衡宇发自阿拉上海
量子位公众号 QbitAI
“据我了解，国内多个一线大模型机构，都已经突破了兆级的长文本能力。”
以上，是“2024 全球开发者先锋大会”大模型前沿论坛会间隙，上海人工智能实验室领军科学家林达华与量子位的交谈剪影。
林达华，深度学习与计算机专家，香港中文大学教授，他是商汤联合创始人，也是商汤创始人汤晓鸥的学生，是国际上最具影响力的视觉算法开源项目 OpenMMLab 的主导发起人。在大模型时代，他带领了书生·浦语 InternLM 开源大模型体系以及 OpenCompass 司南大模型评测体系的研发工作。
林达华预估，第一季度左右，各家都会对大模型上下文窗口兆级能力“亮剑”。
同时，他表达了与月之暗面同样的态度，即大海捞针其实没有那么难。
难的是海里不止一根针，应有无数的碎片化信息藏在各个地方，（大模型）把所有东西串接一起，做比较深层次的结论。
就像读福尔摩斯侦探小说，读完后综合判断凶手是谁——这就不是一个简单的检索问题。
近期，各家大模型于长文本赛道上卷生卷死，但是否应把它作为最主要的方向去打磨，大家有不同的判断。
林达华点出，应该要评估衡量超长文本能力的计算代价，“无损长上下文窗口，每一次响应都是很昂贵的过程，对应用来说，这个性价比是不是最理想的？我觉得值得探讨。”
长文本相关问题只是林达华表达自己思考和见解的一小个片段。
在这场大模型前沿论坛上，他以业界躬身入局者的身份，回望过去“群模乱舞”的一年，总结出大模型赛道的四点现状：
OpenAI 引领技术潮流，Google 紧紧追赶，Claude 异军突起； 上下文、推理能力、更高效的模型架构是技术探索的重点方向； 轻量级模型崭露头角； 开源模型快速发展，开放生态已成气候。
林达华还表示，大模型时代，技术演进有两股主要的驱动力量：
一是对 AGI 的追求，对 Scaling Law 的信仰；
二是对大模型带来新一次产业变革的憧憬。
除此之外，更详细的回望和前瞻性观点，在林达华口中一一道来。
模型架构：从追求参数到追求更高效的 Scale
Transformer 架构对计算资源的消耗巨大。
前几日的黄仁勋与 Transformer 七子路边对话中，Transformer 作者 Aidan Gomez 语气坚定，“世界需要比 Transformer 更好的东西（the world needs something better than Transformers）”。
业界已经开始从追求参数，过渡转换为追求更高效的规模。
其中，MoE 值得关注，业界同时在探索 Mamba 模型等，以低复杂度的注意力架构更高效地处理上下文。
训练数据：从追求数量到寻求规模化构造高质量数据的路径
训练数据包括三要素：
规模、质量、多样性。
在规模方面，早在 ChatGPT 之前，DeepMind 等研究报告已指出训练数据要和模型参数同步增长。
而训练数据的质量对模型水平影响很大，低质量数据对模型可能产生破坏性影响。增强数据的知识密度，能带来更高的训练效率。
此外，好的数据集是非常多样化的，均衡分布在充分大的语义空间中。
互联网语料数据的分布极不均匀，存在大量低水平重复的语言模式，可能带来模型能力的塌缩，“10% 的带有重复模式的数据注入到训练集里，有可能会使得模型降级到原来1/2 的体量。”
合理的 resampling（重采样）策略能大幅度降低其负面影响。因此，业界也在从追求训练数据数量，过渡向到寻求规模化构建高质量数据。
多模态：多模态融合将成为重要趋势，技术探索仍在路上
多模态融合将成为重要技术趋势，但技术探索仍在路上。
相比语言，多模态模型的训练多了一个重要维度，即图像和视频的分辨率对多模态模型最终的性能表现有重要影响。
如果使用非常高的分辨率进行多模态的训练和推理，模型能够得到巨大提升，但高分辨率会带来高计算成本。
“如何在高分辨率和合理计算成本之间取得最佳平衡，这为架构研究带来了很大的创新空间。”
智能体：大模型应用的重要形态，但需要核心基础能力的支撑
要让大模型真正进入到应用的场景和生产的场景的时候，它需要跟系统、跟场景、跟里面所有的事情互动。因此，需要给大模型装上手脚，然后就能不断地发出指令做出反馈，这就是一个智能体，这就是场景应用价值的系统。
智能体并不是一个简单的流程化过程。
它需要建立在一个非常坚实的基础模型上，具有很强的指令跟随能力、理解能力、反思能力和执行能力。如果这些能力都不具备，其实串接在一起仍然不然获得你所理想中的那种智能体的能力。
这里面是实验室把智能体具像化，智能体不一定是机器人，它可以是各种软件系统。
计算环境：云侧还在指数式成长，端侧即将迎来黄金增长期
芯片进入到后摩尔定律时代，未来算力会变成体量的拓展，越来越多的芯片连接在一起，建成越来越大的计算中心，支撑对通用人工智能的追求。
最终瓶颈不再是芯片，而是能源。
现在，小规格的大语言模型已具备较强性能水平和实用可能性，优秀的模型越做越小，可以进入到手机直接运行。
林达华表示，随着端侧算力快速增长，端侧即将迎来黄金增长期，云端协同将成为未来重要趋势，由云侧计算建立天花板，端侧计算将支撑用户使用大规模放量。
国内外差距：和 GPT-4 真正差距是推理能力
国内前列的模型在主客观表现上都超过了 GPT-3.5。
但同时需注意，国内大模型与 GPT-4 的真正差距在于推理能力。
林达华称，特别是随着推理难度的提升，GPT-4 和其他模型，重量级模型和轻量级模型逐渐拉开差距。相比常识推理、演绎推理，归纳推理是差距最大的类型。
One More Thing
在对谈中，林达华还表达了对国内大模型落地的看法。
观国内当下的最大的优势，是应用场景非常非常多。
如果有套生态，能够让大家用大模型去探索在哪些地方能用，哪些地方不能用，在应用上的探索速度和体量可能更快。
不过，他同时表示：
不能因为我们在应用落地上的繁花似锦，就掩盖我们去思考另一个问题——归于最终，还是要提升创新能力和原创水平。
