加拿大滑鐵盧大學(xué)研發(fā)出一種名為SubTrack++的全新訓(xùn)練方法，不僅可大幅縮短大語(yǔ)言模型的預(yù)訓(xùn)練時(shí)間，更能顯著提升其準(zhǔn)確性。這一突破有望降低構(gòu)建人工智能（AI）工具的成本與環(huán)境負(fù)擔(dān)，讓更多人用上強(qiáng)大、便捷的AI技術(shù)。
大語(yǔ)言模型是基于深度神經(jīng)網(wǎng)絡(luò)、專注于理解與生成人類自然語(yǔ)言的AI系統(tǒng)。其核心能力源于海量文本數(shù)據(jù)的預(yù)訓(xùn)練，借此學(xué)習(xí)語(yǔ)法規(guī)律、語(yǔ)義邏輯及上下文關(guān)聯(lián)，從而輸出貼近人類表達(dá)習(xí)慣的內(nèi)容。這類模型的“大”體現(xiàn)在兩方面：一是訓(xùn)練數(shù)據(jù)規(guī)模巨大，二是模型參數(shù)量極為龐大。正因如此，對(duì)其進(jìn)行預(yù)訓(xùn)練往往需要數(shù)月時(shí)間，并消耗大量算力、專用硬件及電力，高昂成本使一般企業(yè)與機(jī)構(gòu)難以承擔(dān)。
為破解這一難題，團(tuán)隊(duì)開(kāi)發(fā)出SubTrack++方法，可將預(yù)訓(xùn)練耗時(shí)縮減一半。團(tuán)隊(duì)指出，大語(yǔ)言模型能耗極高，即便訓(xùn)練時(shí)間僅減少5%，也能帶來(lái)顯著效益。從長(zhǎng)遠(yuǎn)看，此類技術(shù)進(jìn)步將推動(dòng)更多人自主構(gòu)建專屬的大語(yǔ)言模型。
團(tuán)隊(duì)解釋說(shuō)，大語(yǔ)言模型本質(zhì)是由龐大數(shù)字矩陣構(gòu)成的神經(jīng)網(wǎng)絡(luò)，通過(guò)數(shù)十億次試錯(cuò)學(xué)習(xí)預(yù)測(cè)文本序列。每當(dāng)預(yù)測(cè)出錯(cuò)，模型便微調(diào)其數(shù)學(xué)參數(shù)以提升準(zhǔn)確率。這一過(guò)程如同讓模型“閱讀整座圖書館”，從中學(xué)習(xí)人類如何使用語(yǔ)言。SubTrack++通過(guò)聚焦對(duì)任務(wù)最關(guān)鍵的核心參數(shù)，簡(jiǎn)化校正流程，實(shí)現(xiàn)高效微調(diào)，從而加速整體預(yù)訓(xùn)練。
團(tuán)隊(duì)期望，通過(guò)節(jié)省預(yù)訓(xùn)練時(shí)間，未來(lái)不只大型企業(yè)，普通用戶也能構(gòu)建并定制屬于自己的AI工具。安全學(xué)習(xí)個(gè)人偏好后，大語(yǔ)言模型可成為真正的智能數(shù)字助理，適應(yīng)不同用戶的風(fēng)格、目標(biāo)與需求，成為人類工作與創(chuàng)造中的得力伙伴。
團(tuán)隊(duì)將在墨西哥城舉辦的神經(jīng)信息處理系統(tǒng)會(huì)議上正式發(fā)表相關(guān)論文。
