我們都知道大模型都是由各種算法組成的，那怎么看似簡單的代碼，如何變成讓人驚艷的“智能大腦”的？這篇文章，我們來分析下算法、結(jié)構(gòu)的路程和進(jìn)步。
你有沒有想過，AI 是如何從一個(gè)個(gè)看似簡單的算法，變成了如今無所不能的“智能大腦”？
算法研究員和工程師不斷設(shè)計(jì)新的 AI 算法和 AI 模型提升預(yù)測效果，其預(yù)測效果不斷取得突破性進(jìn)展。
但是新的算法和模型結(jié)構(gòu)，需要 AI 開發(fā)框架提供便于對 AI 范式的編程表達(dá)力和靈活性，對執(zhí)行性能優(yōu)化有可能會改變原有假設(shè)，進(jìn)而產(chǎn)生了對 AI 系統(tǒng)對于 AI 開發(fā)框架的開發(fā)過程和 AI 編譯器的執(zhí)行過程優(yōu)化提出了新的挑戰(zhàn)，因而促進(jìn)了 AI 系統(tǒng)的發(fā)展。
一、精度超越傳統(tǒng)機(jī)器學(xué)習(xí)
以 MNIST 手寫數(shù)字識別任務(wù)為例，其作為一個(gè)手寫數(shù)字圖像數(shù)據(jù)集，在早期通常用于訓(xùn)練和研究圖像分類任務(wù)，由于其樣本與數(shù)據(jù)規(guī)模較小，當(dāng)前也常常用于教學(xué)。
從圖中可以觀察了解到不同的機(jī)器學(xué)習(xí)算法取得的效果以及趨勢：1998 年，簡單的 CNN 可以接近 SVM 最好效果。
2012 年，CNN 可以將錯(cuò)誤率降低到 0.23% (2012)，這樣的結(jié)果已經(jīng)可以和人所達(dá)到的錯(cuò)誤率 0.2% 非常接近。
神經(jīng)網(wǎng)絡(luò)模型在 MNIST 數(shù)據(jù)集上相比傳統(tǒng)機(jī)器學(xué)習(xí)模型的表現(xiàn)，讓研究者們看到了神經(jīng)網(wǎng)絡(luò)模型提升預(yù)測效果的潛力，進(jìn)而不斷嘗試新的神經(jīng)網(wǎng)絡(luò)模型和在更復(fù)雜的數(shù)據(jù)集上進(jìn)行驗(yàn)證。
神經(jīng)網(wǎng)絡(luò)算法在準(zhǔn)確度和錯(cuò)誤率上的效果提升，讓不同應(yīng)用場景上的問題，取得突破進(jìn)展或讓領(lǐng)域研發(fā)人員看到相應(yīng)潛力，是驅(qū)動(dòng)不同行業(yè)不斷投入研發(fā) AI 算法的動(dòng)力。
二、公開數(shù)據(jù)集上突破
隨著每年 ImageNet 數(shù)據(jù)集上的新模型取得突破，新的神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)和訓(xùn)練方式的潛力。更深、更大的模型結(jié)構(gòu)有潛力提升當(dāng)前預(yù)測的效果。
1998 年的 Lenet 到 2012 年的 AlexNet，不僅效果提升，模型變大，同時(shí)引入了 GPU 訓(xùn)練，新的計(jì)算層（如 ReLU 等）。
到 2015 年的 Inception，模型的計(jì)算圖進(jìn)一步復(fù)雜，且有新的計(jì)算層被提出。
2015 年 ResNet 模型層數(shù)進(jìn)一步加深，甚至達(dá)到上百層。
到 2019 年 MobileNet3 的 NAS，模型設(shè)計(jì)逐漸朝著自動(dòng)化的方式進(jìn)行設(shè)計(jì)，錯(cuò)誤率進(jìn)一步降低到 6.7% 以下。
新的模型不斷在以下方面演化進(jìn)而提升效果：1）更好的激活函數(shù)和層，如 ReLU、Batch Norm 等；2）更深更大的網(wǎng)絡(luò)結(jié)構(gòu)和更多的模型權(quán)重；3）更好的訓(xùn)練技巧: 正則化（Regularization）、初始化（Initialization）、學(xué)習(xí)方法（Learning Methods），自動(dòng)化機(jī)器學(xué)習(xí)與模型結(jié)構(gòu)搜索等。
上述取得更好效果的技巧和設(shè)計(jì)，驅(qū)動(dòng)算法工程師與研究員不斷投入，同時(shí)也要求 AI 系統(tǒng)提供新的算子（Operator）支持與優(yōu)化，進(jìn)而驅(qū)動(dòng) AI 開發(fā)框架和 AI 編譯器對前端、中間表達(dá)和系統(tǒng)算法協(xié)同設(shè)計(jì)的演進(jìn)和發(fā)展。
三、算力與體系結(jié)構(gòu)進(jìn)步
從 1960 年以來，計(jì)算機(jī)性能的增長主要來自摩爾定律，到二十世紀(jì)初大概增長了 108 倍。但是由于摩爾定律的停滯，性能的增長逐漸放緩了。單純靠工藝尺寸的進(jìn)步，無法滿足各種應(yīng)用對性能的要求。
于是，人們就開始為應(yīng)用定制專用芯片，通過消除通用處理器中冗余的功能部分，來進(jìn)一步提高對特定應(yīng)用的計(jì)算性能。如圖形圖像處理器 GPU 就對圖像類算法進(jìn)行專用硬件加速。如圖所示后來出現(xiàn) GPGPU，即通用 GPU，對適合于抽象為單指令流多數(shù)據(jù)流（SIMD）或者單指令多線程（SIMT）的并行算法與工作應(yīng)用負(fù)載都能起到驚人的加速效果。
為了更高的性能，近年來 AI 芯片也大放光彩。
其中一個(gè)代表就是谷歌 TPU（Tensor Processing Unit），通過對深度學(xué)習(xí)模型中的算子進(jìn)行抽象，轉(zhuǎn)換為矩陣乘法或非線性變換，根據(jù)專用負(fù)載特點(diǎn)進(jìn)一步定制流水線化執(zhí)行的脈動(dòng)陣列（Systolic Array），進(jìn)一步減少訪存提升計(jì)算密度，提高了 AI 模型的執(zhí)行性能。
華為騰 NPU（神經(jīng)網(wǎng)絡(luò)處理器）針對矩陣運(yùn)算專門優(yōu)化設(shè)計(jì)，可解決傳統(tǒng)芯片在神經(jīng)網(wǎng)絡(luò)運(yùn)算時(shí)效率低下的問題。
此外，華為達(dá)芬奇架構(gòu)面向 AI 計(jì)算設(shè)計(jì)，通過獨(dú)創(chuàng) 3D Cube 設(shè)計(jì)，每時(shí)鐘周期可進(jìn)行 4096 次 MAC 運(yùn)算，為 AI 提供強(qiáng)大算力支持。
除了算子層面驅(qū)動(dòng)的定制，AI 層面的計(jì)算負(fù)載本身在算法層常常應(yīng)用的稀疏性和量化等加速手段也逐漸被硬件廠商，根據(jù)通用算子定制到專用加速器中，在專用計(jì)算領(lǐng)域進(jìn)一步協(xié)同優(yōu)化加速。通過定制化硬件，廠商又將處理器性能提升了大約 105 量級。
然而可惜的是，經(jīng)過這么多年的發(fā)展，雖然處理器性能提升這么多，我們機(jī)器的數(shù)值運(yùn)算能力早已是人類望塵莫及了，AI 芯片內(nèi)部執(zhí)行的程序代碼仍然是人類指定的固定代碼，智能程度還遠(yuǎn)遠(yuǎn)不及生物大腦。從智力程度來說，大約也就只相當(dāng)于嚙齒動(dòng)物，距離人類還有一定距離。
可以看到隨著硬件的發(fā)展，雖然算力逐漸逼近人腦，讓 AI 取得了突破。
但是我們也看到，算力還是可能在短期內(nèi)成為瓶頸，那么 AI 系統(tǒng)的性能下一代的出路在哪？
我們在后面會看到，除了單獨(dú)芯片的不斷迭代進(jìn)行性能放大（Scale Up），系統(tǒng)工程師不斷設(shè)計(jì)更好的分布式計(jì)算系統(tǒng)將計(jì)算并行，來達(dá)到向外擴(kuò)展（Scale Out），同時(shí)發(fā)掘深度學(xué)習(xí)的作業(yè)特點(diǎn)，如稀疏性等通過算法，系統(tǒng)硬件協(xié)同設(shè)計(jì)，進(jìn)一步提升計(jì)算效率和性能。
本文由 @章魚AI小丸子 原創(chuàng)發(fā)布于人人都是產(chǎn)品經(jīng)理。未經(jīng)作者許可，禁止轉(zhuǎn)載
題圖來自Unsplash，基于CC0協(xié)議
該文觀點(diǎn)僅代表作者本人，人人都是產(chǎn)品經(jīng)理平臺僅提供信息存儲空間服務(wù)
