今天，谷歌大脑声称，他们新技术能训练万亿级参数的语言模型。

万亿级，什么概念？

烧了微软10000张显卡的GPT-3，也不过1750亿参数。

现在，他们将这参数量扩大到9倍——16000亿参数。

这一语言模型正是Switch Transformer，自称是迄今为止最大的模型，其预训练速度是谷歌以前开发的最大语言模型（T5-XXL）的4倍。

与此同时，此次也首次展现了大型稀疏模型（参数量惊人，但计算成本恒定）也可以用较低精度的格式进行训练。

迄今最大语言模型

Switch Transformer的设计原则是，用一种简单有效的稀疏性扩展Transformer模型的参数量。

它建立在专家混合的基础上，这是90年代初首次提出的人工智能模型范式。

简单来说，就是在一个更大的模型内保留多个专家，或专门从事不同任务的模型，并由一个“门控网络”为任何给定数据选择咨询哪些专家。

Switch Transformer的创新之处在于，它有效利用了一些硬件，比如GPU和谷歌的TPU等为稠密矩阵乘法设计的硬件。

在分布式训练设置中，模型的稀疏激活层在不同设备上分配唯一的权重。所以，模型权重随设备数量的增加而增加，同时在每个设备上保持可管理的内存和计算空间。

接着，研究人员使用了32个TPU内核在一个数据集上预训练了几个不同的Switch Transformer模型。

这一数据集叫做Colossal Clean Crawled Corpus，750GB大小，包含了从Reddit、维基百科和其他网络资源中搜索的文本。

研究人员给这些模型布置了任务，比如，在有15%单词被掩盖的段落中预测出缺失的单词；检索文本来回答问题。

研究人员表示，他们拥有2048个专家系统的1.6万亿参数模型（Switch-C）“完全没有不稳定性”，其速度相比于T5-XXL模型提升了4倍。

此外，研究者还将模型与T5-Base和 T5-Large进行了对比，结果表明，在相同的计算资源下，新模型预训练速度有最高7倍的提升。

研究人员表示，大型稀疏模型可用于创建较小的密集模型，在任务上进行微调，其质量增益为大型模型的30%。

从整体结果上看，Switch Transformer 模型在多项推理和知识任务中带来了显著性能提升。这说明该模型架构不只对预训练有用，还可以通过微调将质量改进迁移至下游任务中。

研究人员表示，

我们无法完全保留模型质量，但通过将我们的稀疏模型提炼成密集模型，可以实现10到100倍的压缩率，同时实现约30%的专家模型的质量增益。

在未来的工作中，研究人员计划将Switch Transformer应用于不同模态或多模态模型，包括图像和文本。

参考链接：
论文地址：https://arxiv.org/abs/2101.03961
https://venturebeat.com/2021/01/12/google-trained-a-trillion-parameter-ai-language-model/

“