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(gè)研究員寫下《Attention is All you need》的題目，給世界帶來了Transformer模型架構(gòu)，它成為了今天“大模型”繁榮背后無可爭(zhēng)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(chǔ)上生長(zhǎng)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(qiáng)的模型架構(gòu),。
某種程度上,，今天所有AI模型層面的研究都在圍繞對(duì)Transformer的掌控與超越展開。但這樣一個(gè)劃時(shí)代的研究在當(dāng)時(shí)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(xiàn)第二天就立刻徹底轉(zhuǎn)向了Transformer架構(gòu),，然后2020年5月OpenAI基于Transformer架構(gòu)的GPT-3論文發(fā)表，2年后ChatGPT出現(xiàn),，一切都不再相同,。
「變壓器」這個(gè)欄目名來自對(duì)Transformer的直譯，我們會(huì)拆解和介紹關(guān)于AI及相關(guān)技術(shù)的最新論文和最前沿研究，希望像OpenAI當(dāng)年看到Transformer一樣,，幫助更多人遇到自己的「變壓器」時(shí)刻,，比一部分人更早進(jìn)入生成式AI的世代。大模型領(lǐng)域最新的一個(gè)熱門趨勢(shì)是把模型塞到手機(jī)里,。而最應(yīng)該做這個(gè)研究的公司終于帶著它的論文現(xiàn)身,，那就是蘋果。

這家公司的研究團(tuán)隊(duì)最近發(fā)布了一篇論文《LLM in a flash: Efficient Large Language Model Inference with Limited Memory》,，簡(jiǎn)單說,，它嘗試?yán)瞄W存來解決大模型在塞進(jìn)手機(jī)時(shí)遇到的內(nèi)存不足的問題。

這是一個(gè)對(duì)于端側(cè)部署模型十分關(guān)鍵的問題,。

計(jì)算機(jī)的記憶體（Memory）簡(jiǎn)單分為內(nèi)存（Ram）和閃存（Flash）兩種,。內(nèi)存用于臨時(shí)存儲(chǔ)那些需要隨時(shí)訪問的數(shù)據(jù)和指令，它提供高速的讀寫,，有較高的存儲(chǔ)密度,。而閃存正相反，它讀寫較慢,，適用于長(zhǎng)期數(shù)據(jù)的存儲(chǔ),。

因此從特性上看，內(nèi)存更適合需要頻繁讀寫的大模型,。然而這帶來一個(gè)問題,，它成了一個(gè)限制死了的搭配，比如一個(gè)70億參數(shù)的模型就必須需要超過14GB的內(nèi)存才能以半精度浮點(diǎn)格式加載參數(shù),，但這超出了大多數(shù)邊緣設(shè)備的能力,。

如這篇論文的標(biāo)題所示，蘋果想要通過閃存來解決這個(gè)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(jìn)模型運(yùn)行中來,。論文提到一個(gè)概念,，大語言模型在前饋網(wǎng)絡(luò)（FFN）層展現(xiàn)出高度的稀疏性（超過90%）。FFN是一種基本的神經(jīng)網(wǎng)絡(luò)架構(gòu),，其中信息單向流動(dòng),，從輸入層流向輸出層，中間可能經(jīng)過多個(gè)隱藏層,。在這種網(wǎng)絡(luò)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(dāng)成是一個(gè)篩子,，僅迭代傳輸閃存中必要的、非稀疏數(shù)據(jù)到DRAM進(jìn)行處理。

使用修正線性單元（ReLU）前后輸出幅度對(duì)比，ReLU用來實(shí)現(xiàn)稀疏性

接下來是第二步：論文提出了一種名為“滑動(dòng)窗口技術(shù)”的神經(jīng)元數(shù)據(jù)管理方法,。把那些在預(yù)測(cè)模型中產(chǎn)生正輸出的神經(jīng)元定義為活躍神經(jīng)元,，在內(nèi)存中保留最近一部分輸入標(biāo)記的神經(jīng)元數(shù)據(jù)，僅加載當(dāng)前輸入標(biāo)記與其直接前驅(qū)不同的神經(jīng)元數(shù)據(jù),。這樣做能有效利用內(nèi)存,，釋放掉之前分配給已不在滑動(dòng)窗口內(nèi)的舊標(biāo)記神經(jīng)元數(shù)據(jù)的內(nèi)存。

滑動(dòng)窗口技術(shù)

第三步：論文還提出了一種增加數(shù)據(jù)塊大小的策略,。論文用OPT和Falcon模型做實(shí)驗(yàn)，把向上投影的第i列和向下投影的第i行捆綁存儲(chǔ),。當(dāng)激活第i個(gè)中間神經(jīng)元時(shí),，這兩部分?jǐn)?shù)據(jù)會(huì)同時(shí)被使用。通過在閃存中將這些對(duì)應(yīng)的列和行一起存儲(chǔ),，可以將數(shù)據(jù)整合成更大的塊進(jìn)行讀取,。

內(nèi)存管理策略,，首先將最后的元素復(fù)制到要?jiǎng)h除的神經(jīng)元中,，以保持連續(xù)的內(nèi)存塊，然后將需要的元素堆疊到最后

這些術(shù)語看起來依然晦澀,？沒關(guān)系我們可以做個(gè)類比,，事實(shí)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(cè)量（設(shè)備內(nèi)存有限，放不了大模型）,。

于是用了三個(gè)步驟來在特定環(huán)節(jié)減少對(duì)大模型的訪問延遲,。

首先找到一個(gè)等價(jià)方法，讓大象上船,，測(cè)量水位線,，再用石頭壘在船上，船達(dá)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(shù)據(jù)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(shù)據(jù)塊大小以提高閃存吞吐量）。

此外，搬運(yùn)石頭的時(shí)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(nèi)存中的數(shù)據(jù)）。

而這個(gè)過程的重點(diǎn),，是優(yōu)化閃存交互和內(nèi)存管理,，以實(shí)現(xiàn)內(nèi)存受限設(shè)備上的高效推理。使用這個(gè)方法來預(yù)測(cè)FFN的稀疏性并避免加載零化的參數(shù),，優(yōu)化成本模型和按需選擇性加載參數(shù),，實(shí)現(xiàn)了可以運(yùn)行比設(shè)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(dāng)然,，論文提供的方法只針對(duì)60到70億左右參數(shù)的模型，如果是幾百億參數(shù)的模型,，這樣的辦法會(huì)造成死鎖或者內(nèi)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(shí)際價(jià)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(nèi)存可用時(shí),，1個(gè)token的推理延遲,。在M1 Max上，每個(gè)token從閃存加載需要125毫秒的延遲,，內(nèi)存管理需要65毫秒,。因此，每個(gè)token的總的與內(nèi)存相關(guān)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(shù)據(jù)，導(dǎo)致每個(gè)token的延遲大約為2330毫秒,。因此,，這個(gè)方法相對(duì)于基準(zhǔn)方法表示了重大改進(jìn)。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(gè)token的推理延遲

在AI上落后了,？蘋果已經(jīng)悄悄地做了一堆工作

在今年AI的瘋狂里,，蘋果曾被詬病動(dòng)作很慢,，但這篇論文、此前蘋果提出的MLX框架,、自動(dòng)語音識(shí)別（ASR）以及它自己的模型Ferret等研究其實(shí)說明,，蘋果已經(jīng)目標(biāo)明確的在做很具體的研究了?？纯催@幾個(gè)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(gè)專門運(yùn)行在蘋果芯片上的機(jī)器學(xué)習(xí)數(shù)組框架,。MLX支持可組合的函數(shù)變換,，用于自動(dòng)微分,、自動(dòng)向量化和計(jì)算圖優(yōu)化,，但重點(diǎn)是MLX中的計(jì)算只有在需要時(shí)，數(shù)組才會(huì)被實(shí)際計(jì)算出來,。同時(shí)MLX中的計(jì)算圖是動(dòng)態(tài)構(gòu)建的,，改變函數(shù)參數(shù)的形狀不會(huì)觸發(fā)緩慢的編譯過程。而且MLX中的數(shù)組存在于共享內(nèi)存中,，可以在任何支持的設(shè)備類型上執(zhí)行MLX數(shù)組的操作,，而不需要數(shù)據(jù)傳輸。

也就是說,，MLX突出一個(gè)節(jié)省資源且“海陸空”三棲作戰(zhàn)（可以同時(shí)調(diào)用內(nèi)存,、顯存，可以在手機(jī)和電腦運(yùn)行）,。這說明蘋果非常注重模型的可實(shí)現(xiàn)性,，即便是手機(jī)這樣內(nèi)存有限的設(shè)備也能跑大模型。當(dāng)有了這樣的框架后,，蘋果就可以將Ferret模型塞進(jìn)便攜設(shè)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(nèi)任意形狀或粒度的空間指代,，并準(zhǔn)確地對(duì)開放詞匯的描述進(jìn)行定位,。Ferret采用了一種新穎而強(qiáng)大的混合區(qū)域表示方法，將離散坐標(biāo)和連續(xù)特征結(jié)合起來表示圖像中的一個(gè)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(diǎn),、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(shè)備Vision Pro,，對(duì)外宣稱是首款采用空間計(jì)算的產(chǎn)品?？臻g計(jì)算本質(zhì)是傳感器的一門學(xué)問,，通過傳感器來獲取關(guān)于物理空間的數(shù)據(jù)，并通過計(jì)算和分析這些數(shù)據(jù)來理解和處理環(huán)境信息,。傳統(tǒng)電子設(shè)備屏幕都只是平面二維,，但是空間計(jì)算作用的是現(xiàn)實(shí)中三維空間的物理概念，在Ferret的加持下,，空間的邊界感,、長(zhǎng)寬高三種向量的立體感就會(huì)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(shù)設(shè)計(jì)能力創(chuàng)作者的需求,。尤其是在視覺識(shí)別、配色方案,、排版,、網(wǎng)格等設(shè)計(jì)專業(yè)領(lǐng)域，F(xiàn)erret模型的效果將會(huì)最為明顯,。設(shè)計(jì)從業(yè)者是蘋果最為廣泛的受眾之一,，蘋果就像是個(gè)狙擊手，專門瞄準(zhǔn)用戶最需要它的地方,。

此外蘋果也一直在對(duì)與Siri相關(guān)的AI技術(shù)做研究,，比如大語言模型在SLU任務(wù)上的準(zhǔn)確性受限于ASR系統(tǒng)對(duì)給定語音輸入的準(zhǔn)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(shè)列表來提示大語言模型,，而非僅依賴錯(cuò)誤率較高的1-best假設(shè)。意味著Siri在接入大語言模型后,，性能會(huì)得到提高,。

至此，從硬件的芯片層,，到調(diào)用系統(tǒng)側(cè),，到與空間計(jì)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(jīng)有體系有目的有節(jié)奏的完成了諸多技術(shù)積累,。2024年，在討論AI時(shí)沒人能忽視蘋果了,。