本文來自極客網(wǎng)，作者/極客AI。
大型語言模型（LLM）如今成為媒體炒作和關(guān)注的焦點(diǎn)，因?yàn)樗鼈兯坪蹙哂猩衿娴哪芰?，可以產(chǎn)生長篇連貫的文本，并且可以做一些它們沒有接受過訓(xùn)練的事情，并在某種程度上參與被認(rèn)為是計(jì)算機(jī)禁區(qū)的話題。
但是，關(guān)于大型語言模型的工作方式還有很多需要學(xué)習(xí)的地方。谷歌公司、斯坦福大學(xué)、DeepMind和北卡羅來納大學(xué)教堂山分校的研究人員最近進(jìn)行了一項(xiàng)研究，以探索隨著模型規(guī)模增長和接受更多數(shù)據(jù)訓(xùn)練，大型語言模型可以完成的新任務(wù)。
有關(guān)這一研究的論文揭示了大型語言模型的規(guī)模與其“突現(xiàn)（emergent）”能力之間的關(guān)系。
什么是“突現(xiàn)”？
這項(xiàng)研究的重點(diǎn)是物理學(xué)、生物學(xué)和計(jì)算機(jī)科學(xué)等領(lǐng)域長期以來一直在討論“突現(xiàn)”的意義。諾貝爾獎(jiǎng)得主物理學(xué)家Philip Anderson曾在文章中討論了這種量變導(dǎo)致質(zhì)變并出現(xiàn)意想不到的現(xiàn)象。
受他的啟發(fā)，加州大學(xué)伯克利分校教授Jacob Steinhardt將“突現(xiàn)”定義為“當(dāng)系統(tǒng)中的量變導(dǎo)致其行為發(fā)生質(zhì)變時(shí)出現(xiàn)的現(xiàn)象”。
斯坦福大學(xué)博士生、該研究報(bào)告論文的合著者Rishi Bommasani說，“我們希望提供更精確的定義，我們將突現(xiàn)能力定義為‘不存在于較小模型中但存在于較大模型中’的能力。”
為了識(shí)別大型語言模型中的突現(xiàn)能力，研究人員致力尋找相變——在某個(gè)規(guī)模閾值以下，其模型性能接近隨機(jī)；而超過該閾值，其性能遠(yuǎn)高于隨機(jī)。
Bommasani說：“這將突現(xiàn)能力與隨著規(guī)模的擴(kuò)大而平穩(wěn)提高的能力區(qū)分開來。預(yù)測何時(shí)會(huì)出現(xiàn)突現(xiàn)能力要困難得多。”
規(guī)?？梢杂貌煌姆绞絹砗饬?，包括計(jì)算(FLOPs)、模型大?。▍?shù)數(shù)量）或數(shù)據(jù)大小。在他們的研究中，研究人員專注于計(jì)算和模型的大小。
大型語言模型中的“突現(xiàn)”能力
大型語言模型是一個(gè)特別有趣的案例研究，因?yàn)樗鼈円呀?jīng)顯示出非常明顯的突現(xiàn)跡象。大型語言模型通常采用數(shù)千億個(gè)參數(shù)，并在數(shù)百GB的文本數(shù)據(jù)上進(jìn)行訓(xùn)練，其可用于廣泛的任務(wù)，包括文本生成、回答問題、文章摘要等。
大型語言模型的有趣特征之一是它們的小樣本和零樣本學(xué)習(xí)能力，即執(zhí)行訓(xùn)練示例中未包含的任務(wù)的能力。隨著OpenAI的GPT-3在2020年的推出，大型語言模型中的小樣本學(xué)習(xí)引起了廣泛關(guān)注，此后研究人員對其范圍和局限性進(jìn)行了大量研究。
在這一研究中，研究人員測試了幾個(gè)主流的大型語言模型，包括LaMDA、GPT-3、Gopher、Chinchilla和PaLM。他們從一個(gè)包含200多個(gè)任務(wù)的BIG-Bench基準(zhǔn)中選擇了幾個(gè)任務(wù)用于測試，這些任務(wù)被認(rèn)為超出了當(dāng)前語言模型的能力。同時(shí)還使用了來自TruthfulQA、MMLU、WiC的挑戰(zhàn)，這些都是旨在測試大型語言模型在處理復(fù)雜語言任務(wù)到達(dá)極限的基準(zhǔn)。此外研究人員還測試了大型語言模型的多步推理、指令跟蹤和多步計(jì)算能力。
Bommasani說，“GPT-3具有標(biāo)志性意義，它引入了真正獨(dú)特的第一波突現(xiàn)能力，也就是現(xiàn)在眾所周知的少量提示/場景學(xué)習(xí)。”
研究結(jié)果表明，規(guī)模與突現(xiàn)的能力高度相關(guān)。每個(gè)大型語言模型系列都有不同的規(guī)模，在特定規(guī)模以下的任務(wù)上表現(xiàn)出隨機(jī)或低于隨機(jī)的性能。在那之后，他們發(fā)現(xiàn)準(zhǔn)確性突然提高，并隨著模型的變大而繼續(xù)提高。
大型語言模型顯示出大規(guī)模的突現(xiàn)能力，其中任務(wù)的性能保持在隨機(jī)水平，直到模型的大小達(dá)到某個(gè)閾值。在此之后，隨著模型變大，性能會(huì)突然提高并繼續(xù)提高。
Bommasani說，“一個(gè)有趣的例子是Pilehvar和Camacho Collados（2019）場景中的WiC基準(zhǔn)測試，GPT-3和Chinchilla在其中基本上獲得了隨機(jī)的一次性性能，但最終顯示出的性能要高得多。”
大型語言模型產(chǎn)生“突現(xiàn)”能力的原因
大型語言模型中存在突現(xiàn)能力表明，研究人員無法通過推斷較小的模型的性能來預(yù)測大型語言模型的能力。
論文這樣寫道，“突現(xiàn)的小樣本提示任務(wù)也是不可預(yù)測的，因?yàn)檫@些任務(wù)沒有明確包含在預(yù)訓(xùn)練中，而且我們可能不知道語言模型可以執(zhí)行的小樣本提示任務(wù)的整體范圍?？傮w而言，進(jìn)一步擴(kuò)大規(guī)?？赡軙?huì)賦予更大的語言模型新的突現(xiàn)能力。”
然而一個(gè)懸而未決的問題是，這些模型是否真的在學(xué)習(xí)這些新興技能所需的知識(shí)。一些研究表明，當(dāng)神經(jīng)網(wǎng)絡(luò)提供正確的結(jié)果時(shí)，它通常將輸入映射到輸出，而不需要學(xué)習(xí)因果關(guān)系、常識(shí)和其他作為學(xué)習(xí)技能基礎(chǔ)的知識(shí)。
Bommasani說，“總的來說，大型語言模型如何獲得能力、技能在概念層面上并沒有得到很好的理解。有證據(jù)表明，大型語言模型模型在某些方面隨著規(guī)模變大而變得更加穩(wěn)健，其實(shí)最好的模型在關(guān)鍵方面也并不是穩(wěn)定的。此外，穩(wěn)健性/穩(wěn)定性/因果關(guān)系與規(guī)模之間的總體關(guān)系尚不為人所知。”
在論文中，研究人員還討論了一些規(guī)模限制，其中包括硬件和數(shù)據(jù)瓶頸。此外，他們觀察到某些能力可能不會(huì)隨著規(guī)模的擴(kuò)大而出現(xiàn)，包括遠(yuǎn)遠(yuǎn)超出模型訓(xùn)練數(shù)據(jù)集分布的任務(wù)。他們還警告說，一旦出現(xiàn)突現(xiàn)能力，并不能保證它會(huì)隨著規(guī)模的擴(kuò)大而繼續(xù)提高。
Bommasani說：“我并不期望所有的行為都是突現(xiàn)的，但我確實(shí)希望隨著規(guī)模擴(kuò)大，將會(huì)看到更多的突現(xiàn)行為。在更高的層面上，我預(yù)計(jì)我們將在一段時(shí)間內(nèi)繼續(xù)看到基礎(chǔ)模型范式中的重大驚喜。”
探索規(guī)?；奶娲桨?/strong>
隨著機(jī)器學(xué)習(xí)社區(qū)朝著創(chuàng)建更大的語言模型邁進(jìn)，人們越來越擔(dān)心大型語言模型的研究和開發(fā)將集中在少數(shù)擁有資金和計(jì)算資源的機(jī)構(gòu)手中。通過發(fā)布開源模型或降低訓(xùn)練和運(yùn)行的成本和技術(shù)開銷，一些研究機(jī)構(gòu)想努力實(shí)現(xiàn)大型語言模型的普惠化。
在論文中，研究人員討論了一些規(guī)模化的替代方案，包括在特定任務(wù)數(shù)據(jù)集上微調(diào)較小的模型。論文中寫道，“一旦發(fā)現(xiàn)了一種能力，進(jìn)一步的研究可能會(huì)使這種能力適用于更小規(guī)模的模型。隨著我們繼續(xù)訓(xùn)練規(guī)模越來越大的語言模型，降低突現(xiàn)能力的規(guī)模門檻將變得更加重要，因?yàn)檫@樣可以讓社區(qū)廣泛使用這些突現(xiàn)能力的研究結(jié)果。”
Bommasani說：“無論是否有突現(xiàn)能力，加大規(guī)模的好處都可能激勵(lì)人們拼資源，這將激發(fā)或加劇權(quán)力的集中化。從歷史上看，人工智能研究顯然會(huì)從具有開放科學(xué)傳統(tǒng)的學(xué)術(shù)界和工業(yè)界的合作中受益匪淺。鑒于大模型規(guī)模的資源密集型性質(zhì)，我認(rèn)為這些必須堅(jiān)持幾個(gè)互補(bǔ)的前進(jìn)道路：一是規(guī)范研究人員獲取現(xiàn)有模型，二是開放式合作推進(jìn)普惠化，三是結(jié)構(gòu)化資源以提供必要的計(jì)算和數(shù)據(jù)。”
最后他指出，在可預(yù)見的未來，大型語言模型仍將是機(jī)器學(xué)習(xí)研究的支柱。隨著它們進(jìn)入實(shí)際應(yīng)用，研究人員需要繼續(xù)研究它們的能力和局限性。
