“我们和OpenAI都没有护城河”

鱼羊 编辑整理

量子位 | 公众号 QbitAI

在这场大模型军备竞赛中,我们没有护城河,OpenAI也没有。

一份谷歌内部“泄密文件”,正在网上一石激起千层浪。

谷歌内部文件泄露:大模型已被开源社区「偷家」,不改变ChatGPT也会黯然失色
谷歌内部文件泄露:大模型已被开源社区「偷家」,不改变ChatGPT也会黯然失色

全文挺长,但核心观点十分明确:开源大模型迅猛发展,正在侵蚀OpenAI和谷歌的阵地

并且,“除非改变闭源的立场,否则开源替代品将最终使它们(包括ChatGPT)黯然失色”。

如此观点一出,立刻吸引了不少业内人士的关注。

Django框架的作者之一Simon Willison就转发点赞,“这是最近我了解到的有关LLM最有趣的事”、“绝对值得一读”。

谷歌内部文件泄露:大模型已被开源社区「偷家」,不改变ChatGPT也会黯然失色

据彭博社消息,文章原作者是谷歌高级软件工程师Luke Sernau,而其“内部文件”的真实性,也很快得到证实。

谷歌内部文件泄露:大模型已被开源社区「偷家」,不改变ChatGPT也会黯然失色

话不多说,一起来看具体内容。

核心观点

  • 与开源大模型相比,谷歌在大模型质量方面仍有优势,但差距正在以惊人的速度缩小。
  • 大语言模型是否会因开源迎来“Stable Diffusion时刻”还有待观察,但其发展与图像生成领域具有相同要素。
  • LoRA(低秩适应)在谷歌内部被低估了。
  • 巨型模型正在使我们减速。从长远角度看,最好的模型是那些可以快速迭代的模型。
  • 数据质量比数据规模更重要。
  • 直接与开源竞争是不明智的。

(以下为原文分享,经编辑)

谷歌&OpenAI没有护城河

谁将跨越大模型的下一个里程碑?令人不安的事实是,我们(谷歌)无法取得这场军备竞赛的胜利,OpenAI同样不能——

就在两边激烈竞争之时,第三方势力一直在悄悄侵蚀我们的阵地。

谷歌内部文件泄露:大模型已被开源社区「偷家」,不改变ChatGPT也会黯然失色

这个“第三方”,就是开源。现在,一些“主要开源问题”已经被解决,举几个例子:

  • LLM(大语言模型)已经能在手机上运行:比如在Pixel 6上,可以以每秒5 token的速度运行基础模型。
  • 可扩展的个人AI:人们可以在笔记本电脑上微调出个性化AI。
  • 负责任的发布:尽管没有完全解决,但图像生成领域和文本生成领域都已经取得了很大进展,网上有许多无限制资源。
  • 多模态:当前多模态ScienceQA的SOTA模型,1小时内就能完成训练。

虽然我们的模型在质量方面仍有优势,但差距正在以惊人的速度缩小。

开源模型更快、更可定制、更私密且功能更强大。关键是,开源力量在用100美元和130亿参数创造大模型,而我们在1000万美元和5400亿参数下苦苦挣扎。他们仅用几周,而非几个月就能完成大模型的训练。

这对我们产生了深远的影响:

  • 我们没有秘密武器。我们最大的希望是学习谷歌之外其他人正在做的事,并与之合作。我们应该优先考虑实现第三方集成。
  • 当免费、无限制的替代品在质量上有所突破,人们将不会为受限制的模型付费。我们应该思考我们真正的价值是什么。
  • 巨型模型正在拖慢我们的速度。从长远来看,最好的模型是那些可以快速迭代的模型。既然我们知道在<200亿的参数范围内,模型有什么可能性,我们就应该更多地关注模型的小型变体。
谷歌内部文件泄露:大模型已被开源社区「偷家」,不改变ChatGPT也会黯然失色

大语言模型的Stable Diffusion时刻

今年三月初,Meta的大语言模型LLaMA被泄露,开源社区得到了第一个真正有实力的基础模型。

谷歌内部文件泄露:大模型已被开源社区「偷家」,不改变ChatGPT也会黯然失色

随即,“羊驼”家族疯狂涌现,每隔几天就有新的进展发生。

仅仅一个月,指令调优(instruction tuning)、量化、质量改进、人类评估、多模态、RLHF……就都出现了。

最重要的是,开源社区解决了扩展问题,使得人人都能参与其中亲自尝试。许多新想法都来自普通人。训练和实验的门槛,已经从一个大型研究机构的总产出,降低到了一个人、一晚上和一台高性能笔记本电脑。

很多人认为这是大语言模型(LLM)的“Stable Diffusion时刻”。

在图像生成和LLM领域,低成本的公共参与都是通过LoRA(低秩适应)实现的,同时还有规模上的重大突破(比如图像合成的latent diffusion、LLM的Chinchilla)。

结果就是,质量足够高的模型吸引来了全世界的人才和机构,围绕开源大模型产生的新想法和迭代,很快超过了大型企业。

谷歌内部文件泄露:大模型已被开源社区「偷家」,不改变ChatGPT也会黯然失色

在图像领域,这些贡献已经证明其价值:开源使Stable Diffusion走上了与DALL-E完全不同的道路,激发了DALL-E所没有的产品集成、市场、用户界面等等创新。

Stable Diffusion也因此出圈,产生了远超DALL-E的文化影响力。

在LLM领域,同样的事情是否会再次发生还有待观察,但基本要素是相同的。

谷歌忽略了什么

最近,开源所取得的创新成果直接解决了我们仍在努力克服的问题。更多关注开源工作,可以帮助我们避免重复造轮子。

其中,LoRA是一种非常强大的技术,我们应该加大关注。

LoRA通过低秩分解来表示模型权重的更新,这可以大大缩减更新矩阵的大小,使得模型微调的成本更低、时间更短。

谷歌内部文件泄露:大模型已被开源社区「偷家」,不改变ChatGPT也会黯然失色

在消费级硬件上,花几个小时微调出一个个性化语言模型,这是一项重要的突破。但这项技术在谷歌内部被低估了,尽管它直接影响了我们最雄心勃勃的几个项目。

另外,从头开始训练模型是一条艰难的道路

LoRA如此有效的部分原因在于:和其他形式的微调一样,它是可堆叠的。虽然单独的微调是低秩的,但它们的总和不需要,模型的全秩更新可以随时间推移而累积。

这意味着,随着更好的数据集和任务的出现,模型可以低成本保持最新状态,而无需负担完整运行的成本。

相比之下,从头训练大模型不仅会丢掉预训练,还会丢失已经完成的迭代改进。在开源世界,这些改进会使模型很快占据主导地位,这就使得从头重新训练显得极为昂贵。

我们应该思考,新应用、新想法是否真的需要一个全新的模型来实现。如果我们确实有重大的架构改进,使得原有的模型权重无法复用,那么我们应该专注于更积极的蒸馏方法,尽可能地保留上一代的功能。

维护大模型使谷歌处于劣势

在最流行的模型规模上,LoRA的成本非常低(约100美元)。这意味着几乎每一个对大模型有想法的人,都可以把这些想法落到现实。

短至一天的训练时间已是常态。

以这样的速度,所有这些微调所产生的累积效应,很快就会弥补模型规模带来的劣势。

事实上,就工程师的工时而言,这些模型的改进速度大大超过了我们的大模型所能做的,其中最好已经跟ChatGPT几乎没有区别了。

专注于维护地球上一些最大的模型,实际上使我们处于劣势。

此外,数据质量比数据规模更重要

直接与开源竞争是一种失败的主张

开源大模型最近的进展对我们的业务战略有直接的影响。如果有免费、高质量的替代方案,谁会为谷歌有限制的付费产品买单呢?

我们也不应指望能够赶上。现代互联网在开源的基础上运行是有原因的。开源有一些我们无法复制的显著优势。

我们需要开源,胜过开源社区需要我们。

对我们的技术保密其实是一个脆弱的主张。每过一段时间,都会有谷歌的研究人员离职去往其他公司。所以我们可以假定,他们了解我们所知道的一切。

但是,由于大语言模型的负担成本正在降低,保持技术优势会变得更加困难。

世界各地的研究机构都在相互借鉴,以一种比我们自身能力更广的方式探索解决方案。在这种外部创新不断挑战我们技术价值的情况下,我们可以选择紧守我们的秘密,或者尝试相互学习。

现在,开源大模型的很多创新,都是源于Meta LLaMA模型的泄露。但Meta又成为这一进程中一个明显的赢家——他们相当于获得了整个星球的免费劳动力。由于大多数开源创新都基于他们的架构,因此没有什么能阻止他们将这些迭代进化整合到他们的产品中。

拥有生态系统的价值怎么强调都不为过。谷歌本身已在开源产品,如Chrome和Android中,成功验证了这一点。通过拥有孵化创新的平台,谷歌巩固了自己作为意见领袖和方向制定者的地位,获得了塑造比自身更宏大的想法的能力。

谷歌内部文件泄露:大模型已被开源社区「偷家」,不改变ChatGPT也会黯然失色

△Midjourney生成

我们对模型的控制越严密,开源替代方案的吸引力就越大。谷歌和OpenAI都倾向于防御性的发布模式,以确保他们能严格控制模型的使用方式。但这是徒劳的,任何想将LLM用于未经批准目的的人,都可以选择免费的开源模型。

谷歌应该让自己成为开源社区的领导者,通过更广泛的合作对话,而非忽视来起到带头作用。

这必然意味着放弃对我们模型的一些控制。但这种妥协是不可避免的。我们不能既希望推动创新,又要控制创新。

谷歌内部文件泄露:大模型已被开源社区「偷家」,不改变ChatGPT也会黯然失色

考虑到OpenAI当前的封闭策略,有人会觉得这些关于开源的讨论不公平。但事实是,我们已经通过挖对方墙脚的形式,与他们分享了一切。在这种趋势被扼制之前,保密是一个有争议的问题。

最后,OpenAI并不重要。在对于开源的态度上,他们犯了与我们相同的错误。他们保持优势的能力必然受到质疑。除非他们改变立场,否则开源替代品可以并最终将使其黯然失色。

至少在这方面,我们可以迈出第一步。

如何定义“护城河”

据彭博社消息,这篇文章是谷歌高级软件工程师Luke Sernau四月初在谷歌内网发布的。在被泄露之前,已经在谷歌内部被大量转发。

而原文一经流出,也引起了网友们的热烈讨论。

不过,也有不少网友并不认同Sernau的观点。

任何用过GPT-4的人都知道,开源模型与之相距甚远,甚至比不上GPT-3.5。OpenAI肯定有护城河,至少目前是这样。我不确定谷歌有没有,Bard反正是挺让人失望的。

谷歌内部文件泄露:大模型已被开源社区「偷家」,不改变ChatGPT也会黯然失色

有网友认为,Sernau关于与开源社区合作可以让模型更快改进的观点值得认同。但其实无论是开源还是闭源,改进得快的那一方都将获胜。

Midjourney目前比Stable Diffusion更受欢迎,因为它目前更好。但Midjourney是闭源的。

我想说的是,用户会盯紧最好的模型。开源并不总能获胜。

谷歌内部文件泄露:大模型已被开源社区「偷家」,不改变ChatGPT也会黯然失色

还有网友直接用一张图回怼:

谷歌内部文件泄露:大模型已被开源社区「偷家」,不改变ChatGPT也会黯然失色

但无论如何,“开源模型每周都在变得更好”。

而有关大模型的精彩故事,才刚刚开篇。

参考链接:
[1]https://www.semianalysis.com/p/google-we-have-no-moat-and-neither
[2]https://www.bloomberg.com/news/articles/2023-05-05/google-staffer-claims-in-leaked-ai-warning-we-have-no-secret-sauce
[3]https://news.ycombinator.com/item?id=35813322
[4]https://twitter.com/simonw/status/1654158105221922816
[5]https://www.reddit.com/r/MachineLearning/comments/137rxgw/d_google_we_have_no_moat_and_neither_does_openai/

— 完 —