Mamba一作最新大發(fā)長文!
主題只有一個(gè),即探討兩種主流序列模型——狀態(tài)空間模型(SSMs)和Transformer模型的權(quán)衡之術(shù)。
簡單介紹下,Mamba就是一種典型的SSMs,它建立在更現(xiàn)代的適用于深度學(xué)習(xí)的結(jié)構(gòu)化SSM基礎(chǔ)上,與經(jīng)典架構(gòu)RNN有相似之處。
在最受關(guān)注的語言任務(wù)上,Mamba-3B超越同等規(guī)模的Transformer,與兩倍大的Transformer匹敵,因此被視為Transformer架構(gòu)的有力挑戰(zhàn)者。
現(xiàn)在,Mamba一作將自己去年的幾場演講整合成一篇科普長文,向大眾分享了如下觀點(diǎn):
- Attention雖強(qiáng),但不是萬能。
- Transformer≠最終解法,而是階段性最優(yōu)。
- “讓每個(gè)FLOPs都有意義”才是架構(gòu)設(shè)計(jì)的最終目標(biāo)。
- 將SSM層與注意力層按一定比例混合能帶來更強(qiáng)大的模型。
而且他還提前劇透,幾天后將發(fā)布“架構(gòu)領(lǐng)域的下一個(gè)重大進(jìn)展”。
雖然還不知道具體內(nèi)容,但他目前扔出來的消息已經(jīng)足夠大家抓耳撓腮一段時(shí)間了。
因?yàn)樗岬搅艘粋€(gè)重要觀點(diǎn)——注意力機(jī)制的缺點(diǎn)實(shí)際上并不是它的二次復(fù)雜度。
要知道之前大家都認(rèn)為,ChatGPT等大模型之所以處理長文本算力消耗巨大,背后原因是Transformer架構(gòu)中注意力機(jī)制的二次復(fù)雜度。
而現(xiàn)在,這樣的共識(shí)或許即將被推翻~
不過好消息是,即將推出的新架構(gòu)能夠和Transformers兼容。
那么在迎來新架構(gòu)之前,先讓我們完整回顧下SSMs和Transformers的“世子之爭”吧(doge)。
SSMs就像人類的大腦
一上來,作者先定義了什么是狀態(tài)空間模型(SSMs)?
方程看不懂不要緊,只需要知道它可以通俗理解為循環(huán)神經(jīng)網(wǎng)絡(luò)(RNN)的現(xiàn)代版。
更直觀的類比如下:
Transformer就像人類每寫一個(gè)字之前,都把前面的所有字+輸入都復(fù)習(xí)一遍,所以寫的慢。
RNN每次只參考前面固定的字?jǐn)?shù),寫的快,但容易忘掉更前面的內(nèi)容。
而以Mamba為代表的SSMs每次參考前面所有內(nèi)容的一個(gè)概括,越往后寫對(duì)前面內(nèi)容概括得越狠,丟掉細(xì)節(jié)保留大意。
這一工作方式有點(diǎn)像人類的大腦——不斷接收新信息(輸入),并將其壓縮、總結(jié)成一個(gè)固定大小的“隱藏狀態(tài)”(即模型的內(nèi)部記憶),一旦模型需要處理新信息時(shí),它只與這個(gè)總結(jié)過的“記憶”互動(dòng),而不是回顧所有舊細(xì)節(jié)。
這也意味著,SSM相比其他架構(gòu)更適合處理長序列信息,而且它還具備兩大優(yōu)勢:
第一,非常適合處理非結(jié)構(gòu)化或“低分辨率”數(shù)據(jù)。實(shí)驗(yàn)結(jié)果表明,采用SSM架構(gòu)的Mamba在語言、音頻、DNA序列模態(tài)上都實(shí)現(xiàn)了SOTA。
第二,處理長序列信息時(shí),其計(jì)算成本與序列長度呈線性關(guān)系(不會(huì)突然急劇上升),且無論輸入序列有多長,模型在推理過程中所需的內(nèi)存量都是固定的(適合資源有限的環(huán)境)。
按照作者總結(jié),Mamba的成功得益于SSM的三個(gè)關(guān)鍵要素:
(1)狀態(tài)大小 (State size)
傳統(tǒng)RNN通常只有一個(gè)較小的隱藏狀態(tài),而SSMs通過允許隱藏狀態(tài)成為一個(gè)更高維度的向量,能夠存儲(chǔ)比舊RNN多N倍的信息。
(2)狀態(tài)表達(dá)能力 (State expressivity)
早期SSMs以固定不變的方式更新狀態(tài),適合處理音頻(信息變化規(guī)律)但不適合處理語言(信息速率變化快、需要選擇性記憶)數(shù)據(jù)。
而Mamba通過引入“選擇性SSMs”解決了這個(gè)問題,與經(jīng)典RNN“門控機(jī)制”相似,它可以根據(jù)當(dāng)前輸入數(shù)據(jù)來決定哪些信息該記住,哪些該遺忘。
(3)訓(xùn)練效率 (Training efficiency)
盡管狀態(tài)更大、表達(dá)力更強(qiáng)會(huì)增加計(jì)算難度,但Mamba通過精心的參數(shù)化和利用經(jīng)典的并行掃描算法來解決計(jì)算效率問題。
而且它和其他現(xiàn)代循環(huán)模型一樣,都注重并行化、內(nèi)存管理以及模型線性度以提高計(jì)算效率。
不過作者也提醒,SSMs缺乏對(duì)過去信息的精細(xì)回憶和精確檢索能力。
Transformer模型更像一個(gè)數(shù)據(jù)庫
相比之下,Transformer模型更像一個(gè)數(shù)據(jù)庫——
會(huì)把收到的每一個(gè)信息(通常是經(jīng)過Tokenization處理的“token”)都完整記錄下來,并儲(chǔ)存在一個(gè)叫做“KV緩存”的臨時(shí)記憶區(qū)中。當(dāng)模型需要處理新信息時(shí),它會(huì)回顧并比較所有以前儲(chǔ)存過的“token”。
其核心組件是自注意力機(jī)制,所帶來的優(yōu)缺點(diǎn)也非常明顯。
一方面,Transformer模型能完美記住并精細(xì)處理序列中每一個(gè)單獨(dú)的“token”。
這使得它在處理已經(jīng)過預(yù)處理、每個(gè)“token”都具有明確含義的數(shù)據(jù)時(shí)表現(xiàn)出色。如經(jīng)過分詞(Tokenization)處理的文本,每個(gè)詞都帶有語義,Transformer就能很好地利用它們。
缺點(diǎn)就是計(jì)算成本高以及過于依賴高質(zhì)量數(shù)據(jù)。
而針對(duì)Tokenization,作者也探討了它是否應(yīng)該存在的問題,并得出如下觀點(diǎn):
- 盡管Tokenization有實(shí)用價(jià)值,但強(qiáng)烈建議廢除。
作者認(rèn)為,雖然Tokenization能夠?qū)⑿蛄虚L度縮短約5倍,從而顯著提高語言模型的效率,但這只是表面現(xiàn)象。
首先,Tokenization違背了深度學(xué)習(xí)“端到端”的自動(dòng)學(xué)習(xí)精神,即模型應(yīng)該從原始數(shù)據(jù)中自動(dòng)學(xué)習(xí),而不是依賴人工預(yù)處理。
更要命的是,Tokenization在多語言和多模態(tài)應(yīng)用中實(shí)施起來非常困難甚至不可能,而且還可能限制模型的Scaling Law和推理能力。
比如眾所周知的翻車事件,模型不會(huì)數(shù)“strawberry”這個(gè)詞中有多少個(gè)R,就有Tokenization的影響。
一句話,作者堅(jiān)持認(rèn)為從原始數(shù)據(jù)中學(xué)習(xí)才是一種更好的模式。
而且已有實(shí)驗(yàn)證據(jù)表明,在未經(jīng)Tokenization處理的數(shù)據(jù)上,SSMs的表現(xiàn)顯著優(yōu)于Transformer,即使Transformer被允許使用更多的計(jì)算資源。這進(jìn)一步強(qiáng)調(diào)了Transformer在處理非語義化“token”數(shù)據(jù)時(shí)的弱點(diǎn)。
至此可以小結(jié)一下,SSMs和Transformer模型可謂各有千秋。
那么能不能將二者結(jié)合一下呢?
混合一下性能更佳
答案是yes!
作者發(fā)現(xiàn),將兩種類型的信息處理方式結(jié)合起來,可能會(huì)產(chǎn)生更強(qiáng)大的效果。
這類似于人類智能既有大腦的模糊記憶,又有外部數(shù)據(jù)庫的精確檢索能力。
多項(xiàng)獨(dú)立研究表明,在這些混合模型中,SSM層與注意力層之間的最佳比例大約在3:1到10:1之間。
如此也說明,Attention并非All You Need。
作者明確表示,他的主張不僅僅關(guān)乎計(jì)算效率(盡管簡化數(shù)據(jù)可以減少注意力機(jī)制的二次復(fù)雜度開銷),而是一個(gè)更強(qiáng)烈的聲明,即Transformer在建模能力上存在固有的局限性。
最后,他也提到了已經(jīng)為人熟知的Scaling Law定律。
在他看來,雖然Transformer目前很流行,但它們遠(yuǎn)非計(jì)算資源轉(zhuǎn)化的最優(yōu)選擇,而要設(shè)計(jì)新的架構(gòu),一個(gè)重要衡量標(biāo)準(zhǔn)是每個(gè)FLOPs(算力)能否物盡其用,快速轉(zhuǎn)化為模型能力。
一言以蔽之,未來的方向可能是結(jié)合兩者的優(yōu)勢,并開發(fā)能夠直接處理原始數(shù)據(jù)的模型。
不知道新架構(gòu)又能帶來多大驚喜?
特別聲明:以上內(nèi)容(如有圖片或視頻亦包括在內(nèi))為自媒體平臺(tái)“網(wǎng)易號(hào)”用戶上傳并發(fā)布,本平臺(tái)僅提供信息存儲(chǔ)服務(wù)。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.