今天早上，外媒 SemiAnalysis 公布了这份重磅炸弹泄露文件。

据悉，这份文件是一名匿名人士在 Discord 服务器上分享出来的，文件来自谷歌内部的一名研究员，真实性已被确认。

(资料图片仅供参考)

SemiAnalysis 特别强调，这份文件仅代表谷歌员工的意见，不代表整个公司的意见。

内部文件

我们没有护城河，OpenAI 也没有

我们一直在严密监视着 OpenAI。谁将跨越下一个里程碑？下一步将是什么？

但现在，令人不安的事实就是：我们无法赢得这场军备竞赛，OpenAI 也不能。

就在我们两方对战的时候，第三方正在悄悄地吃掉属于我们的好处。

没错，我说的就是开源。说白了，他们已经超越了我们。我们认为的「重大开放问题」如今已经解决，掌握在所有用户手中。几个简单的例子：

手机上的 LLMs：在 Pixel 6 上，以每秒 5 个 token 的速度，就能运行基础模型。

可扩展的个人 AI：只要一个晚上，就能在笔记本电脑上微调出一个个性化 AI。

负责任的发布：这一点倒是没有「解决」，说「避免」会更贴切。现在网上到处都是充满了各种艺术模型的网站，没有任何限制，开源的大语言模型也不甘其后。

多模态：当前的多模态 ScienceQA SOTA，只用一个小时就能训练出来。

虽然我们的模型在质量上仍然略有优势，但差距正在以惊人的速度缩小。

这些开源模型更快、更可定制、更私密，性能也更强大。

他们只用 100 美元和 13B 的参数，就能做到我们用 1000 万美元和 540B 的参数下才能做的事。他们在几周内完成，而不是几个月。

这对我们有着巨大的冲击：

我们没有独家秘密武器了。最大的希望就是，学习其他人正在做的事，与他们合作。我们应该优先考虑允许第三方集成。

当这些免费的、不受限的开源平替具有完全相当的质量，用户不会再为受限的模型付费了。我们应该考虑下，我们真正的增值在哪里。

巨型模型正在减慢我们的速度。从长远来看，最好的模型是那些可以快速迭代的模型。既然我们知道在参数少于 200 亿时模型会有怎样的可能，我们就应该更关注小模型。

发生了什么

3 月初，随着 Meta 的 LLaMA 被泄露给公众，开源社区得到了第一个真正性能强大的基础模型。它没有指令或对话调整，也没有 RLHF。

尽管如此，开源社区立刻明白：他们得到的东西有多么重要。

随后，大量创新的开源平替模型不断地涌现出来。每隔几天，就出现一个大进展。

才短短一个月，就有了指令调整、量化、质量改进、人工评估、多模态、RLHF 这么多功能的变体，许多还是建立在彼此的基础上的。

最重要的是，他们已经解决了规模的问题，现在任何一个人，都可以参与其中。

如今，许多全新的想法都来自普通人。训练和实验的门槛已经大大降低，从前需要一个大型研究机构合力工作，现在，只需要一台功能强大的笔记本，一个人在一晚上就能搞定。

我们本可以预见到这一切

这对任何人来说，都不算什么惊喜。图像生成领域的复兴之后，紧接着就是开源 LLM 的复兴。

许多人说，这就是大语言模型的“Stable Diffusion”时刻。

在这两个领域，让公众能够以低成本参与，都是通过低秩适应（LoRA）来实现的。它让微调机制的成本大大降低，

还实现了模型规模的重大突破。（比如图像合成的 Latent Diffusion，LLM 的 Chinchilla）

在获得足够高质量的模型后，世界各地的个人和机构都开始了一系列对模型的创新和迭代。而这些创新，也迅速超越了大科技公司。

在图像生成领域，这些贡献至关重要，使 Stable Diffusion 走上了与 Dall-E 完全不同的道路。

Stable Diffuision 的开源，导致了产品集成、市场、用户界面的创新，而在 Dall-E 身上，这些却没有发生。

这样做的后果是显而易见的，Stable Diffusion 迅速占据了主流，与之相比，OpenAI 的解决方案已经变得无关紧要了。

同样的事情是否会发生在 LLM 领域？目前还未知，但这两件事，有太多相似之处。

我们错过了什么？

开源社区最近取得成功的很多创新，直接解决了我们还未解决的很多难题。

更多地关注他们的工作，可以帮我们避免重新造轮子。

LoRA 是一种非常强大的技术，我们可能应该对它更加关注。

LoRA 通过将模型更新表示为低秩分解来工作，这将更新矩阵的大小减少了数千倍以上。

这就让模型微调的时间和成本都大大降低。

如果在几个小时内，就能在消费级硬件上微调出一个个性化的语言模型，这件事的意义就太重大了。尤其是，它还可以实时整合许多最新的、多样化的知识。

但这项技术在谷歌内部并未得到充分重视，尽管它直接影响了我们最寄予厚望的项目。

从头开始重新训练模型，是一条艰难的道路

LoRA 如此有效的部分原因在于，与其他形式的微调一样，它是可堆叠的。

可以应用指令调整改进模型，这样在其他贡献者添加对话、推理或工具时，就可以直接使用。

虽然单独的微调是低秩的，但它们的总和不需要，因此模型的全秩更新就可以随着时间的推移而累积。

这意味着，只要有新的、更好的数据集和任务出现，模型就可以以低廉的成本保持最新状态，无需支付完整运行的成本。

相比之下，从头开始训练巨型模型不仅会失去预训练的过程，还会失去在顶部进行的任何迭代改进。

在开源世界中，这些改进很快就会占据主导地位，这使得全面重新训练模型的成本极其昂贵。

我们应该考虑，每个新的应用或想法是否真的需要一个全新的模型？

如果我们真的有重大的架构改进，以至于无法直接重新使用模型权重，那么我们应该去投资更积极的蒸馏形式，来尽可能多地保留上一代模型的功能。

如果我们能够在小模型上快速迭代，那么从长远来看，大模型并不是强到无所不能

LoRA（大型语言模型的低秩适应）是微软提出的一种新颖技术，旨在解决微调大型语言模型的问题。

它的更新对于最受欢迎的模型大小来说非常便宜（约 100 美元），这意味着几乎任何有想法的人都可以生成一个，并分发出去。

以后，一天之内训练一个模型都是平平事。

以这样的速度，用不了多久，这些微调的累积效应很快就会弥补起初的模型大小的劣势。

事实上，这些模型的改进速度远远超过了我们使用最大模型所能做的，而且最好的模型与 ChatGPT 在很大程度上已经无法区分。

专注于研究一些大模型，反而让我们处于不利地位。

要数据质量，不要数据规模

许多项目通过对小型、精选数据集上进行训练来节省时间。这表明数据扩展规律具有一定的灵活性。

这样数据集的存在源于「Data Doesn"t Do What You Think」一文中的思路，它们正迅速成为在谷歌之外进行训练的标准方式。

这些数据集是通过合成方法（比如，从现有模型中筛选出最佳响应）和从其他项目中搜集而构建。谷歌在这两者中都不占主导地位。

幸运的是，这些高质量的数据集是开源的，因此可以免费使用。

与开源直接竞争，是一个失败的命题

AI 新进展对谷歌的商业战略有着直接、即时的影响。如果有一个免费的、高质量、且没有使用限制的替代品，谁会为谷歌产品付费？

而且我们不应该指望能够赶上。现代互联网之所以依赖开源，是有原因的。开放源码有一些我们无法复制的显著优势。

比起他们需要我们，我们更需要他们

我们技术的保密一直是一个脆弱的命题。

谷歌的研究人员正定期离开，前往其他公司。所以我们可以假设他们知道我们所知道的一切。而且只要这条渠道是开放的，他们就会继续这样做。

但是，由于 LLM 的前沿研究成本低廉，保持技术领域的竞争优势变得更加困难。

世界各地的研究机构都在相互借鉴，以广度优先的方式探索远远超出我们自身能力的解决方案空间。

我们可以试着紧紧抓住我们的秘密，而外部创新会削弱了其价值，又或者我们可以尝试着互相学习。

与公司相比，个人受到许可的限制程度较小

近来，模型的创新大多在 Meta 的 LLaMA 模型权重泄露之后进行的。

虽然这肯定会随着真正的开源模型变得更好而改变，但关键是他们不必等待。

「个人使用」所提供的法律保护以及起诉个人的不切实际意味着，个人在这些技术炽热时就能获得这些技术。

作为自己的客户意味着，你理解用例

浏览人们在图像生成领域中创建的模型，从动画生成器到 HDR 景观，创造力源源不断地涌现出来。

这些模型由深入特定子类型的人使用和创建，赋予了我们无法企及的知识深度和共鸣。

拥有生态系统：让开源为我们工作

矛盾的是，大厂竞相争先的背后，赢家就是 Meta。

因为泄露的模型 LLaMA 是他们的，所以相当于他们有效地获得了整个星球价值的免费劳动力。

由于大多数开源创新都基于 LLaMA，所以没有什么能阻止他们直接将其纳入自己的产品中。

拥有生态系统的价值，未来将不可估量。曾经的谷歌已经成功地在其开源产品（如 Chrome 和 Android）中使用了这一范式。

通过拥有创新发生的平台，谷歌巩固了自己作为思想领袖和方向制定者的地位。

我们对模型的控制越严格，开源替代品就越有吸引力。

谷歌和 OpenAI 都倾向于严格控制模型使用，开启一种防御性的反应。

但是这种控制只是虚构的，因为任何试图将 LLMs 用于未经批准的目的的人，都可以选择自由提供的模型。

谷歌应该在开源社区中确立自己的领导地位，通过合作来发挥引领作用。

这可能意味着要采取一些令人不安的步骤，比如发布小型 ULM 变体的模型权重。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。我们不能同时做到既推动创新，又控制创新。

结束语：OpenAI 怎么样？

鉴于 OpenAI 目前的封闭政策，所有关于开源的讨论可能让人觉得不公平。

如果他们不愿意，我们为什么要分享呢？但事实是，我们正通过源源不断地被挖走的高级研究人员与他们分享了一切。

在我们阻止这股潮流之前，保密是没有意义的。

最后，OpenAI 并不重要。

相对于开放源代码，他们正在犯同样的错误，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，而且最终会超越他们。至少在这方面，我们可以先行一步。

开源时间线

23 年 2 月 24 日，LLAMA 发布

Meta 发布 LLaMA，开源代码，但没有公布权重。此时，LLaMA 尚未进行指令或对话调优。

与许多当前模型一样，它是一个相对较小的模型（参数分别为 7B、13B、33B 和 65B），经过相对较长时间的训练，因此与其大小相比具有相当强大的能力。

23 年 3 月 3 日，不可避免的事情发生了

不到一周，LLAMA 就被泄露给了公众。Meta 现有的许可禁止将 LLAMA 用于商业目的。

突然之间，任何人都可以进行试验。在整个社区，掀起了模型创新的海啸。

23 年 3 月 12 日，语言模型在烤箱上运行

一个多星期后，Artem Andreenko 成功在树莓派上运行模型。当时，模型运行速度非常慢，因为权重必须在内存中分页，实用性不强。

尽管如此，这为一系列缩小模型规模的努力奠定了基础。

23 年 3 月 13 日，笔记本电脑上的微调

第二天，斯坦福发布了 Alpaca，它为 LLaMA 增加了指令调优功能。

然而，重要的是，Eric Wang 的 alpaca-lora 仓库，它使用 LoRA 在单个 RTX 4090 上几小时内完成了这个训练。

从这时起，突然间，任何人都可以对模型进行微调，引发了一场关于低成本微调模型的竞争。

许多铺天盖地的报道称 xxx 模型总共花费了几百美元。

更重要的是，低秩更新可以轻松地与原始权重分开分发，使他们摆脱了 Meta 原始许可的约束。任何人都可以分享和应用它们。

23 年 3 月 18 日，变得更快了

GeorgiGerganov 使用 4 位量化在 MacBookCPU 上运行 LLaMA。

这是第一个「无 GPU」解决方案，速度足够快，实用性很强。

23 年 3 月 19 日，一个 13B 型实现了与 Bard 的「平衡」

第二天，一个跨大学的合作发布了 Vicuna，并使用 GPT-4 驱动的评估对模型输出进行定性比较。虽然评估方法值得怀疑，但该模型实质上比早期的变体更好。

最最重要的是，只用了 300 美元进行训练。

值得注意的是，他们能够使用来自 ChatGPT 的数据，同时规避其 API 的限制

他们只需从像 ShareGPT 这样的网站上获取令人印象深刻的 ChatGPT 对话样本。

23 年 3 月 25 日，选择自己的模型

Nomic 创建了 GPT4All，它既是一个模型，更重要的是，它也是一个生态系统。

所有人第一次看到模型（包括 Vicuna）汇集在一个地方。训练费用: 100 美元。

23 年 3 月 28 日，开源版 GPT-3

Cerebras 使用 Chinchilla 暗示的最佳计算计划和 μ 参数化暗示的最佳缩放（optimal scaling）来训练 GPT-3 架构。

这比现有的 GPT-3 克隆有很大的优势，代表了 μ 参数化在实际应用中的首次使用。这些模型是从零开始训练的，这意味着社区不再依赖 LLaMA。

23 年 3 月 28 日，一小时完成多模态训练

LLaMA-Adapter 采用一种新的参数有效微调（PEFT）技术，在一个小时的训练中引入指令调优和多模态。

令人印象深刻的是，它们只使用了 120 万个可学习参数。该模型在多模态 ScienceQA 上刷新了 SOTA。

23 年 4 月 3 日，人们无法区分 13B 开源模型和 ChatGPT

伯克利发布了 Koala，这是一个完全使用免费数据进行训练的对话模型。

他们采取了衡量真实人类在 Koala 和 ChatGPT 之间的偏好的关键步骤。

虽然 ChatGPT 仍然稍占上风，但超过 50% 的时间，用户要么更喜欢 Koala，要么无所谓。训练费用: 100 美元。

23 年 4 月 15 日，ChatGPT 级的开源 RLHF

Open Assistant 发布了一个模型，更重要的是，发布了一个用于通过 RLHF 进行对齐的数据集。

这一模型在人类偏好方面接近 ChatGPT (48.3%:51.7%)。

除了 LLaMA 之外，他们还展示了这个数据集可以应用到 Pythia-12B 上，为人们使用一个完全打开的堆栈来运行模型提供了选择。

此外，由于数据集是公开可用的，它使得对于小型实验者来说，RLHF 从不可实现变得便宜，且容易。

谷歌筑墙，啪啪打脸

虽说开源是胜利，但现在的谷歌却反身架起城墙，拒绝开源。

今年 2 月，长期担任谷歌人工智能部门负责人 Jeff Dean 对内宣布了一项令人震惊的政策转变：

推迟与外界分享内部工作。

多年来，Dean 一直把部门当作一所大学来管理，鼓励研究人员大量发表学术论文。据 Google Research 显示，自 2019 年以来，他们推动了近 500 项研究。

自 ChatGPT 诞生以来，一路风生水起，显然让谷歌一时慌了神，并就此必须做出改变。

Dean 表示，谷歌在人工智能领域的发现只有转化成产品后，才会共享论文。

Jeff Dean 在谷歌研究部门的季度会议上表示，这家位于旧金山的初创公司 OpenAI，通过学习团队的论文，才跟上了谷歌的步伐。

我们都知道，ChatGPT 中的 T 便指的是谷歌 Transformer 架构，是以 Transformer 架构为核心的大型语言模型。

为了追赶 ChatGPT，谷歌开启了防御模式。这对谷歌来说，是一个重大转变。

这一政策首先是为了抵御一批强大的 AI 竞争对手，另外是为了保护其核心搜索业务、以及可能的未来。

然而正如内部文件泄露所称，谷歌不是胜者，OpenAI 也不是，真正的赢家才是 Meta。

开源的胜利，谷歌曾尝过。现在，是该做些改变了。