ChatGPT 不是终点：阿里不出，谁与争锋？

ChatGPT正在变成一场竞赛，中国企业争先恐后抢发“自研”的ChatGPT，争当所谓的赢家。但实际上，ChatGPT并非竞赛的终点，而是起点，只是堪堪拉开了人工智能新时代的一角序幕。这场对于通用人工智能的角逐，实际上是一场无尽的长跑、而非百米冲刺。假设真有一个这样新的时代到来，哪些力量可以一争高下？此前，雷峰网(公众号：雷峰网)盘点了追赶「ChatGPT」的学术、创业与大厂三派力量：学术一派，清华大学一骑绝尘；创业一派，王小川、王慧文财大气粗；大厂一派，则以百度、阿里为代表，它们在 2020 年就已经开始布局大模型研究。（推荐阅读：《ChatGPT群雄逐鹿：陆奇屠龙，号令天下；小川不出，谁与争锋》《AIGC：我不是元宇宙的附庸品》）其中，大厂派有技术、有资源、有产品，最为突出。如同微软之于 OpenAI，谷歌之于 DeepMind，大厂与科研团队合作成为群雄逐鹿的主要形式。由于 ChatGPT 的成功背后是强科研投入与新产品优化的结合，大厂的资源（数据、算力）与产品平台，将扮演至关重要的角色。有小型初创团队就告诉雷峰网，大厂下场是意料之中，国内 AI 小公司囿于客观条件，如 OpenAI 依靠微软也是它们发展与生存的必要条件。人工智能的市场很大，每个公司都可以在其中找到自己的位置，区分的关键点其实只在于：能否在未来的持续竞争中保持投入，并最终以最低的成本提供最好的体验。

01ChatGPT 的本质

关于 ChatGPT 的讨论中，有一个常见的问题是：OpenAI 的 ChatGPT 这么火，我们（中国）还有机会吗？就模型来看，对 ChatGPT 来说，语言大模型是起码的敲门砖。作为 ChatGPT 的技术基础，GPT-3 在 2020 年首次面世，以 1750 亿参数，在多项语言任务（包含文字理解、文本生成、智能问答、文本续写、文本总结等等）中取得优异表现。从此，以 GPT-3 为代表的语言大模型成为自然语言处理研究者（NLPer）的兵家必争之地。在区分各家的 ChatGPT 实力时，大模型的实力也就成为重要考量。科技大厂中，目前在大模型上有布局的企业包括阿里（通义）、百度（文心）、华为（盘古）等。自研大模型的训练难度并不低，涉及数据、算法与算力三个维度，传言全球不超过 200 人能从头自研、训练一个大模型：•数据层面：对于深度学习，当样本数量较少时，不正确的模型复杂度会导致过拟合和欠拟合。当样本数量增多时，这种风险就会变小，因此，大模型对数据的数量与质量要求都极高。GPT-3有1750亿参数，数据量达到45TB，表现出色。而对数据的采集、清洗与标注，需要人力，也需要资金。•算法层面：除了海量数据，大模型训练对 AI 框架的深度优化和并行能力提出更高要求。这一块对 AI 人才的科研与工程能力要求最高，也是近日各大厂抢人才的源头。•算力层面：这一块参差不齐，但公开消息表明，为了 OpenAI 训练 GPT-3，微软帮忙建设了一个搭载 1 万张显卡，价值 5 亿美元的算力中心，模型在训练上则消耗了 355 个GPU年的算力，单独一次的训练成本则是 1200 万美金。OpenAI 的 GPT-4 还未揭晓，面对较为确定的不确定，企业的 AI 底层建设也显得尤为关键，算力就是其中之一。算力层面，据雷峰网了解，早年各大厂虽然如火如荼地建设各自的 AI Lab，但在计算资源的投入上却参差不齐，还有的知名大厂连一万张显卡都没有。更多详情可添加VX：Fiona190913，持续关注大厂 ChatGPT 的后续报道。除了显卡数量的不足，企业与企业拉开差距的地方还可能体现在：往期算力积累，以及运用有限算力资源训练无限大模型的应对能力。这波 ChatGPT 中，除了「利好英伟达」的声量，国内众多云计算厂商与计算服务商的声量微弱，本质在于：芯片需要与算法适配。也就是说，有算力固然重要，但找到适合大模型训练、能让大模型训练的芯片更为重要。尤其是前两年大模型的风潮中，部分大厂由于成本顾虑、没有入局，已经落后一大截，难以追赶。模型与算力的高压之下，团队与团队之间的天花板其实已昭然若揭。在这波ChatGPT浪潮中，阿里颇为低调，但因为在大模型和基础设施上长期积累的优势，阿里是一个绝不容忽视的重要玩家，一举一动都牵动着整个AI行业的神经。

02长跑者阿里

诚如上文所言，大模型的研究难度极大，门槛极高。大多数中小企业在声称「自研大模型」时，往往是基于已开源的大模型与数据集，用监督学习算法进行微调，获得一个新的模型后，然后基于这个模型来开发产品。虽然性价比高，但由于底层基础差异化不大，上层建筑在产品体验上也难以区分开来。这就造成了，若要从数据、算法与算力的底层部署开始深耕，大模型的开发注定是大厂与大厂之间的军备竞赛（人力、资本、数据）。而且，开始地越早，越有先发优势。

图注：大模型训练需要解决的数据、算法与算力难题（源于心辰科技分享）

作为国内最早入局语言大模型的团队之一，阿里在超越 ChatGPT 上有领先其他团队的优势，也意味着其在数据、算法与算力上有先行试错与解决问题的经验，甚至在产品落地上有探索与实验。公开资料表明，阿里在大模型的研究上有深厚基础：•阿里早在 2020 年 1 月前便开始研发多模态大模型（MultiModality-to-MultiModality Multitask Mega-transformer，简称为「M6」），6 月研发出 3 亿参数的 M6，有了一个好的开端；•2021 年是阿里大模型的快速腾飞时期：3 月发布千亿参数多模态大模型 M6，4 月发布首个中文语言大模型 PLUG（270亿参数，号称中文版「GPT-3」），5月发布万亿参数大模型 M6，10 月又发布 10 万亿参数大模型 M6……•2022 年，阿里「通义」大模型体系出世，囊括被谷歌、微软、DeepMind、Mega等国际顶尖团队引用的通用统一模型M6-OFA 。当年云栖大会期间推出国内首个 AI 模型社区魔搭 ModelScope，贡献 300 多个优质 AI 模型，百亿参数以上大模型超过10个……对比国内其他互联网科技大厂在大模型上的投入与产出，阿里的模型研究在前沿领域走得最远，成果间隔产出时间最短，中文语言模型意识突出，多模态结合与通用架构的研发落实也最透明（尤其体现在魔搭社区上），很难不被人关注。单看阿里的大模型成果数量，实际不足以窥见它的研发差异化。雷峰网试着从以下几个角度分析：首先，阿里大模型从M6、PLUG发展到通义，在训练方法上已经历经了一个明显的转变：从 BERT 到自回归。国内的大模型开发，尤其是 2021 年出现的许多大模型，基本是以 BERT 为先锋基础，而阿里在 2021 年开始从 BERT 转向自回归，复刻 GPT-3。鉴于大多数对 GPT-3 的复刻均以失败告终，阿里想必也是试错多次才成功。目前，在魔搭社区上，我们可以看到复刻成功的 GPT-3 多个中文版本，参数从base直到175B。这些版本已经开源开放，最高的下载量达到72k，可见受到 AI 算法开发者的广泛肯定。

图注：中文 GPT-3 在魔搭社区上的页面（源于魔搭社区）

Google发布的 BERT（Bidirectional Encoder Representation from Transformers）是首个预训练大模型，BERT 没有采用传统的单向语言模型，或者将两个单向语言模型进行浅层拼接的方法进行预训练，而是采用MLM（masked language model）以生成深度的双向语言表征。OpenAI 发布的 GPT-3 后来者居上，GPT-3 延续了单向语言模型训练方式，但是将模型尺寸扩充到1750亿参数。GPT-3聚焦于更加通用的NLP模型，解决了目前BERT类模型的两大缺点：对领域内有标签的数据过分依赖，以及对于领域数据分布的过分拟合。BERT 与自回归的区别在于，基于 BERT 架构训练的语言大模型更擅长「理解」，而基于自回归（即 GPT-3 的方法）更擅长「生成」。达摩院成为国内少有的布局自回归的大模型团队。此外，值得注意的是，谷歌的一项研究（论文「Emergent Abilities of Large Language Models」）表明，模型的规模从 700 亿参数到 2800 亿参数会有明显质变，验证了千亿级参数是大模型从量变到质变的一个坎。而阿里是国内第一个做出千亿参数大模型的团队。其次，从大模型背后最关键的算力技术来看，阿里在训练大模型上的工程积累也有明显提升，这主要体现在算力的部署上。从 2020 年 GPT-3 的出现以来，大模型「大力出奇迹」就成为 AI 领域公认最有前景的方向之一，但大模型的训练难度大，算力要求高。尤其当模型的参数超过万亿、十万亿（如阿里的 M6），训练过程中，已经不是单纯靠堆算力就行。实验表明，工程师在算法上下功夫，是可以降低计算能耗的。例如，GPT-3 推出两年后，2022 年 Meta 参照它所研发的 OPT 模型计算量就降低到了 1/7。2022 年还有文章表明，2018 年需要几千块 GPU 训练的 BERT 大模型，如今只需要单卡 24 小时就能训练完。类似的例子不胜枚举。提升训练速度、降低训练成本的途径主要有两种，一种是注重对训练数据的优化，而非参数规模；另一种则是依赖算法与架构的创新，如 ALBERT、「孟子」等工作。而这两种方法，都对研发团队的技术经验有要求。据公开资料，阿里在大模型训练这块有「两把刷子」。一方面，阿里从数据、算法上入手，降低计算能耗。2021 年 5 月，阿里达摩院的团队仅用 480 卡 GPU 就训练出万亿参数多模态大模型 M6，与英伟达、谷歌等公司实现万亿参数规模相比，能耗降低超八成。同年 10 月，他们把 M6 的参数规模扩大到 10 万亿，训练号称只用了 512 卡 GPU。另一方面，阿里在云计算上加大投入，专门建设了一个智能算力系统——飞天智算平台。飞天智算融合了通用计算、异构计算等多种计算形态，单集群算力峰值高达12 EFLOPS，对万卡规模的 AI 集群提供无拥塞、高性能的集群通讯能力，其中专设的机器学习平台 PAI 部署了分布式训练框架 EPL（训练 M6 的功臣）能大幅度能耗、提升速度。一个公开的数据是，截至 2023 年 1 月底，ChatGPT 官网总访问量超过 6.16 亿次，每一次与 ChatGPT 的互动，算力云服务成本在 0.01 美元，如果用总投资在 30.2 亿元、算力 500P 的数据中心支撑 ChatGPT 的运行，这样的数据中心至少需要 7-8 个，基础设施投入数以百亿。如果不是依托微软的 Azure 云平台，ChatGPT 难以提供稳定服务。而阿里云在云计算产品这块，是国内第一、全球第三，对于之后支持类似 ChatGPT 的产品有天然优势。最后，阿里从大模型研究中体现的另一个特点，是「模型服务」与「中文生态建设」的意识。阿里注重大模型的落地，解决行业问题，在 2022 年 9 月推出「通义」大模型系列，划分三层：模型底座层、通用模型层和行业模型层。

图注：阿里通义大模型架构

模型底座上，他们以统一学习范式OFA（One-For-All）等关键技术为支撑，在业界首次实现模态表示、任务表示、模型结构的统一。M6-OFA 模型在不引入新增结构的情况下，可以同时处理图像描述、视觉定位、文生图等10余项单模态和跨模态任务。2021 年，OpenAI 推出文生图产品 DALL·E，其背后的关键技术是为文字与图像两种模态搭建桥梁的架构 CLIP。阿里达摩院是国内最早注意到 CLIP 对多模态影响的团队，投入研发，在2022年推出了中文版 CLIP（ChineseCLIP），对中文跨模态有重要作用。这为提升模型泛化能力有很大影响。举例而言，在文本、图像、语音、视频等模态结合的基础上，任务表示和结构统一的设计可以让上层模型不仅服务单一领域（如电商），还能服务其他领域（如金融、医疗、法律等等）。在中文生态的建设上，阿里的另一个贡献是建设魔搭社区，对标 HuggingFace。魔搭社区成立不到半年，在促进中文 AI 模型的开源上，以清晰的文档格式、丰富的模型种类、优质的中文模型（包括大模型）吸引了许多开发者。语言大模型的研究中，中文语料的短缺一直是行业难题。阿里带头贡献自家模型和数据集，促进 AI 应用开发，推广 AI 产品与用户的交互，促进整个中文语言研究的语料积累，并开源布公。用一位 AI 从业者的评价来形容，在国内追赶 ChatGPT 的前赴后继中，阿里武器齐全，数据、算法、算力三风具备，场景丰富，很难缺席和失败。

03假如 AIGC 时代全面来临

ChatGPT 虽然是一款智能对话机器人，但提供问题的能力，本质上还是文本生成，即 AIGC 的一个分支。无论是文本生成，还是图像生成、文生图、文生视频，甚至早已出现的各类语音生成，其技术的成熟与产品的薄发，都代表了人工智能生成数字内容的无限想象力。AIGC，正在造出一个新的赛道，正在改变传统产品的形态。比如，语音音箱的市场将被激活和重塑。以天猫精灵为例，其家庭用户超过4000万，月交互次数超过80亿，这还是在原来AI对话能力下的情况。通过大模型的底座训练，再结合声音这种富有情绪的信息媒介，天猫精灵有可能升级成真正的家庭伴侣，成为包含知识、情感、个性、记忆的全新家庭交互系统，展现超乎期待的能力。更重要的是，我们正在一个转折点上，AI不仅是产品，更有可能变成一种服务「AI as Service」，这将成为科技大厂竞争的核心战场。如何对外输出AI能力，怎样以最低的成本来提供最好的体验，将成为大厂竞争的关键。擅长「为他人做嫁衣」的阿里，已经通过算力基础设施为客户减少研发成本。从之前情况来看，目前国内只有阿里一家具备支撑超万亿参数大模型研发的「云 + AI」全栈技术实力。同时，因为过去支持超大模型研发的经验，阿里练出了AI训练提效11倍、推理提效6倍的独家本领。这种「低碳训练」技术，后续无疑也将为阿里云的客户提供具有高性价比的AI算力。在提供产品体验上，阿里的策略不是与生态链伙伴抢终端客户，而是先做大生态。魔搭社区就是一个典型例子，让没有自研能力的 AI 开发者或中小企业在魔搭平台上就能体验五花八门的 AI 模型，构建自己所需的AI能力。换言之，在 AI 深入行业的蓝图上，阿里的策略貌似也是为 B 端客户提供技术服务，通过 B 端去触动 C 端，形成一张网。在魔搭社区，广大开发者或者中小企业主可以下载使用免费开源的模型，可以对模型进行二次优化，无需布卡就能快速生成基于 AI 模型的服务应用，使 AI 真正成为一种触手可及的生产要素。截至现在，已经有澜舟科技、深势科技、智谱AI、启智社区、哔哩哔哩、IDEA研究院等等十多家知名机构贡献模型，魔搭社区模型量已超过600个，较 2022 年 11 月上线之初翻了一番。除去用大模型服务自己的淘宝、天猫、天猫精灵、钉钉等等业务，阿里安心做一个 AI 时代的模型基础设施服务商，也不失为一个明智的选择。根据阿里 2022 财年全年财报，过去一年，阿里在技术相关成本费用上的投入超过 1200 亿元，全球设立 7 个研究中心，开源技术项目超 3000 个、开源活跃度国内企业排名第一，其中相当比例的投入进入人工智能领域。对于需要极高投入的 AI 研发来说，可以看出，阿里也具备了在这场长跑中坚持到底的决心。在最近一片喧嚣沸腾中，真正的主角可能还尚未亮剑，大戏才刚刚开始。

持续关注国内ChatGPT与AIGC发展动态，欢迎添加本文作者微信sunpx33、编辑微信Fiona190913交流见解，互通有无。

参考链接：https://arxiv.org/pdf/2206.07682.pdf