新周期，誰在堅守窄門？
來源：錦緞今日的投資者恐怕已經(jīng)忘記了，在OpenAI創(chuàng)造出ChatGPT這一殺器的前夜，生成式AI也曾經(jīng)是一道窄門，窄到連馬斯克都差點失去了信心。在當(dāng)時的輿論眼中，AGI的道路不夠性感，不夠
9 月 8 日消息，中國科學(xué)院自動化研究所今日官宣，該所李國齊、徐波團隊在發(fā)表原創(chuàng)內(nèi)生復(fù)雜性理論系列論文的工作基礎(chǔ)上，與沐曦 MetaX 合作，打造了類腦脈沖大模型“瞬悉 1.0”（SpikingBrain-1.0），在國產(chǎn)千卡 GPU 算力平臺上完成全流程訓(xùn)練和推理，實現(xiàn)了大模型在超長序列推理上數(shù)量級的效率和速度提升，展示了構(gòu)建國產(chǎn)自主可控的新型非 Transformer 大模型架構(gòu)生態(tài)的可行性。
研究團隊開源了 SpikingBrain-1.0-7B 模型并開放 SpikingBrain-1.0-76B 測試網(wǎng)址，同步公開了經(jīng)工業(yè)界大規(guī)模驗證的類腦脈沖大模型 SpikingBrain-1.0 中英文技術(shù)報告。
當(dāng)前，基于 Transformer 架構(gòu)的大模型在 Scaling law 驅(qū)動下，通過增加網(wǎng)絡(luò)規(guī)模、算力資源和數(shù)據(jù)量提升模型智能水平，但模型的基本計算單元為簡單的點神經(jīng)元模型，我們將此路徑稱為“基于外生復(fù)雜性”的通用智能實現(xiàn)方法。Transformer 架構(gòu)的固有缺點訓(xùn)練時開銷隨序列長度呈平方級增長以及推理時顯存占用也隨序列長度線性增加，構(gòu)成了資源消耗的主要瓶頸，導(dǎo)致其處理超長序列的能力受限。
研發(fā)團隊借鑒大腦神經(jīng)元內(nèi)部復(fù)雜工作機制提出“基于內(nèi)生復(fù)雜性”的大模型構(gòu)架方式，打造類腦脈沖大模型“瞬悉 1.0”（ SpikingBrain-1.0），在理論上建立了脈沖神經(jīng)元內(nèi)生動力學(xué)與線性注意力模型之間的聯(lián)系，揭示了現(xiàn)有線性注意力機制是樹突計算的特殊簡化形式，從而清晰地展示了一條不斷提升模型復(fù)雜度和性能的新型可行路徑。
研發(fā)團隊進而構(gòu)建并開源了基于脈沖神經(jīng)元、具有線性（SpikingBrain-1.0-7B）及混合線性復(fù)雜度（SpikingBrain-1.0-76B，激活參數(shù)量 12B）的新型類腦基礎(chǔ)模型，開發(fā)了面向國產(chǎn) GPU（沐曦 MetaX 曦云 C550）集群高效訓(xùn)練和推理框架、Triton 算子庫、模型并行策略以及集群通信原語。
SpikingBrain-1.0 在多個核心性能上實現(xiàn)突破：
第一，極低數(shù)據(jù)量上的高效訓(xùn)練：訓(xùn)練階段具有線性或近線性復(fù)雜度，顯著提升長序列訓(xùn)練效率，并能依托高效轉(zhuǎn)換訓(xùn)練范式，以約為主流大模型 2% 的預(yù)訓(xùn)練數(shù)據(jù)量實現(xiàn)與眾多開源 Transformer 模型在多任務(wù)語言理解（MMLU）, 中文多任務(wù)語言理解（CMMLU、Ceval）, 常識推理能力（ARC、HS）任務(wù)上相媲美的性能。
第二，推理效率的數(shù)量級提升：推理階段結(jié)合脈沖神經(jīng)元事件驅(qū)動特性，SpikingBrain 具有常數(shù)或部分層常數(shù)級別的復(fù)雜度和存儲開銷，SpikingBrain-7B 模型在 100 萬 Token 長度下 TTFT（生成第一個 Token 所需時間）相比 Transformer 架構(gòu)加速達到 26.5 倍，400 萬 Token 長度下加速超過 100 倍。同時在手機 CPU 端 64k-128k-256k 長度下較 Llama3.2 的同規(guī)模模型 Decoding 速度提升 4.04x-7.52x-15.39x，在超長序列處理能力上展現(xiàn)出數(shù)量級的效率和速度提升。
第三，國產(chǎn)自主可控類腦大模型生態(tài)的構(gòu)建：SpikingBrain 適配了面向國產(chǎn) GPU 集群的高效訓(xùn)練和推理框架、Triton 算子庫、模型并行策略以及集群通信原語，表明了構(gòu)建國產(chǎn)自主可控的新型非 Transformer 大模型架構(gòu)生態(tài)的可行性。
第四，基于動態(tài)閾值脈沖化的多尺度稀疏機制：設(shè)計細(xì)粒度的兩階段動態(tài)閾值脈沖化策略，結(jié)合粗粒度的混合專家模型（MoE）方案，在 7B 模型上實現(xiàn)了超過 69.15% 的稀疏度，長序脈沖占比約 1.85%，為低功耗的類腦大模型運行提供有力支撐。
中國科學(xué)院自動化研究所表示，這是我國首次提出大規(guī)模類腦線性基礎(chǔ)模型架構(gòu)、并首次在國產(chǎn) GPU 算力集群上構(gòu)建類腦脈沖大模型的訓(xùn)練和推理框架。提出的模型解決了脈沖驅(qū)動限制下的大規(guī)模類腦模型性能退化問題，其超長序列處理能力在法律 / 醫(yī)學(xué)文檔分析、復(fù)雜多智能體模擬、高能粒子物理實驗、DNA 序列分析、分子動力學(xué)軌跡等超長序列任務(wù)建模場景中具有顯著的潛在效率優(yōu)勢。本次發(fā)布的大模型為新一代人工智能發(fā)展提供了非 Transformer 架構(gòu)的新技術(shù)路線，并將啟迪更低功耗的下一代神經(jīng)形態(tài)計算理論和芯片設(shè)計。
附 SpikingBrain-1.0-7B 開源地址：
https://github.com/BICLab/SpikingBrain-7B
試用網(wǎng)站：
https://controller-fold-injuries-thick.trycloudflare.com
本文鏈接：http://www.rrqrq.com/showinfo-45-27451-0.html我國首個：類腦脈沖大模型“瞬悉 1.0”問世，在國產(chǎn) GPU 算力平臺完成訓(xùn)練推理
聲明：本網(wǎng)頁內(nèi)容旨在傳播知識，若有侵權(quán)等問題請及時與本網(wǎng)聯(lián)系，我們將在第一時間刪除處理。郵件：2376512515@qq.com
Copyright ? 2016-2023 天津谷騏科技有限公司 版權(quán)所有 sitemap.xml
違法及侵權(quán)請聯(lián)系：2376512515@qq.com 津ICP備18001702號
津公網(wǎng)安備 12010102000574號