劃重點(diǎn)
01科技媒體The Information報(bào)道，OpenAI的下一個(gè)旗艦?zāi)Ｐ汀癘rion”已完成20%的訓(xùn)練，表現(xiàn)接近現(xiàn)有的GPT-4，但進(jìn)步幅度不如前兩代旗艦?zāi)Ｐ汀?br/>
02Orion在語言任務(wù)上表現(xiàn)更好，但在編碼等任務(wù)上可能不會(huì)優(yōu)于以前的模型。
03由于高質(zhì)量訓(xùn)練數(shù)據(jù)的減少以及計(jì)算成本的增加，OpenAI的研究人員正在探討是否有其他改進(jìn)模型性能的方法。
04與此同時(shí)，OpenAI成立了一個(gè)專門團(tuán)隊(duì)，負(fù)責(zé)探索如何優(yōu)化有限的訓(xùn)練數(shù)據(jù)和調(diào)整擴(kuò)展法的應(yīng)用，以保持模型改進(jìn)的穩(wěn)定性。
以上內(nèi)容由大模型生成，僅供參考
隨著ChatGPT和其他人工智能產(chǎn)品的用戶數(shù)量不斷攀升，支撐這些產(chǎn)品的核心技術(shù)大型語言模型（LLM）的進(jìn)步速度卻似乎放緩了。
據(jù)科技媒體The Information報(bào)道，OpenAI開發(fā)的下一個(gè)旗艦?zāi)Ｐ汀癘rion”，目前已經(jīng)完成20%的訓(xùn)練。盡管表現(xiàn)已接近現(xiàn)有的GPT-4，但進(jìn)步幅度卻遠(yuǎn)不如前兩代旗艦?zāi)Ｐ椭g的飛躍。
該媒體還援引OpenAI 的一名員工稱，Orion在語言任務(wù)上表現(xiàn)更好，但在編碼等任務(wù)上可能不會(huì)優(yōu)于以前的模型。另一位知情人士表示，與最近發(fā)布的其他模型相比，OpenAI在其數(shù)據(jù)中心運(yùn)行 Orion 的成本可能更高。
質(zhì)量進(jìn)展放緩，擴(kuò)展法面臨挑戰(zhàn)
在過去幾年中，LLM使用來自網(wǎng)站、書籍和其他來源的公開文本和其他數(shù)據(jù)進(jìn)行預(yù)訓(xùn)練過程，這種方法雖然能在一定程度上緩解數(shù)據(jù)匱乏，但帶來的質(zhì)量提升有限。
OpenAI的員工表示，Orion部分接受了人工智能生成的數(shù)據(jù)訓(xùn)練，這些數(shù)據(jù)由其他OpenAI模型生成，包括GPT-4和最近發(fā)布的推理模型。然而，這種合成數(shù)據(jù)導(dǎo)致了一個(gè)新問題，即Orion最終可能會(huì)在某些方面與那些舊模型相似。
與此類似，其他一些AI公司也面臨類似的問題。Meta創(chuàng)始人馬克扎克伯格和Databricks公司創(chuàng)始人Ion Stoica都指出，盡管AI技術(shù)在編碼、復(fù)雜任務(wù)解決等方面繼續(xù)取得進(jìn)展，但在常識判斷和通用任務(wù)能力上，性能提升已趨于緩慢。
Orion的進(jìn)展放緩直接挑戰(zhàn)了人工智能領(lǐng)域一直奉行的“縮放定律”，即在數(shù)據(jù)量和計(jì)算資源不斷增加的前提下，模型性能將持續(xù)大幅度提升。
為了應(yīng)對GPT改進(jìn)放緩給基于訓(xùn)練的縮放定律帶來的挑戰(zhàn)，業(yè)界似乎正在將精力轉(zhuǎn)向在初始訓(xùn)練之后改進(jìn)模型，從而可能產(chǎn)生不同類型的縮放定律。由于高質(zhì)量訓(xùn)練數(shù)據(jù)的減少以及計(jì)算成本的增加，OpenAI的研究人員不得不開始探討是否有其他改進(jìn)模型性能的方法。
例如，OpenAI正在將更多代碼編寫功能嵌入其模型中，并試圖開發(fā)一種軟件，可以接管個(gè)人計(jì)算機(jī)，通過執(zhí)行點(diǎn)擊、 光標(biāo)移動(dòng)等執(zhí)行其他操作， 完成網(wǎng)絡(luò)瀏覽器活動(dòng)或應(yīng)用程序的任務(wù)。
OpenAI還成立了一個(gè)專門團(tuán)隊(duì)，由之前負(fù)責(zé)預(yù)訓(xùn)練的Nick Ryder領(lǐng)導(dǎo)，負(fù)責(zé)探索如何優(yōu)化有限的訓(xùn)練數(shù)據(jù)和調(diào)整擴(kuò)展法的應(yīng)用，以保持模型改進(jìn)的穩(wěn)定性。
團(tuán)隊(duì)通過訓(xùn)練模型解決大量數(shù)學(xué)和編碼問題，讓模型在后期強(qiáng)化過程中逐步提高對這些任務(wù)的解答能力。此外，人工評估員還會(huì)對模型在不同任務(wù)上的表現(xiàn)進(jìn)行評分，以幫助模型在復(fù)雜問題上提供更準(zhǔn)確的答案。
巨大計(jì)算成本帶來的財(cái)務(wù)負(fù)擔(dān)
然而，隨著模型復(fù)雜度的增加，訓(xùn)練和運(yùn)行這些AI模型的成本也在急劇上升。例如，o1模型的推理成本是普通模型的六倍。
即便如此，扎克伯格、Sam Altman等人都曾表示，他們還沒有達(dá)到傳統(tǒng)擴(kuò)展法的極限。
這也許就是為什么OpenAI等公司依然在投資數(shù)十億美元建設(shè)數(shù)據(jù)中心，希望通過增加計(jì)算能力，從預(yù)訓(xùn)練模型中獲得更多的性能提升。
但OpenAI研究員Noam Brown在TEDAI大會(huì)上警告，開發(fā)更為先進(jìn)的模型可能將面臨數(shù)百億美元的高昂費(fèi)用，成為財(cái)務(wù)上的巨大負(fù)擔(dān)。
“畢竟，我們真的要訓(xùn)練花費(fèi)數(shù)千億美元或數(shù)萬億美元的模型嗎？在某些時(shí)候，擴(kuò)展范式會(huì)崩潰。”
或許在未來，OpenAI和其他AI公司都需要繼續(xù)在訓(xùn)練數(shù)據(jù)和計(jì)算資源之間尋求平衡，探索如何在不增加巨大財(cái)務(wù)負(fù)擔(dān)的前提下，進(jìn)一步優(yōu)化模型性能。
本文來自華爾街見聞，歡迎下載APP查看更多
