没有这些,别妄谈做 ChatGPT 了

文｜卖萌酱

这是「进击的Coder」的第 803  篇技术分享 作者：卖萌酱 来源：夕小瑶的卖萌屋
“

阅读本文大概需要 8 分钟。

”

ChatGPT 破圈爆火后，越来越多人开始问：

“啥时候出现中国版的 ChatGPT？”

国内学术界和工业界，都纷纷躁动起来——百度、阿里、字节等大厂纷纷喊口号，一众创业公司也开始争做中国版 OpenAI；学术界也在用行动来表明战斗力，比如前些天复旦大学推出的 MOSS 模型，一经开放试用，便冲上热搜。

一时间眼花缭乱，让人生疑。

有钱就能训出模型？

以美团大佬带资入组为代表，很多创业者和投资人盯上了 ChatGPT，作为一个 NPLer，我乐见其成，相信不用几个月，在热钱的助推下，NLP 算法工程师的薪资要和芯片看齐了。

但我还是要泼个冷水，创业公司想做 ChatGPT，想训练模型，不是有钱招几个算法就能搞定的。

先不说 ChatGPT，只说较为成熟、参数量“较小”的 BERT 模型，其 Large 版本参数量“仅有” 3.4 亿，比现在的 ChatGPT 模型足足小了 3 个数量级。但如果一个从业者真正从 0 开始训练过 BERT 模型，那他一定不会认为训练 BERT 这个“小模型”是很容易的事情。

更何况，2018 年 BERT 发布的时候，模型参数、训练代码是全面开源的，训练数据 BookCorpus 和 Wikipedia 也非常容易获取。在这种情况下，国内各大厂训练出内部版本的 BERT 模型，也经历了差不多半年的摸索时间。在此期间，算力就位、训练精度优化、训练性能优化、底层框架支持、训练策略优化、数据策略优化等都有不少的坑要趟。

如今 ChatGPT 既没有公开代码，也没有公开训练数据，更没有公开模型参数，甚至都没有公开前置模型的模型参数，模型的体量还比 BERT 大了 3 个数量级。

ChatGPT 没有捷径

相对创业团队，中国的互联网大厂在大模型方向有积累，有先发优势，但这绝不意味着高枕无忧。

在语言模型方面，国内各大厂大多沿着“以掩码语言模型 MLM 为核心的 BERT 路线”进行深耕，这种技术路线更加注重提升语言模型的文本理解能力，弱化文本生成能力。真正沿着 ChatGPT 这种生成式语言模型的路线深耕的研究团队，无论国内外，都不是太多。

这就注定了，ChatGPT 的复现不是一朝一夕就能完成的，补功课很可能要从三年前 OpenAI 发布的 GPT-3 开始。如果没有 GPT-3 提供的世界知识和强大的长文本生成能力，训练 ChatGPT 就无异于建造空中楼阁了。

可惜，GPT-3 至今也没有开源，未来也大概率不会开源了。要从头训这么一个 1750 亿参数的大型生成式语言模型，难度非常大。

有人可能要说，那我们训一个小点的模型，比如百亿参数的，可行吗？

目前来看不可行。AI 的表现并非随着模型规模增加而线性增加，而是在参数规模超过特定临界值后显著提升，甚至涌现出小模型不具备的能力。 比如论文表明，模型的规模至少要达到 620 亿参数量后，才可能训练出来思维链（Chain-of-Thought，CoT）能力。如下图所示：

而像 Truthful（可信的）这种能力，甚至 ChatGPT/GPT-3 这样的模型规模都是不够的，要达到 2800 亿参数量才能涌现出这样的能力。是的，复现和超越 ChatGPT，目前来看没有捷径，必须一步一步来，首先要先把 GPT-3 搞定。

国内有人真正复刻了 GPT-3？

是的，有且只有一家，阿里达摩院，他们从小到大（从 base 到 175B），全面、完整地复刻了 GPT-3，并且开放在魔搭社区上。

https://modelscope.cn/models/damo/nlp_gpt3_text-generation_chinese-large/summary

达摩院的复刻不是没有来由的，他们应该在大模型各个方向都进行了探索，布局完整。早在 2021 年 4 月就发布了首个中文语言大模型 PLUG（当时参数是 270 亿）。该模型首次在中文语言理解榜单 CLUE 上面，以 86.685 分的成绩超越人类。

同年 10 月份，达摩院还探索实现了 10 万亿参数模型 ——M6，达摩院团队通过大量的底层优化和算法设计，仅仅使用了 512 卡便实现了这一庞大的模型工程。此前，M6 模型将 AI 图片生成清晰度从 OpenAI DALL·E 的 256×256 成功提升到了 1024×1024，效果十分惊艳。

M6 模型的发布引发了国内外的大量关注，其中，OpenAI 前政策主管 Jack Clark 公开点评：“这个模型的规模和设计都非常惊人。这看起来像是众多中国的 AI 研究组织逐渐发展壮大的一种表现。”

从达摩院的经历我们基本可以判断：如果一个研发团队此前没有训练过千亿级别的大型语言模型，那就很难在可以接受的时间窗口内训练出真正具备生产力价值的类 ChatGPT 模型。

不过，我们也要看到，算法可能只是硬币的一面，另一面是算力和云基础设施，不容忽视。

云基础设施

OpenAI 的解决方式是向微软求助。同样的道理，国内如果有初创企业想要成为中国版 OpenAI，自研 ChatGPT，恐怕也要先跟几个云计算厂商好好聊一聊了。

没有做过大模型训练的人，可能会误以为多买几张 A100 卡就可以了。

当你实操的时候，你就会发现：

1. 单机多卡根本训不动千亿参数模型，你需要多机多卡分布式训练
2. 当你开始多机训练时，你发现 A100 的算力都被网络通信延迟给吃掉了，多机可能还没有你单机训的快
3. 然后你会发现训练 ChatGPT 的海量数据存储也是个问题，就算存下来了，数据读取的 IO 效率又极大的制约了模型的训练效率
4. 一通基础设施问题下来，A100 的算力被浪费了 7、8 成，模型训练实验无法开展

因此，没有一个面向AI高度优化的云计算平台，训练 GPT-3 和 ChatGPT 这种级别的模型怪兽，是相当不现实的。

这里面有两个重点，一个叫“面向 AI”，另一个叫“高度优化”。

“高度优化”不必多说，考验的是一个云计算平台底层的优化能力，包括网络、存储、计算、通信等方方面面的系统化工程能力。

什么叫“面向 AI”呢？

这里引用一下《ChatGPT，和聪明地设计 Infra》这篇文章里的表述：

云计算很多时候在关注资源的池化和虚拟化：

• 怎么把计算，存储，网络，从物理资源变成虚拟的概念，“批发转零售”；
• 如何在这种虚拟环境下把利用率做上去，或者说超卖；
• 怎么更加容易地部署软件，做复杂软件的免运维（比如说，容灾、高可用）等等，不一而足。

但是 AI 的计算不一样。对于 AI 而言，尤其是今天 AI 的训练：

• 并不要求特别强的虚拟化。一般训练会“独占”物理机，除了简单的例如建立虚拟网络并且转发包之外，并没有太强的虚拟化需求。
• 需要很高性能和带宽的存储和网络。例如，网络经常需要几百 G 以上的 RDMA 带宽连接，而不是常见的云服务器几 G 到几十 G 的带宽。
• 对于高可用并没有很强的要求，因为本身很多离线计算的任务，不涉及到容灾等问题。
• 没有过度复杂的调度和机器级别的容灾。因为机器本身的故障率并不很高（否则 GPU 运维团队就该去看了），同时训练本身经常以分钟级别来做 checkpointing，在有故障的时候可以重启整个任务从前一个 checkpoint 恢复。

也就是说，对于 AI 训练而言，尤其是今天那么大规模的训练，性能和规模是第一位的，传统云服务所涉及到的一些能力，是第二位的。

这里还是以达摩院为例，为什么达摩院能训练出多个万亿级模型，因为他们背后有阿里云的飞天智算平台做支撑。这是一个超大规模的高性能计算集群，是国内唯一能实现万卡规模的 AI 集群。

给你一万张 A100，就能把 ChatGPT 训出来吗？答案无疑是否定的。万卡集群对于网络、存储和通信有极高的要求，弄得不好直接宕机。

贴一组数据。

数据层面，飞天智算平台的单集群算力峰值高达 12EFLOPS，千卡并行效率达 90%。针对 ChatGPT 这类数据密集型场景，还对大规模集群进行了大量数据 IO 优化，通过自研 KSpeed 和 RDMA 高速网络架构，最高可将存储 IO 性能提升 10 倍，将时延显著降低了 90%。

此外，阿里云自研的高性能集合通信库 ACCL 和自研的网络交换机等，对万卡规模的 AI 集群提供了无拥塞、高性能的集群通讯能力。

除了底层硬件的 AI 集群，大模型训练非常依赖于软件平台层。飞天智算平台的机器学习平台 PAI，专门针对 AI 大模型推理和训练场景进行针对性优化，可将计算资源利用率提高 3 倍以上，AI 训练效率提升 11 倍，推理效率提升 6 倍，覆盖了全链路的 AI 开发工具与大数据服务。

可以说，这种面向 AI 实现高度优化的云平台，是 ChatGPT 这类大模型快速迭代的底层设施保障。

总结

千亿参数规模的大模型研发，需要底层庞大的算力、网络、存储、大数据、AI 框架等智算基础设施的支持，也需要面向 AI 的针对性优化，这是一个囊括诸多技术领域的复杂系统工程。

ChatGPT 之争已经超出了算法的范畴，它更是一个 AI+ 云计算能力的全方位竞争，是技术生态层面的竞争。 既需要强大的云基础设施能力的保障，又需要深厚的大模型技术积淀，两者缺一不可。

多说一句

作为 NLPer，我能深刻的感受到，自从 2020 年 GPT-3 模型发布后，AI 的研究生态正变得愈加封闭。虽然这对于已经取得竞争优势的商业化公司而言是利好，但对全人类实现 AGI 的终极梦想而言，却是一个不好的文化趋势。

客观上，我们需要承认与 OpenAI 的差距，正因如此，倘若有一个更加开放的大模型生态，使得能有更多的 AI 研究人员避免“重复造轮子”，那国内“ChatGPT 复现”的进程无疑会大大加快。

一枝独放不是春。

End

崔庆才的新书《Python3网络爬虫开发实战（第二版）》已经正式上市了！书中详细介绍了零基础用 Python 开发爬虫的各方面知识，同时相比第一版新增了 JavaScript 逆向、Android 逆向、异步爬虫、深度学习、Kubernetes 相关内容，‍同时本书已经获得 Python 之父 Guido 的推荐，目前本书正在七折促销中！

内容介绍：《Python3网络爬虫开发实战（第二版）》内容介绍

扫码购买

好文和朋友一起看~