Mamba一作最新大發長文！

主題只有一個，即探討兩種主流序列模型——狀態空間模型（SSMs）和Transformer模型的權衡之術。

簡單介紹下，Mamba就是一種典型的SSMs，它建立在更現代的適用于深度學習的結構化SSM基礎上，與經典架構RNN有相似之處。

在最受關注的語言任務上，Mamba-3B超越同等規模的Transformer，與兩倍大的Transformer匹敵，因此被視為Transformer架構的有力挑戰者。

現在，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：

• Attention雖強，但不是萬能。
• Transformer≠最終解法，而是階段性最優。
• “讓每個FLOPs都有意義”才是架構設計的最終目標。
• 將SSM層與注意力層按一定比例混合能帶來更強大的模型。

而且他還提前劇透，幾天后將發布“架構領域的下一個重大進展”。

雖然還不知道具體內容，但他目前扔出來的消息已經足夠大家抓耳撓腮一段時間了。

因為他提到了一個重要觀點——注意力機制的缺點實際上并不是它的二次復雜度。

要知道之前大家都認為，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架構中注意力機制的二次復雜度。

而現在，這樣的共識或許即將被推翻~

不過好消息是，即將推出的新架構能夠和Transformers兼容。

那么在迎來新架構之前，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神經網絡（RNN）的現代版。

更直觀的類比如下：

Transformer就像人類每寫一個字之前，都把前面的所有字+輸入都復習一遍，所以寫的慢。

RNN每次只參考前面固定的字數，寫的快，但容易忘掉更前面的內容。

而以Mamba為代表的SSMs每次參考前面所有內容的一個概括，越往后寫對前面內容概括得越狠，丟掉細節保留大意。

這一工作方式有點像人類的大腦——不斷接收新信息（輸入），并將其壓縮、總結成一個固定大小的“隱藏狀態”（即模型的內部記憶），一旦模型需要處理新信息時，它只與這個總結過的“記憶”互動，而不是回顧所有舊細節。

這也意味著，SSM相比其他架構更適合處理長序列信息，而且它還具備兩大優勢：

第一，非常適合處理非結構化或“低分辨率”數據。實驗結果表明，采用SSM架構的Mamba在語言、音頻、DNA序列模態上都實現了SOTA。

第二，處理長序列信息時，其計算成本與序列長度呈線性關系（不會突然急劇上升），且無論輸入序列有多長，模型在推理過程中所需的內存量都是固定的（適合資源有限的環境）。

按照作者總結，Mamba的成功得益于SSM的三個關鍵要素：

（1）狀態大小 (State size)

傳統RNN通常只有一個較小的隱藏狀態，而SSMs通過允許隱藏狀態成為一個更高維度的向量，能夠存儲比舊RNN多N倍的信息。

（2）狀態表達能力 (State expressivity)

早期SSMs以固定不變的方式更新狀態，適合處理音頻（信息變化規律）但不適合處理語言（信息速率變化快、需要選擇性記憶）數據。

而Mamba通過引入“選擇性SSMs”解決了這個問題，與經典RNN“門控機制”相似，它可以根據當前輸入數據來決定哪些信息該記住，哪些該遺忘。

（3）訓練效率 (Training efficiency)

盡管狀態更大、表達力更強會增加計算難度，但Mamba通過精心的參數化和利用經典的并行掃描算法來解決計算效率問題。

而且它和其他現代循環模型一樣，都注重并行化、內存管理以及模型線性度以提高計算效率。

不過作者也提醒，SSMs缺乏對過去信息的精細回憶和精確檢索能力。

Transformer模型更像一個數據庫

相比之下，Transformer模型更像一個數據庫——

會把收到的每一個信息（通常是經過Tokenization處理的“token”）都完整記錄下來，并儲存在一個叫做“KV緩存”的臨時記憶區中。當模型需要處理新信息時，它會回顧并比較所有以前儲存過的“token”。

其核心組件是自注意力機制，所帶來的優缺點也非常明顯。

一方面，Transformer模型能完美記住并精細處理序列中每一個單獨的“token”。

這使得它在處理已經過預處理、每個“token”都具有明確含義的數據時表現出色。如經過分詞（Tokenization）處理的文本，每個詞都帶有語義，Transformer就能很好地利用它們。

缺點就是計算成本高以及過于依賴高質量數據。

而針對Tokenization，作者也探討了它是否應該存在的問題，并得出如下觀點：

• 盡管Tokenization有實用價值，但強烈建議廢除。

作者認為，雖然Tokenization能夠將序列長度縮短約5倍，從而顯著提高語言模型的效率，但這只是表面現象。

首先，Tokenization違背了深度學習“端到端”的自動學習精神，即模型應該從原始數據中自動學習，而不是依賴人工預處理。

更要命的是，Tokenization在多語言和多模態應用中實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，模型不會數“strawberry”這個詞中有多少個R，就有Tokenization的影響。

一句話，作者堅持認為從原始數據中學習才是一種更好的模式。

而且已有實驗證據表明，在未經Tokenization處理的數據上，SSMs的表現顯著優于Transformer，即使Transformer被允許使用更多的計算資源。這進一步強調了Transformer在處理非語義化“token”數據時的弱點。

至此可以小結一下，SSMs和Transformer模型可謂各有千秋。

那么能不能將二者結合一下呢？

混合一下性能更佳

答案是yes！

作者發現，將兩種類型的信息處理方式結合起來，可能會產生更強大的效果。

這類似于人類智能既有大腦的模糊記憶，又有外部數據庫的精確檢索能力。

多項獨立研究表明，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，他的主張不僅僅關乎計算效率（盡管簡化數據可以減少注意力機制的二次復雜度開銷），而是一個更強烈的聲明，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，但它們遠非計算資源轉化的最優選擇，而要設計新的架構，一個重要衡量標準是每個FLOPs（算力）能否物盡其用，快速轉化為模型能力。

一言以蔽之，未來的方向可能是結合兩者的優勢，并開發能夠直接處理原始數據的模型。

不知道新架構又能帶來多大驚喜？