文章來源： GenAI新世界
作者：苗正
編輯：王兆洋
圖片來源：由無界 AI生成
2017年，來自谷歌的幾個研究員寫下《Attention is All you need》的題目，給世界帶來了Transformer模型架構，它成為了今天“大模型”繁榮背后無可爭議的根基，OpenAI的GPT，Meta的Llama以及一眾最主流大語言模型都是在Transformer的基礎上生長起來，今天還有一批又一批聰明的研究者在不停嘗試提出比Transformer更強的模型架構。
某種程度上，今天所有AI模型層面的研究都在圍繞對Transformer的掌控與超越展開。但這樣一個劃時代的研究在當時并未立刻引起所有人的重視，而這種“嗅覺”的差異也很大程度決定了今天的AI格局——OpenAI在這篇論文出現第二天就立刻徹底轉向了Transformer架構，然后2020年5月OpenAI基于Transformer架構的GPT-3論文發(fā)表，2年后ChatGPT出現，一切都不再相同。
「變壓器」這個欄目名來自對Transformer的直譯，我們會拆解和介紹關于AI及相關技術的最新論文和最前沿研究，希望像OpenAI當年看到Transformer一樣，幫助更多人遇到自己的「變壓器」時刻，比一部分人更早進入生成式AI的世代。大模型領域最新的一個熱門趨勢是把模型塞到手機里。而最應該做這個研究的公司終于帶著它的論文現身，那就是蘋果。
這家公司的研究團隊最近發(fā)布了一篇論文《LLM in a flash: Efficient Large Language Model Inference with Limited Memory》，簡單說，它嘗試利用閃存來解決大模型在塞進手機時遇到的內存不足的問題。
這是一個對于端側部署模型十分關鍵的問題。
計算機的記憶體（Memory）簡單分為內存（Ram）和閃存（Flash）兩種。內存用于臨時存儲那些需要隨時訪問的數據和指令，它提供高速的讀寫，有較高的存儲密度。而閃存正相反，它讀寫較慢，適用于長期數據的存儲。
因此從特性上看，內存更適合需要頻繁讀寫的大模型。然而這帶來一個問題，它成了一個限制死了的搭配，比如一個70億參數的模型就必須需要超過14GB的內存才能以半精度浮點格式加載參數，但這超出了大多數邊緣設備的能力。
如這篇論文的標題所示，蘋果想要通過閃存來解決這個問題。
蘋果版的曹沖稱象
論文為了將大模型搬到閃存上，一共做了三步。
第一步：先讓閃存能參與進模型運行中來。論文提到一個概念，大語言模型在前饋網絡（FFN）層展現出高度的稀疏性（超過90%）。FFN是一種基本的神經網絡架構，其中信息單向流動，從輸入層流向輸出層，中間可能經過多個隱藏層。在這種網絡中，每一層的輸出僅作為下一層的輸入，而沒有任何反饋或循環(huán)連接。于是論文把FFN當成是一個篩子，僅迭代傳輸閃存中必要的、非稀疏數據到DRAM進行處理。
使用修正線性單元（ReLU）前后輸出幅度對比，ReLU用來實現稀疏性
接下來是第二步：論文提出了一種名為“滑動窗口技術”的神經元數據管理方法。把那些在預測模型中產生正輸出的神經元定義為活躍神經元，在內存中保留最近一部分輸入標記的神經元數據，僅加載當前輸入標記與其直接前驅不同的神經元數據。這樣做能有效利用內存，釋放掉之前分配給已不在滑動窗口內的舊標記神經元數據的內存。
滑動窗口技術
第三步：論文還提出了一種增加數據塊大小的策略。論文用OPT和Falcon模型做實驗，把向上投影的第i列和向下投影的第i行捆綁存儲。當激活第i個中間神經元時，這兩部分數據會同時被使用。通過在閃存中將這些對應的列和行一起存儲，可以將數據整合成更大的塊進行讀取。
內存管理策略，首先將最后的元素復制到要刪除的神經元中，以保持連續(xù)的內存塊，然后將需要的元素堆疊到最后
這些術語看起來依然晦澀？沒關系我們可以做個類比，事實上它的思路與曹沖稱象非常像。
首先論文要解決的問題就是，大模型是大象，沒辦法直接上秤測量（設備內存有限，放不了大模型）。
于是用了三個步驟來在特定環(huán)節(jié)減少對大模型的訪問延遲。
首先找到一個等價方法，讓大象上船，測量水位線，再用石頭壘在船上，船達到同樣的水位線，最后稱這些石頭的重量（也就是上面說的第一步，可以理解為減少數據加載）。
然后，其中體積一樣大的石頭不需要稱第二次（也就是第二步，優(yōu)化數據塊大小以提高閃存吞吐量）。
此外，搬運石頭的時候使用更大的框，一次可以裝很多塊石頭（就是最后一步的，高效管理加載到內存中的數據）。
而這個過程的重點，是優(yōu)化閃存交互和內存管理，以實現內存受限設備上的高效推理。使用這個方法來預測FFN的稀疏性并避免加載零化的參數，優(yōu)化成本模型和按需選擇性加載參數，實現了可以運行比設備DRAM容量大兩倍的模型，并在CPU和GPU上分別比傳統(tǒng)方法提速4-5倍和20-25倍。
當然，論文提供的方法只針對60到70億左右參數的模型，如果是幾百億參數的模型，這樣的辦法會造成死鎖或者內存溢出。不過他仍然給了便攜使用大模型這事一種可能性，這是非常難得的。
為了證明論文提出方法的實際價值，論文引用了Facebook的OPT 6.7B模型和TII的Falcon 7B模型。下圖在模型的一半內存可用時，1個token的推理延遲。在M1 Max上，每個token從閃存加載需要125毫秒的延遲，內存管理需要65毫秒。因此，每個token的總的與內存相關的延遲小于190毫秒（兩者總和）。相比之下，傳統(tǒng)方法需要以6.1GB/s的速度加載13.4GB的數據，導致每個token的延遲大約為2330毫秒。因此，這個方法相對于基準方法表示了重大改進。Falcon 7B也是類似，使用論文的方法延遲僅為250毫秒，而傳統(tǒng)方法的延遲為2330毫秒。延遲肯定是越低越好，越低代表從閃存中加載大模型的速度越快。
各模型1個token的推理延遲
在AI上落后了？蘋果已經悄悄地做了一堆工作
在今年AI的瘋狂里，蘋果曾被詬病動作很慢，但這篇論文、此前蘋果提出的MLX框架、自動語音識別（ASR）以及它自己的模型Ferret等研究其實說明，蘋果已經目標明確的在做很具體的研究了?？纯催@幾個重要的但并沒有引起很多重視的研究，也可以感受到蘋果AI上的方向。
MLX框架是蘋果在2023年推出的一個專門運行在蘋果芯片上的機器學習數組框架。MLX支持可組合的函數變換，用于自動微分、自動向量化和計算圖優(yōu)化，但重點是MLX中的計算只有在需要時，數組才會被實際計算出來。同時MLX中的計算圖是動態(tài)構建的，改變函數參數的形狀不會觸發(fā)緩慢的編譯過程。而且MLX中的數組存在于共享內存中，可以在任何支持的設備類型上執(zhí)行MLX數組的操作，而不需要數據傳輸。
也就是說，MLX突出一個節(jié)省資源且“海陸空”三棲作戰(zhàn)（可以同時調用內存、顯存，可以在手機和電腦運行）。這說明蘋果非常注重模型的可實現性，即便是手機這樣內存有限的設備也能跑大模型。當有了這樣的框架后，蘋果就可以將Ferret模型塞進便攜設備里了。
Ferret模型是蘋果在2023年10月推出的新型多模態(tài)大型語言模型（MLLM），它能夠理解圖像內任意形狀或粒度的空間指代，并準確地對開放詞匯的描述進行定位。Ferret采用了一種新穎而強大的混合區(qū)域表示方法，將離散坐標和連續(xù)特征結合起來表示圖像中的一個區(qū)域。為了提取多樣化區(qū)域的連續(xù)特征，論文提出了一種空間感知的視覺采樣器，能夠處理不同形狀之間的稀疏性差異。模型這種理解能力，意味著Ferret可以接受各種輸入，比如點、邊界框和自由形狀，像是DALL·E也好，Midjourney也好，都不能完全理解這種提示詞的輸入。
蘋果將要推出的AR設備Vision Pro，對外宣稱是首款采用空間計算的產品?？臻g計算本質是傳感器的一門學問，通過傳感器來獲取關于物理空間的數據，并通過計算和分析這些數據來理解和處理環(huán)境信息。傳統(tǒng)電子設備屏幕都只是平面二維，但是空間計算作用的是現實中三維空間的物理概念，在Ferret的加持下，空間的邊界感、長寬高三種向量的立體感就會更加明顯。
Ferret模型不一定能按要求畫出最美的畫面，但它一定能符合擁有藝術設計能力創(chuàng)作者的需求。尤其是在視覺識別、配色方案、排版、網格等設計專業(yè)領域，Ferret模型的效果將會最為明顯。設計從業(yè)者是蘋果最為廣泛的受眾之一，蘋果就像是個狙擊手，專門瞄準用戶最需要它的地方。
此外蘋果也一直在對與Siri相關的AI技術做研究，比如大語言模型在SLU任務上的準確性受限于ASR系統(tǒng)對給定語音輸入的準確性。那為了解決這一問題，蘋果找到了一種方法：使用ASR的n-best假設列表來提示大語言模型，而非僅依賴錯誤率較高的1-best假設。意味著Siri在接入大語言模型后，性能會得到提高。
至此，從硬件的芯片層，到調用系統(tǒng)側，到與空間計算概念相聯(lián)系的自研多模態(tài)模型，再到目前看起來最被期待的蘋果的AI能力的入口Siri，蘋果已經有體系有目的有節(jié)奏的完成了諸多技術積累。2024年，在討論AI時沒人能忽視蘋果了。
