11月8日，阿里巴巴達(dá)摩院公布了多模態(tài)大模型“M6”的最新進(jìn)展，其參數(shù)已從萬億躍遷至10萬億，成為全球最大的AI預(yù)訓(xùn)練模型。
作為通用性AI大模型，M6擁有多模態(tài)、多任務(wù)能力，尤其擅長設(shè)計(jì)、寫作、問答，在電商、制造業(yè)、文學(xué)藝術(shù)、科學(xué)研究等領(lǐng)域有廣泛應(yīng)用前景。
與傳統(tǒng)AI相比，大模型擁有成百上千倍“神經(jīng)元”數(shù)量，認(rèn)知和創(chuàng)造能力也更勝一籌，被普遍認(rèn)為是未來的“基礎(chǔ)模型”。
但是，大模型的算力成本相當(dāng)高昂，比如訓(xùn)練1750億參數(shù)語言大模型GPT-3所需能耗，能讓一輛汽車在地月之間往返一趟。
今年5月，通過專家并行策略及優(yōu)化技術(shù)，達(dá)摩院M6團(tuán)隊(duì)將萬億模型能耗降低超過80%，效率提升近11倍。
10月，M6再次突破業(yè)界極限，使用512顆GPU，在10天內(nèi)就訓(xùn)練出了具有可用水平的10萬億模型，相比去年發(fā)布的大模型GPT-3，M6實(shí)現(xiàn)了同等參數(shù)規(guī)模，能耗卻只有1%。
另一方面，AI大模型擴(kuò)展到千億及以上參數(shù)的超大規(guī)模時，很難放在一臺機(jī)器上，為此達(dá)摩院在阿里云PAI自研Whale框架上搭建了MoE模型，并通過更細(xì)粒度的CPU offload技術(shù)，最終實(shí)現(xiàn)將10萬億參數(shù)放進(jìn)512張GPU：
自研Whale框架：
自研Whale分布式深度學(xué)習(xí)訓(xùn)練框架，針對數(shù)據(jù)并行、模型并行、流水并行、混合并行等多種并行模型進(jìn)行了統(tǒng)一架構(gòu)設(shè)計(jì)，讓用戶在僅僅添加幾行API調(diào)用的情況下就可以實(shí)現(xiàn)豐富的分布式并行策略。
MoE專家并行策略：
在Whale架構(gòu)中實(shí)現(xiàn)Mixture-of-Experts(MoE)專家并行策略，在擴(kuò)展模型容量、提升模型效果的基礎(chǔ)上，不顯著增加運(yùn)算FLOPs(每秒所執(zhí)行的浮點(diǎn)運(yùn)算次數(shù))，從而實(shí)現(xiàn)高效訓(xùn)練大規(guī)模模型的目的。
CPU offload創(chuàng)新技術(shù)：
在自研的分布式框架Whale中通過更細(xì)粒度的CPU offload，解決了有限資源放下極限規(guī)模的難題，并通過靈活地選擇offload的模型層，進(jìn)一步地提高GPU利用率。
此外，針對訓(xùn)練效率問題，M6團(tuán)隊(duì)設(shè)計(jì)了Pseudo-to-Real(共享解除)機(jī)制，即利用訓(xùn)練好的共享參數(shù)模型初始化大模型，讓收斂效率進(jìn)一步提升7倍，解決大模型訓(xùn)練速度慢的問題。
對比不使用該機(jī)制，預(yù)訓(xùn)練達(dá)到同樣loss用時僅需6%；和此前萬億模型相比，訓(xùn)練樣本量僅需40%。
作為國內(nèi)首個商業(yè)化落地的多模態(tài)大模型，M6已在超40個場景中應(yīng)用，日調(diào)用量上億。
今年，大模型首次支持雙11，應(yīng)用包括但不限于：
-M6在犀牛智造為品牌設(shè)計(jì)的服飾已在淘寶上線；
-憑借流暢的寫作能力，M6正為天貓?zhí)摂M主播創(chuàng)作劇本；
-依靠多模態(tài)理解能力，M6正在增進(jìn)淘寶、支付寶等平臺的搜索及內(nèi)容認(rèn)知精度。
未來，M6將積極探索與科學(xué)應(yīng)用的結(jié)合，通過AI for science讓大模型的潛力充分發(fā)揮，并加強(qiáng)M6與國產(chǎn)芯片的軟硬一體化研究。
目前，達(dá)摩院聯(lián)合阿里云已推出M6服務(wù)化平臺，為大模型訓(xùn)練及應(yīng)用提供完備工具，首次讓大模型實(shí)現(xiàn)“開箱即用”，算法人員及普通用戶均可方便地使用平臺。
文章鏈接：智能制造網(wǎng)https://www.gkzhan.com/news/detail/138095.html
