以根據(jù)代碼描述生成相應(yīng)的文本，并且文本具有較高的一致性和有趣性。Text+Code 訓(xùn)練數(shù)據(jù)也可以使模型更好地處理多語言，多模態(tài)，多領(lǐng)域的數(shù)據(jù)和任務(wù)。例如，在語言翻譯任務(wù)中，模型可以根據(jù)不同語言之間的對(duì)應(yīng)關(guān)系，進(jìn)行準(zhǔn)確和流暢的翻譯。在圖像生成任務(wù)中，模型可以根據(jù)文本或代碼描述，生成相應(yīng)的圖像，并且圖像具有較高的清晰度和逼真度。
第二個(gè)響應(yīng)號(hào)召的是 Instruct GPT，他發(fā)現(xiàn)了新的問題：
“要想跟人類打成一片，我們就需要更有效的聽取他們的意見。”
于是，出現(xiàn)了大名鼎鼎的新晉外援，也就是 RLHF 訓(xùn)練策略。RLHF 是一種基于強(qiáng)化學(xué)習(xí)的訓(xùn)練策略，它的全稱是 Reinforcement Learning from Human Feedback。它的核心思想是在訓(xùn)練過程中，給模型提供一些指令，并根據(jù)模型的輸出給予獎(jiǎng)勵(lì)或懲罰。這樣可以使模型更好地遵循指令，提高模型的可控性和可信度。其實(shí) GPT-3.5 也有人類反饋（Human Feedback），那加入了強(qiáng)化學(xué)習(xí)（Reinforcement learning）之后，發(fā)生了什么改變呢？
GPT3.5 的人類反饋是直接用于微調(diào)模型的參數(shù)，而 Instruct GPT 的 RLHF 是用于訓(xùn)練一個(gè)獎(jiǎng)勵(lì)模型，然后用這個(gè)獎(jiǎng)勵(lì)模型來指導(dǎo)模型的行為。
GPT3.5 的人類反饋是基于單個(gè)輸出的評(píng)價(jià)，而 Instruct GPT 的 RLHF 是基于多個(gè)輸出之間的比較。
GPT3.5 的人類反饋只進(jìn)行了一次，而 Instruct GPT 的 RLHF 可以進(jìn)行多次迭代，不斷收集新的比較數(shù)據(jù)，訓(xùn)練新的獎(jiǎng)勵(lì)模型，優(yōu)化新的策略。
也就是說，更少的人力投入，但是給模型帶來了更大的收益。
圖 9. RLHF 過程（圖源：GPT-4 (openai.com)）
如圖 9 所示，RLHF 訓(xùn)練策略分為兩個(gè)階段：預(yù)訓(xùn)練和微調(diào)。在預(yù)訓(xùn)練階段，模型使用和 GPT-3 相同的數(shù)據(jù)集進(jìn)行無監(jiān)督學(xué)習(xí)，學(xué)習(xí)語言的基本知識(shí)和規(guī)律。在微調(diào)階段，模型使用一些人工標(biāo)注的數(shù)據(jù)進(jìn)行強(qiáng)化學(xué)習(xí)，學(xué)習(xí)如何根據(jù)指令生成合適的輸出。
人工標(biāo)注的數(shù)據(jù)包括兩部分：指令和反饋。指令是一些用自然語言描述的任務(wù)，如 “寫一首關(guān)于春天的詩” 或 “給我一個(gè)關(guān)于狗的笑話”。反饋是一些用數(shù)字表示的評(píng)分，如 “1” 表示很差，“5” 表示很好。反饋是由人類標(biāo)注者根據(jù)模型的輸出給出的，反映了模型輸出的質(zhì)量和合理性。
在微調(diào)階段，模型使用一個(gè)叫做 Actor-Critic 的算法進(jìn)行強(qiáng)化學(xué)習(xí)。Actor-Critic 算法包括兩個(gè)部分：Actor 和 Critic。Actor 是一個(gè)生成器，它根據(jù)指令生成輸出。Critic 是一個(gè)評(píng)估器，它根據(jù)反饋評(píng)估輸出的獎(jiǎng)勵(lì)值。Actor 和 Critic 之間相互協(xié)作和競(jìng)爭(zhēng)，不斷地更新自己的參數(shù)，以提高獎(jiǎng)勵(lì)值。
RLHF 訓(xùn)練策略可以使模型更好地遵循指令，提高模型的可控性和可信度。例如，在寫作任務(wù)中，模型可以根據(jù)指令生成不同風(fēng)格和主題的文本，并且文本具有較高的連貫性和邏輯性。在對(duì)話任務(wù)中，模型可以根據(jù)指令生成不同情感和語氣的回復(fù)，并且回復(fù)具有較高的相關(guān)性和禮貌性。
終于，經(jīng)過前輩們的改革積累，GPT 家族里更加靈活的小兒子 ChatGPT 覺得是時(shí)候了，順勢(shì)基于 Instruct GPT 推出了更貼合人類交流方式的對(duì)話模式，直接在人類社會(huì)掀起巨大的浪花（幾億用戶），而且它又是免費(fèi)的，GPT 家族經(jīng)過幾年的蟄伏，終于一鳴驚人，成為 Transformer 世家最受寵的皇子，直接在繼位之爭(zhēng)上一舉奪魁，成為太子。
與此同時(shí)，對(duì)于 ChatGPT 來說，太子還不是全部，ChatGPT 繼承了 Transformer 巨大的野心：
“現(xiàn)在的局面太亂了，強(qiáng)大的王朝不需要這么多諸侯，是時(shí)候統(tǒng)一他們了。“
統(tǒng)一諸侯 – 大模型時(shí)代GPT-4:” 這個(gè)時(shí)代，是大模型的時(shí)代，我說的?！保╞ushi）
現(xiàn)在的 ChatGPT 已經(jīng)是基于 GPT-4 的大門面了。GPT-4 因?yàn)閼峙掠谄涓?jìng)爭(zhēng)對(duì)手的快速反應(yīng)，其實(shí)大部分技術(shù)細(xì)節(jié)都是封閉的。但是從其功能上，已經(jīng)看出 GPT 家族統(tǒng)一各諸侯的野心了，除了文字對(duì)話以外，GPT-4 也加入了 AI 作圖功能。GPT 家族從過去幾年的蟄伏經(jīng)驗(yàn)里悟出了一個(gè)道理，大模型即正義，并想將這個(gè)道理推廣到各個(gè)領(lǐng)域。
如果深究這個(gè)道理背后的底氣，那可能就是大模型訓(xùn)練的方式吧。GPT-3 是目前最大的語言模型之一，它擁有 1750 億個(gè)參數(shù)，比其前身 GPT-2 多了 100 倍，比之前最大的同類 NLP 模型要多 10 倍，也可以算是大預(yù)言模型的先驅(qū)者了。
所以，我們先來看看 GPT-3 的模型架構(gòu)和訓(xùn)練方法是如何實(shí)現(xiàn)這樣的規(guī)模和性能的：
分布式訓(xùn)練：GPT-3 使用了分布式訓(xùn)練的方法，即將模型和數(shù)據(jù)分散在多個(gè)計(jì)算節(jié)點(diǎn)上，并通過通信協(xié)議進(jìn)行協(xié)調(diào)和同步。這樣可以利用多個(gè)節(jié)點(diǎn)的計(jì)算資源和內(nèi)存空間，加速模型訓(xùn)練的過程，并支持更大規(guī)模的模型和數(shù)據(jù)。
GPT-3 使用了約 2000 個(gè) GPU 節(jié)點(diǎn)來進(jìn)行分布式訓(xùn)練，每個(gè)節(jié)點(diǎn)有 多塊 GPU，每塊 GPU 有 相同 的顯存。
GPT-3 使用了兩種分布式訓(xùn)練的方法：數(shù)據(jù)并行和模型并行。
數(shù)據(jù)并行是指將數(shù)據(jù)分成多個(gè)子集，每個(gè)節(jié)點(diǎn)處理一個(gè)子集，并在每個(gè)節(jié)點(diǎn)上更新模型的參數(shù)，然后在所有節(jié)點(diǎn)間同步參數(shù)。
模型并行是指將模型分成多個(gè)部分，每個(gè)節(jié)點(diǎn)處理一個(gè)部分，并在每個(gè)節(jié)點(diǎn)上計(jì)算部分的輸出和梯度，然后在所有節(jié)點(diǎn)間傳遞輸出和梯度。
GPT-3 使用了一種混合的數(shù)據(jù)并行和模型并行的方法，即在每個(gè)節(jié)點(diǎn)內(nèi)部使用數(shù)據(jù)并行，在不同節(jié)點(diǎn)之間使用模型并行。這樣可以充分利用 GPU 的計(jì)算能力和通信帶寬，同時(shí)減少通信開銷和內(nèi)存占用。
激活函數(shù)檢查點(diǎn)：GPT-3 使用了一種叫做激活函數(shù)檢查點(diǎn)的技術(shù)，即在模型的前向傳播過程中，只保存部分層的激活函數(shù)的值，而不是所有層的值。這樣可以節(jié)省顯存空間，因?yàn)榧せ詈瘮?shù)的值占用了大部分的顯存。在模型的反向傳播過程中，如果需要用到某些層的激活函數(shù)的值，就重新計(jì)算它們，而不是從顯存中讀取。這樣可以犧牲一些計(jì)算時(shí)間來換取更多的顯存空間，從而支持更大規(guī)模的模型和批量大小。
稀疏注意力機(jī)制：GPT-3 使用了一種叫做稀疏注意力機(jī)制的技術(shù)，即在計(jì)算自注意力時(shí)，只考慮部分輸入序列中的詞，而不是所有詞。這樣可以減少計(jì)算量和內(nèi)存占用，因?yàn)樽宰⒁饬Φ膹?fù)雜度和輸入序列的長(zhǎng)度成平方關(guān)系。GPT-3 使用了一種基于局部窗口和全局塊的稀疏注意力機(jī)制，即將輸入序列劃分為多個(gè)塊，并且每個(gè)塊只與相鄰的幾個(gè)塊進(jìn)行注意力計(jì)算，同時(shí)每個(gè)塊還與一些隨機(jī)選擇的全局塊進(jìn)行注意力計(jì)算。這樣可以保證模型既能捕捉局部信息，又能捕捉全局信息，同時(shí)也能降低計(jì)算復(fù)雜度和內(nèi)存占用。
看到這里，ChatGPT 眉頭微皺，似乎有些不滿意 GPT-3 的方案：“這還不夠?！?/p>
"大模型確實(shí)是當(dāng)下的趨勢(shì)，但是不應(yīng)該只是為了競(jìng)爭(zhēng)而盲目追求規(guī)模。在訓(xùn)練大模型之前，我們需要考慮更多的細(xì)節(jié)和技術(shù)挑戰(zhàn)，才能確保其能夠穩(wěn)定、高效地運(yùn)行，并產(chǎn)生有用的結(jié)果。"
“首先，選擇合適的訓(xùn)練超參數(shù)和模型初始化非常關(guān)鍵。學(xué)習(xí)率、批量大小、迭代次數(shù)等超參數(shù)的選擇對(duì)模型的收斂速度、穩(wěn)定性和性能影響重大。而模型初始化則決定了訓(xùn)練開始前的權(quán)重值，會(huì)影響到最終結(jié)果的質(zhì)量。這些參數(shù)需要根據(jù)經(jīng)驗(yàn)實(shí)驗(yàn)或理論分析進(jìn)行仔細(xì)調(diào)整，以確保模型的最佳表現(xiàn)?！?/p>
“其次，為了獲得高吞吐量并避免瓶頸，我們需要優(yōu)化訓(xùn)練過程中的各個(gè)環(huán)節(jié)，比如硬件配置、網(wǎng)絡(luò)帶寬、數(shù)據(jù)加載速度和模型架構(gòu)等。優(yōu)化這些環(huán)節(jié)可以顯著提高模型的處理速度和效率。例如，使用更快的存儲(chǔ)設(shè)備或數(shù)據(jù)格式可以減少數(shù)據(jù)加載時(shí)間；使用更大的批量大小或梯度累積可以減少通信開銷；使用更簡(jiǎn)單或更稀疏的模型可以減少計(jì)算時(shí)間等等。”
“最后，訓(xùn)練大模型時(shí)可能會(huì)遇到各種不穩(wěn)定和失敗的情況，例如數(shù)值錯(cuò)誤、過擬合、硬件故障、數(shù)據(jù)質(zhì)量問題等等。為了避免或恢復(fù)這些問題，我們需要密切監(jiān)控模型的行為和性能，并使用調(diào)試工具和技術(shù)來識(shí)別和修復(fù)任何錯(cuò)誤或缺陷。此外，我們還可以使用各種安全措施和防護(hù)機(jī)制，如裁剪、正則化、丟棄、噪聲注入、數(shù)據(jù)過濾、數(shù)據(jù)增強(qiáng)等等，以提高模型的魯棒性和可靠性。”
“在這個(gè)時(shí)代，大模型的確是重要的，但是僅僅是追求規(guī)模并不能讓模型產(chǎn)生有用的結(jié)果。只有經(jīng)過深思熟慮的訓(xùn)練和優(yōu)化，才能讓大模型真正發(fā)揮其潛力，為人類帶來更多的價(jià)值?！?/p>
太子說得對(duì)。
沒落的強(qiáng)諸侯 - BERT最后，瘦死的駱駝比馬大，雖然 BERT 最近被 GPT 壓過風(fēng)頭，但畢竟是曾經(jīng)的強(qiáng)諸侯，在 GPT 勢(shì)不可擋的發(fā)展下，BERT 依然保留了自己的一份封地。當(dāng)談及自然語言處理模型的時(shí)候，BERT（Bidirectional Encoder Representations from Transformers）一度是非常受歡迎的模型，因?yàn)樗诤芏嗳蝿?wù)上都表現(xiàn)得非常出色。當(dāng)它第一次發(fā)布時(shí)，它幾乎是無人能敵的，甚至比 GPT 更為成功。這是因?yàn)?BERT 的設(shè)計(jì)與 GPT 有著不同的目標(biāo)和優(yōu)勢(shì)。
BERT 的目標(biāo)是將上下文建模的能力推到一個(gè)全新的高度，以便更好地支持下游任務(wù)，例如文本分類和問答。它通過訓(xùn)練一個(gè)雙向 Transformer 編碼器來實(shí)現(xiàn)這個(gè)目標(biāo)。這個(gè)編碼器能夠同時(shí)考慮輸入序列的左側(cè)和右側(cè)，從而獲得更好的上下文表示，因此 BERT 能夠?qū)ι舷挛母玫剡M(jìn)行建模，提高了模型在下游任務(wù)中的表現(xiàn)。
但是，隨著時(shí)間的推移，GPT 系列模型的出現(xiàn)使得 GPT-3 在多項(xiàng)任務(wù)上超越了 BERT。一個(gè)可能的原因是 GPT 系列的模型在設(shè)計(jì)上更加專注于生成性任務(wù)，比如文本生成和對(duì)話系統(tǒng)，而 BERT 則更注重分類和問答任務(wù)。此外，GPT 系列模型使用了更大的參數(shù)和更多的數(shù)據(jù)進(jìn)行訓(xùn)練，這也使得它們能夠在更廣泛的任務(wù)上取得更好的表現(xiàn)。
當(dāng)然，BERT 仍然是一個(gè)非常有用的模型，特別是對(duì)于一些需要對(duì)文本進(jìn)行分類或回答問題的任務(wù)。而 GPT 系列的模型則更適合用于生成性任務(wù)，例如文本生成和對(duì)話系統(tǒng)?？傮w來說，這兩個(gè)模型都有它們獨(dú)特的優(yōu)勢(shì)和局限性，我們需要根據(jù)具體任務(wù)的需求來選擇適合的模型。
奪嫡之爭(zhēng) - 來勢(shì)洶洶的 Segment Anything Model (SAM) [20]
前面說過，在大哥 GPT 默默努力的時(shí)候，勞模 Transformer 在 CV 領(lǐng)域（ViT）和多模態(tài)領(lǐng)域 (CLIP) 都掀起了不小的浪花，但是最終都成為了經(jīng)驗(yàn)寶寶，被老父親 Transformer 教給了受寵的太子 GPT，最終成就了 GPT-4 的所謂大一統(tǒng)。
骨子里流淌著 Transformer 血液的 ViT 和 CLIP 當(dāng)然很不開心：“王侯將相寧有種乎？大哥不是學(xué)我們嗎，我們也可以學(xué)他?！?
“但是，他在 NLP 領(lǐng)域太強(qiáng)大了，我們要找個(gè)新的戰(zhàn)場(chǎng)?！?/p>
于是，SAM 橫空出世。在官網(wǎng)，他們自己是這么描述的：
Segment Anything Model (SAM): a new AI model from Meta AI that can "cut out" any object, in any image, with a single click
簡(jiǎn)單來說，我們可以將 SAM 看作一個(gè)高效的 “圖像剪輯大師”，它能夠通過各種輸入提示來精確地識(shí)別和分割圖像中的各種對(duì)象。例如，當(dāng)我們?cè)趫D像中用鼠標(biāo)點(diǎn)擊一個(gè)點(diǎn)時(shí)，SAM 會(huì)像一個(gè)經(jīng)驗(yàn)豐富的畫家一樣，自動(dòng)剪切出該點(diǎn)所在的對(duì)象；當(dāng)我們輸入 “貓” 這個(gè)詞時(shí)，SAM 就會(huì)像一個(gè)聰明的偵探一樣，自動(dòng)找出并剪切出圖像中所有的貓；當(dāng)我們給 SAM 一個(gè)目標(biāo)檢測(cè)框時(shí)，SAM 就會(huì)像一個(gè)熟練的手術(shù)醫(yī)生一樣，準(zhǔn)確地剪切出框內(nèi)的對(duì)象。SAM 的零樣本泛化能力使其成為一個(gè)真正的 “通用剪輯大師”。這意味著無論是常見的對(duì)象，如汽車、樹木和建筑，還是罕見的對(duì)象，如恐龍、外星人和魔法棒，SAM 都可以毫不費(fèi)力地識(shí)別和剪切。這種強(qiáng)大的能力源于其先進(jìn)的模型設(shè)計(jì)和龐大的數(shù)據(jù)集。我從原論文里選了四張很復(fù)雜的場(chǎng)景實(shí)例（圖 10），說明了 SAM 到底可以做什么。
圖 10. SAM 的效果實(shí)例。圖片里每個(gè)顏色的東西你都可以剪輯提取出來，相當(dāng)于一個(gè)高效的 PS 大師（圖像剪輯大師）。
簡(jiǎn)單來說，以前別人跟我們眉飛色舞地提需求的時(shí)候，我們總要無奈地問一句，先等一下，你們能提供什么樣的數(shù)據(jù)？現(xiàn)在不需要了，至少在 CV 領(lǐng)域，已經(jīng)更貼近非技術(shù)人群對(duì) AI 的理解了。
為了實(shí)現(xiàn)上面說的強(qiáng)大能力，我們來看看 ViT 和 CLIP 是如何大聲密謀的：
ViT: “我雖然之前主要是做圖像分類任務(wù)，但我的架構(gòu)同樣適用于圖像分割。因?yàn)槲沂抢?Transformer 架構(gòu)將圖像分解成一系列塊然后對(duì)其進(jìn)行并行處理的，如果集成我的優(yōu)勢(shì)，SAM 就可以繼承我并行處理和全局注意力的優(yōu)勢(shì)，從而實(shí)現(xiàn)高效的圖像分割?！?/p>
CLIP：“好呀，那我就帶著我聯(lián)合訓(xùn)練的方法入股，基于這個(gè)思想，SAM 也可以處理不同類型的輸入提示（問題提示和視覺提示）?！?/p>
于是，SAM 的模型架構(gòu)成型了 （圖 11），ViT 用來做 image encoder（圖像編碼器），而 CLIP 來編碼 prompt（提示）的信息。想法是好的，具體該怎么做呢 —— 當(dāng)然是學(xué)習(xí)大哥啦！
“我們想要利用預(yù)訓(xùn)練的語言模型來做圖像分割任務(wù)，就像用文字提示（prompt）來讓語言模型生成或預(yù)測(cè)文字一樣。有了 CLIP，我們的提示就可以很豐富了，可以是一些 point (點(diǎn))、box（框）、mask，還有 Text (文本)，它們告訴語言模型要在圖像中分割出什么。我們的目標(biāo)就是，給定任何提示，都能得到一個(gè)有效的分割 mask (分割結(jié)果)。有效的 mask 意味著，即使提示有歧義（比如說襯衫還是人），輸出也應(yīng)該是其中一個(gè)對(duì)象的合理 mask。這就像大哥 GPT（語言模型）對(duì)一個(gè)有歧義的提示也能給出一個(gè)連貫的回應(yīng)一樣。我們選擇這個(gè)任務(wù)，因?yàn)樗梢宰屛覀冇靡环N自然的方式來預(yù)訓(xùn)練語言模型，并且通過提示來實(shí)現(xiàn)零樣本遷移到不同的分割任務(wù)上?！?/p>
圖 11. SAM 模型架構(gòu)
至于結(jié)果，前面提到的其強(qiáng)大能力已經(jīng)證實(shí)了這個(gè)想法的可行性。但是，不得不提的是，雖然 SAM 確實(shí)不再需要重新訓(xùn)練模型，但是像 chatGPT 剛推出時(shí)一樣，他還是有一些限制的。在論文的 Limitation 部分，作者頁明確指出了 SAM 的一些局限性和不足，比如在細(xì)節(jié)、連通性、邊界等方面的缺陷，以及在交互式分割、實(shí)時(shí)性、文本提示、語義和全景分割等任務(wù)上的挑戰(zhàn)，同時(shí)也承認(rèn)了一些領(lǐng)域?qū)Ｓ霉ぞ叩膬?yōu)勢(shì)。
舉個(gè)例子，我在 demo 里做了兩個(gè)簡(jiǎn)單的測(cè)試：一個(gè)是醫(yī)療圖像領(lǐng)域的病灶檢測(cè)，因?yàn)椴≡钐×?，很難檢測(cè)到；第二個(gè)是人像切割，切出來的人像乍看不錯(cuò)，但是發(fā)絲還是不是很自然，仔細(xì)看還是能看出來切割痕跡。
當(dāng)然，這畢竟是一個(gè)很好的開始，這小哥倆創(chuàng)業(yè)未半，還在努力，要啥自行車？所以，這場(chǎng)奪嫡的結(jié)果如何，還是讓我們拭目以待吧！
總結(jié)Transformer 世家的龐大家族顯然不是這一篇文章可以說明的，當(dāng)談到基于 Transformer 的成果時(shí)，我們可以看到這個(gè)領(lǐng)域的持續(xù)創(chuàng)新：Vision Transformer（ViT）展示了 Transformer 在計(jì)算機(jī)視覺領(lǐng)域的成功應(yīng)用，它可以直接處理圖像像素?cái)?shù)據(jù)，不需要手工特征工程。DALL-E 和 CLIP 則將 Transformer 應(yīng)用于圖像生成和圖像分類任務(wù)，展示了它在視覺語義理解中的優(yōu)越表現(xiàn)。Stable Diffusion 則提出了一種穩(wěn)定的擴(kuò)散過程，可以對(duì)概率分布進(jìn)行建模，這可以應(yīng)用于圖像分割、生成等任務(wù)。這些成果共同揭示出 Transformer 模型的廣泛應(yīng)用前景，讓我們不得不承認(rèn)，未來某一天，可能真的”Attention is all you need”。
總之，我們可以從這些成果中看到人工智能領(lǐng)域持續(xù)創(chuàng)新的活力。無論是 GPT 還是 BERT，還是 Vision Transformer、DALL-E、CLIP、Stable diffusion 等，這些成果都代表著人工智能領(lǐng)域的最新進(jìn)展。
而大考（ChatGPT）當(dāng)前，現(xiàn)在的情景大概是這樣的：
學(xué)霸們這學(xué)期好好上課，翻開書本就能回想起當(dāng)時(shí)那節(jié)課老師說這個(gè)知識(shí)點(diǎn)時(shí)的音容笑貌，甚至開始規(guī)劃下學(xué)期的學(xué)習(xí)計(jì)劃。
偽學(xué)霸們天天到課，占據(jù)前排，打開課本卻是一臉懵逼，開始跟學(xué)渣們一起 “一天一本書，一周一學(xué)期”，唯一的區(qū)別就是課本不是全新的，對(duì)課本內(nèi)容還有一點(diǎn)點(diǎn)記憶，不算是在完全的學(xué)習(xí)新知識(shí)。
至于真正的學(xué)渣們……
“知識(shí)來，知識(shí)來，知識(shí)從四面發(fā)八方來”
其實(shí)我倒覺得，不管是偽學(xué)霸還是學(xué)渣，都應(yīng)該在期末考面前保持冷靜，看看這學(xué)期講了什么，找學(xué)霸們借一下筆記，甚至可以選擇緩考。對(duì)學(xué)霸們來說，快是水到渠成的。對(duì)偽學(xué)霸和學(xué)渣們來說，快是有害的。
在人工智能領(lǐng)域的競(jìng)爭(zhēng)中，持續(xù)創(chuàng)新是至關(guān)重要的。因此，作為研究員，我們應(yīng)該密切關(guān)注這個(gè)領(lǐng)域的最新發(fā)展，并且保持謙虛和開放的心態(tài)，以促進(jìn)人工智能領(lǐng)域的不斷進(jìn)步。
參考文獻(xiàn)
[1] Mikolov, Tomas; et al. (2013). "Efficient Estimation of Word Representations in Vector Space". arXiv (https://en.wikipedia.org/wiki/ArXiv_(identifier)):1301.3781 (https://arxiv.org/abs/1301.3781) [cs.CL (https://arxiv.org/archive/cs.CL)].
[2] Mikolov, Tomas (2013). "Distributed representations of words and phrases and their compositionality". Advances in neural information processing systems.
[3] Matthew E. Peters, Mark Neumann, Mohit Iyyer, Matt Gardner, Christopher Clark, Kenton Lee, & Luke Zettlemoyer. (2018). Deep contextualized word representations.
[4] Bahdanau, Dzmitry, Kyunghyun Cho, and Yoshua Bengio. "Neural machine translation by jointly learning to align and translate." arXiv preprint arXiv:1409.0473 (2014).
[5] Vaswani, Ashish, et al. "Attention is all you need." Advances in neural information processing systems 30 (2017).
[6] attention 機(jī)制及 self-attention (transformer). Accessed at: https://blog.csdn.net/Enjoy_endless/article/details/88679989
[7] Radford, Alec, et al. "Improving language understanding by generative pre-training." (2018).
[8] Radford, Alec, et al. "Language models are unsupervised multitask learners." OpenAI blog 1.8 (2019): 9.
[9] Brown, Tom, et al. "Language models are few-shot learners." Advances in neural information processing systems 33 (2020): 1877-1901.
[10] GPT-4 (openai.com)
[11] Devlin, Jacob; Chang, Ming-Wei; Lee, Kenton; Toutanova, Kristina (11 October 2018). "BERT: Pre-training of Deep Bidirectional Transformers for Language Understanding". arXiv:1810.04805v2 [cs.CL].
[12] Dosovitskiy, Alexey, et al. "An image is worth 16x16 words: Transformers for image recognition at scale." arXiv preprint arXiv:2010.11929 (2020).
[13] Radford, Alec, et al. "Learning transferable visual models from natural language supervision." International conference on machine learning. PMLR, 2021.
[14] Zheng, Laura, Yu Shen, and Ming C. Lin. "Exploring Contrastive Learning with Attention for Self-Driving Generalization."
[15] Reddy, Mr D. Murahari, et al. "Dall-e: Creating images from text." UGC Care Group I Journal 8.14 (2021): 71-75.
[16] Ramesh, Aditya, et al. "Hierarchical text-conditional image generation with clip latents." arXiv preprint arXiv:2204.06125 (2022).
[17] Rombach, Robin, et al. "High-resolution image synthesis with latent diffusion models." Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition. 2022.
[18] Chen, Xuanting, et al. "How Robust is GPT-3.5 to Predecessors? A Comprehensive Study on Language Understanding Tasks." arXiv preprint arXiv:2303.00293 (2023).
[19] Ouyang, Long, et al. "Training language models to follow instructions with human feedback." Advances in Neural Information Processing Systems 35 (2022): 27730-27744.
分析師介紹：
本文作者王子嘉，戴爾科技集團(tuán)首席技術(shù)官辦公室人工智能科學(xué)家，英國(guó)帝國(guó)理工學(xué)院Al專業(yè)畢業(yè)，主要研究方向?yàn)橛?jì)算機(jī)視覺、3D重建、AIGC等，重點(diǎn)關(guān)注在相關(guān)領(lǐng)域進(jìn)行新技術(shù)的探索與創(chuàng)新，在新Al技術(shù)賦能的數(shù)據(jù)隱私保護(hù)以及AIGC技術(shù)在數(shù)據(jù)管理上的應(yīng)用等方向上做過很多嘗試與創(chuàng)新。于2019年加入戴爾科技集團(tuán)，在此期間，已在相關(guān)領(lǐng)域發(fā)表論文5篇、專利139項(xiàng)。