以造出世界上最大加速器芯片CS-2 Wafer Scale Engine闻名的公司Cerebras宣布,他们已经在利用“巨芯”进行人工智能训练上走出了重要的一步,训练出了单芯片上全世界最大的NLP(自然语言处理)AI模型。
该模型具有20亿个参数,基于CS-2芯片进行训练。
这块全世界最大的加速器芯片采用7nm制程工艺,由一整块方形的晶圆刻蚀而成。
它的大小数百倍于主流芯片,具有15KW的功率,集成了2.6万亿个7nm晶体管,封装了850000个内核和40GB内存。
NLP模型的开发是人工智能中的一个重要领域。利用NLP模型,人工智能可以“理解”文字含义,并进行相应的动作。OpenAI的DALL.E模型就是一个典型的NLP模型。这个模型可以将使用者的输入的文字信息转化为图片输出。
比如当使用者输入“牛油果形状的扶手椅”后,AI就会自动生成若干与这句话对应的图像。
不止于此,该模型还能够使AI理解物种、几何、历史时代等复杂的知识。
但要实现这一切并不容易,NLP模型的传统开发具有极高的算力成本和技术门槛。
实际上,如果只讨论数字,Cerebras开发的这一模型20亿的参数量在同行的衬托下,显得有些平平无奇。
前面提到的DALL.E模型具有120亿个参数,而目前最大的模型是DeepMind于去年年底推出的Gopher,具有2800亿个参数。
但除去惊人的数字外,Cerebras开发的NLP还有一个巨大的突破:它降低了NLP模型的开发难度。
按照传统流程,开发NLP模型需要开发者将巨大的NLP模型切分若干个功能部分,并将他们的工作负载分散到成百上千个图形处理单元上。
数以千百计的图形处理单元对厂商来说意味着巨大的成本。
技术上的困难也同样使厂商们痛苦不堪。
切分模型是一个定制的问题,每个神经网络、每个GPU的规格、以及将他们连接(或互联)在一起的网络都是独一无二的,并且不能跨系统移植。
厂商必须在第一次训练前将这些因素统统考虑清楚。
这项工作极其复杂,有时候甚至需要几个月的时间才能完成。
Cerebras表示,这是NLP模型训练中“最痛苦的方面之一”,只有极少数公司拥有开发NLP所必要的资源和专业知识。对于人工智能行业中的其他公司而言,NLP的训练则太昂贵、太耗时且无法使用。
Cerebras也并未仅仅执拗于数字,评价一个模型的好坏,参数的数量并不是唯一标准。
比起希望诞生于“巨芯”上的模型“努力”,Cerebras更希望的是模型“聪明”。
之所以Cerebras能够在参数量上取得爆炸式增长,是因为利用了权重流技术。这项技术可以将计算和内存的占用量解耦,并允许将内存扩展到足以存储AI工作负载中增加的任何数量的参数。
由于这项突破,设置模型的时间从几个月减少到了几分钟,并且开发者在GPT-J和GPT-Neo等型号之间“只需几次按键”就可以完成切换。这让NLP的开发变得更加简单。
这使得NLP领域出现了新的变化。
正如Intersect360 Research 首席研究官 Dan Olds 对Cerebras取得成就的评价:“Cerebras 能够以具有成本效益、易于访问的方式将大型语言模型带给大众,这为人工智能开辟了一个激动人心的新时代。”