AI 大模型最新突破：幫科學(xué)家讀論文，小菜一碟

作者 | 施方圓

編輯 | 陳彩嫻

自人類(lèi)邁入信息時(shí)代開(kāi)始，信息資源總量越來(lái)越多，信息過(guò)載的現象非常嚴重。

英國學(xué)者帶姆·喬丹曾說(shuō)：“擁有太多信息使信息的利用變得不可能?！?美國工程師 Vannever Bush 也觀(guān)察到信息過(guò)載的情況，在上個(gè)世紀就提出通過(guò)計算機來(lái)解決日益龐大的信息量問(wèn)題。

Meta AI 新近推出的語(yǔ)言大模型 Galactica，正是在這樣的背景下誕生。

由于語(yǔ)言模型可以潛在地儲存、組織和推理科學(xué)知識，所以語(yǔ)言模型可以作為一種工具幫人類(lèi)處理大量的信息。例如，語(yǔ)言模型可以在一個(gè)文獻訓練中發(fā)現不同研究中潛在的聯(lián)系，并讓這些見(jiàn)解浮出水面。Galactica 通過(guò)自動(dòng)生成二次內容來(lái)整合知識，將論文與代碼連接起來(lái)，為科學(xué)研究提供動(dòng)力。

目前，Meta AI 已開(kāi)放了 Galactica 所有模型的源代碼。

近年來(lái)，大型語(yǔ)言模型在 NLP 任務(wù)上取得了突破性的進(jìn)展。這些模型在大型通用語(yǔ)料庫上進(jìn)行自我監督訓練，并在數百個(gè)任務(wù)中表現良好。

但自監督的一個(gè)缺點(diǎn)是傾向使用未經(jīng)整理的數據，模型可能反映語(yǔ)料庫中的錯誤信息、刻板印象和偏見(jiàn)等。對于重視真理的科學(xué)任務(wù)來(lái)說(shuō)，這是不可取的，未經(jīng)整理的數據也意味著(zhù)會(huì )浪費更多算力預算。

Galactica 用一個(gè)大型科學(xué)語(yǔ)料庫訓練一個(gè)單一的神經(jīng)網(wǎng)絡(luò )，以學(xué)習不同的科學(xué)語(yǔ)言。Galactica 的語(yǔ)料庫包括了論文、參考資料、百科全書(shū)和其他學(xué)科資源的 1060 億個(gè) token 組成，集合了自然語(yǔ)言來(lái)源，如論文、教科書(shū)和自然序列，如蛋白質(zhì)序列和化學(xué)公式，能夠捕捉到 LATEX 并對其進(jìn)行處理，同時(shí)還用學(xué)術(shù)代碼捕捉計算科學(xué)。

與其他規模更大、未經(jīng)策劃的大型語(yǔ)言模型項目相比，Galactica 使用的數據集規模更小，而且是經(jīng)過(guò)精心策劃的，這很關(guān)鍵，即我們能否在一個(gè)經(jīng)過(guò)策劃和規范的語(yǔ)料庫上制造一個(gè)好的大型語(yǔ)言模型。如果可以，我們就能通過(guò)設置語(yǔ)料庫的內容，更有目的性地設計出大型語(yǔ)言模型。

研發(fā)者們主要通過(guò)專(zhuān)業(yè)化標記來(lái)設計數據集，這會(huì )形成不同的模態(tài)，例如：蛋白質(zhì)序列是根據氨基酸殘基來(lái)寫(xiě)的。研發(fā)團隊還對不同模態(tài)進(jìn)行了專(zhuān)門(mén)的標簽化。在處理好了數據集后，研發(fā)者們在 Galactic 的****設置中使用了 Transformer 架構，并進(jìn)行了以下修改：

GeLU 激活——對所有模型的尺寸都使用了 GeLU 激活；

上下文窗口——對所有的模型尺寸都使用了 2048 長(cháng)度的上下文窗口；

無(wú)偏差——遵循 PaLM ，不在任何密集核或層規范中使用偏差；

學(xué)習的位置嵌入——對模型使用學(xué)習的位置嵌入，在較小的尺度上試驗了 ALi Bi ，但沒(méi)有觀(guān)察到大的收益，所以研發(fā)者們沒(méi)有使用它；

詞語(yǔ)——使用 BPE 構建了一個(gè)包含 50k 個(gè)標記組成的詞匯表，詞匯量是由隨機選擇的 2% 的訓練數據子集中產(chǎn)生的。

研發(fā)者們還對大型語(yǔ)言模型作為科學(xué)模式和自然語(yǔ)言之間的橋梁的潛力進(jìn)行了初步調查，展示了 Galactica 可以通過(guò)自監督來(lái)學(xué)習 IUPAC 命名等任務(wù)。他們發(fā)現，增加連接自然語(yǔ)言和自然序列的數據及數量和大小可能進(jìn)一步提高模型的性能。

研發(fā)者們認為語(yǔ)言模型有更多潛力承擔目前人類(lèi)所擅長(cháng)的事情。

而且為了考察 Galactica 吸收知識的情況，研發(fā)者們還建立了幾個(gè)知識探針的基準，并用于確定語(yǔ)料庫內的知識差距，并告知如何確定語(yǔ)料庫內的知識差距和迭代語(yǔ)料庫。

另外，Galactica 在推理方面表現十分出色，在數學(xué) MMLU 上的表現優(yōu)于 Chinchilla 41.3% 至 35.7%，在 MATH 上的 PaLM 540B 得分分別為 20.4% 和 8.8%。

在經(jīng)過(guò)四個(gè) epoch 的訓練之后，最大的 120B 參數模型從第五個(gè) epoch 才開(kāi)始過(guò)度擬合。

盡管沒(méi)有接受過(guò)一般語(yǔ)料庫的訓練，但 Galactica 在 BIG-bench 上的表現優(yōu)于 BLOOM 和 OPT-175B。根據評估，Galactica 的毒性也明顯低于其他語(yǔ)言模型。

Meta AI 發(fā)布 Galactica 后，在 AI 領(lǐng)域引起廣泛注意，并收獲了一眾好評。

Yann LeCun 評論：這個(gè)工具（ Galactica ）于論文寫(xiě)作而言，就像輔助駕駛之于駕駛一樣，它不會(huì )幫你自動(dòng)寫(xiě)論文，但它會(huì )在你寫(xiě)論文的時(shí)候大大減輕你的認知負擔。

其他研究者則評論：

50 多年來(lái)，人類(lèi)獲取科學(xué)知識的主要方式一直是通過(guò)存儲和檢索，信息的推理、組合、組織無(wú)法依靠機器，只能通過(guò)人的努力完成，這導致知識吞吐量存在瓶頸。在 Galactica 的實(shí)踐中，研發(fā)者們探討了語(yǔ)言模型可能如何破壞這種舊的形式，帶來(lái)人與知識的新接口。

從長(cháng)遠來(lái)看，語(yǔ)言模型的上下文關(guān)聯(lián)能力可能會(huì )給搜索引擎帶來(lái)顯著(zhù)優(yōu)勢。在 Galactica 的實(shí)踐中，研發(fā)者們還證明語(yǔ)言模型可以是一個(gè)精心策劃的知識庫，執行知識密集型的問(wèn)答任務(wù)。