一份谷歌内部“泄密文件”，正在网上一石激起千层浪。
全文挺长，但核心观点十分明确：开源大模型迅猛发展，正在侵蚀OpenAI和谷歌的阵地。
并且，“除非改变闭源的立场，否则开源替代品将最终使它们（包括ChatGPT）黯然失色”。
如此观点一出，立刻吸引了不少业内人士的关注。
Django框架的作者之一Simon Willison就转发点赞，“这是最近我了解到的有关LLM最有趣的事”、“绝对值得一读”。
据彭博社消息，文章原作者是谷歌高级软件工程师Luke Sernau，而其“内部文件”的真实性，也很快得到证实。
话不多说，一起来看具体内容。
- 与开源大模型相比，谷歌在大模型质量方面仍有优势，但差距正在以惊人的速度缩小。
- 大语言模型是否会因开源迎来“Stable Diffusion时刻”还有待观察，但其发展与图像生成领域具有相同要素。
- LoRA（低秩适应）在谷歌内部被低估了。
- 巨型模型正在使我们减速。从长远角度看，最好的模型是那些可以快速迭代的模型。
- 数据质量比数据规模更重要。
- 直接与开源竞争是不明智的。
（以下为原文分享，经编辑）
谁将跨越大模型的下一个里程碑？令人不安的事实是，我们（谷歌）无法取得这场军备竞赛的胜利，OpenAI同样不能——
就在两边激烈竞争之时，第三方势力一直在悄悄侵蚀我们的阵地。
这个“第三方”，就是开源。现在，一些“主要开源问题”已经被解决，举几个例子：
- LLM（大语言模型）已经能在手机上运行：比如在Pixel 6上，可以以每秒5 token的速度运行基础模型。
- 可扩展的个人AI：人们可以在笔记本电脑上微调出个性化AI。
- 负责任的发布：尽管没有完全解决，但图像生成领域和文本生成领域都已经取得了很大进展，网上有许多无限制资源。
- 多模态：当前多模态ScienceQA的SOTA模型，1小时内就能完成训练。
虽然我们的模型在质量方面仍有优势，但差距正在以惊人的速度缩小。
开源模型更快、更可定制、更私密且功能更强大。关键是，开源力量在用100美元和130亿参数创造大模型，而我们在1000万美元和5400亿参数下苦苦挣扎。他们仅用几周，而非几个月就能完成大模型的训练。
这对我们产生了深远的影响：
- 我们没有秘密武器。我们最大的希望是学习谷歌之外其他人正在做的事，并与之合作。我们应该优先考虑实现第三方集成。
- 当免费、无限制的替代品在质量上有所突破，人们将不会为受限制的模型付费。我们应该思考我们真正的价值是什么。
- 巨型模型正在拖慢我们的速度。从长远来看，最好的模型是那些可以快速迭代的模型。既然我们知道在<200亿的参数范围内，模型有什么可能性，我们就应该更多地关注模型的小型变体。
今年三月初，Meta的大语言模型LLaMA被泄露，开源社区得到了第一个真正有实力的基础模型。
随即，“羊驼”家族疯狂涌现，每隔几天就有新的进展发生。
仅仅一个月，指令调优（instruction tuning）、量化、质量改进、人类评估、多模态、RLHF……就都出现了。
最重要的是，开源社区解决了扩展问题，使得人人都能参与其中亲自尝试。许多新想法都来自普通人。训练和实验的门槛，已经从一个大型研究机构的总产出，降低到了一个人、一晚上和一台高性能笔记本电脑。
很多人认为这是大语言模型（LLM）的“Stable Diffusion时刻”。
在图像生成和LLM领域，低成本的公共参与都是通过LoRA（低秩适应）实现的，同时还有规模上的重大突破（比如图像合成的latent diffusion、LLM的Chinchilla）。
结果就是，质量足够高的模型吸引来了全世界的人才和机构，围绕开源大模型产生的新想法和迭代，很快超过了大型企业。
在图像领域，这些贡献已经证明其价值：开源使Stable Diffusion走上了与DALL-E完全不同的道路，激发了DALL-E所没有的产品集成、市场、用户界面等等创新。
Stable Diffusion也因此出圈，产生了远超DALL-E的文化影响力。
在LLM领域，同样的事情是否会再次发生还有待观察，但基本要素是相同的。
最近，开源所取得的创新成果直接解决了我们仍在努力克服的问题。更多关注开源工作，可以帮助我们避免重复造轮子。
其中，LoRA是一种非常强大的技术，我们应该加大关注。
LoRA通过低秩分解来表示模型权重的更新，这可以大大缩减更新矩阵的大小，使得模型微调的成本更低、时间更短。
在消费级硬件上，花几个小时微调出一个个性化语言模型，这是一项重要的突破。但这项技术在谷歌内部被低估了，尽管它直接影响了我们最雄心勃勃的几个项目。
另外，从头开始训练模型是一条艰难的道路。
LoRA如此有效的部分原因在于：和其他形式的微调一样，它是可堆叠的。虽然单独的微调是低秩的，但它们的总和不需要，模型的全秩更新可以随时间推移而累积。
这意味着，随着更好的数据集和任务的出现，模型可以低成本保持最新状态，而无需负担完整运行的成本。
相比之下，从头训练大模型不仅会丢掉预训练，还会丢失已经完成的迭代改进。在开源世界，这些改进会使模型很快占据主导地位，这就使得从头重新训练显得极为昂贵。
我们应该思考，新应用、新想法是否真的需要一个全新的模型来实现。如果我们确实有重大的架构改进，使得原有的模型权重无法复用，那么我们应该专注于更积极的蒸馏方法，尽可能地保留上一代的功能。
在最流行的模型规模上，LoRA的成本非常低（约100美元）。这意味着几乎每一个对大模型有想法的人，都可以把这些想法落到现实。
短至一天的训练时间已是常态。
以这样的速度，所有这些微调所产生的累积效应，很快就会弥补模型规模带来的劣势。
事实上，就工程师的工时而言，这些模型的改进速度大大超过了我们的大模型所能做的，其中最好已经跟ChatGPT几乎没有区别了。
专注于维护地球上一些最大的模型，实际上使我们处于劣势。
此外，数据质量比数据规模更重要。
开源大模型最近的进展对我们的业务战略有直接的影响。如果有免费、高质量的替代方案，谁会为谷歌有限制的付费产品买单呢？
我们也不应指望能够赶上。现代互联网在开源的基础上运行是有原因的。开源有一些我们无法复制的显著优势。
我们需要开源，胜过开源社区需要我们。
对我们的技术保密其实是一个脆弱的主张。每过一段时间，都会有谷歌的研究人员离职去往其他公司。所以我们可以假定，他们了解我们所知道的一切。
但是，由于大语言模型的负担成本正在降低，保持技术优势会变得更加困难。
世界各地的研究机构都在相互借鉴，以一种比我们自身能力更广的方式探索解决方案。在这种外部创新不断挑战我们技术价值的情况下，我们可以选择紧守我们的秘密，或者尝试相互学习。
现在，开源大模型的很多创新，都是源于Meta LLaMA模型的泄露。但Meta又成为这一进程中一个明显的赢家——他们相当于获得了整个星球的免费劳动力。由于大多数开源创新都基于他们的架构，因此没有什么能阻止他们将这些迭代进化整合到他们的产品中。
拥有生态系统的价值怎么强调都不为过。谷歌本身已在开源产品，如Chrome和Android中，成功验证了这一点。通过拥有孵化创新的平台，谷歌巩固了自己作为意见领袖和方向制定者的地位，获得了塑造比自身更宏大的想法的能力。
△Midjourney生成
我们对模型的控制越严密，开源替代方案的吸引力就越大。谷歌和OpenAI都倾向于防御性的发布模式，以确保他们能严格控制模型的使用方式。但这是徒劳的，任何想将LLM用于未经批准目的的人，都可以选择免费的开源模型。
谷歌应该让自己成为开源社区的领导者，通过更广泛的合作对话，而非忽视来起到带头作用。
这必然意味着放弃对我们模型的一些控制。但这种妥协是不可避免的。我们不能既希望推动创新，又要控制创新。
考虑到OpenAI当前的封闭策略，有人会觉得这些关于开源的讨论不公平。但事实是，我们已经通过挖对方墙脚的形式，与他们分享了一切。在这种趋势被扼制之前，保密是一个有争议的问题。
最后，OpenAI并不重要。在对于开源的态度上，他们犯了与我们相同的错误。他们保持优势的能力必然受到质疑。除非他们改变立场，否则开源替代品可以并最终将使其黯然失色。
至少在这方面，我们可以迈出第一步。
据彭博社消息，这篇文章是谷歌高级软件工程师Luke Sernau四月初在谷歌内网发布的。在被泄露之前，已经在谷歌内部被大量转发。
而原文一经流出，也引起了网友们的热烈讨论。
不过，也有不少网友并不认同Sernau的观点。
有网友认为，Sernau关于与开源社区合作可以让模型更快改进的观点值得认同。但其实无论是开源还是闭源，改进得快的那一方都将获胜。
还有网友直接用一张图回怼：
但无论如何，“开源模型每周都在变得更好”。
而有关大模型的精彩故事，才刚刚开篇。
参考链接：
[1]https://www.semianalysis.com/p/google-we-have-no-moat-and-neither
[2]https://www.bloomberg.com/news/articles/2023-05-05/google-staffer-claims-in-leaked-ai-warning-we-have-no-secret-sauce
[3]https://news.ycombinator.com/item?id=35813322
[4]https://twitter.com/simonw/status/1654158105221922816
[5]https://www.reddit.com/r/MachineLearning/comments/137rxgw/d_google_we_have_no_moat_and_neither_does_openai/
— 完 —
“
