1. 開場白與課程概述本段總結： 介紹了建構大語言模型的五個核心要素（架構、訓練演算法、資料、評估、系統）。講者指出，雖然學術界痴迷於模型架構，但在實際工業界中，資料、評估和系統工程才是決定模型成敗的關鍵。大家好，今天我們將探討如何建構大語言模型（LLMs）。簡單回顧一下，LLMs 指的是大家最近常聽到的那些聊天機器人，比如 OpenAI 的 ChatGPT、Anthropic 的 Claude、Google 的 Gemini 以及 Meta 的 Llama。今天，我們將揭秘它們到底是如何運作的。在訓練 LLM 時，有五個關鍵元件至關重要：架構（Architecture）：LLM 是神經網路，你需要決定使用什麼架構。目前大家都在使用 Transformer 或其變體。訓練損失與演算法（Training Loss & Algorithm）：你將如何訓練這些模型。資料（Data）：這是你用來訓練模型的素材。評估（Evaluation）：你如何知道模型是否在朝著目標取得進展。系統（Systems）：在現代硬體上高效運行這些龐大模型的方法。現在的系統層面比以往任何時候都重要。大多數學術界的研究（包括我職業生涯的大部分時間）都集中在架構和訓練演算法上，我們總喜歡發明新架構。但老實說，在實踐中真正起決定性作用的是另外三項：資料、評估和系統。這也是工業界投入最多精力的地方。因此，今天我不會過多討論 Transformer 的架構細節，而是重點講解其他更重要的部分。本次講座分為兩大部分：預訓練（Pre-training）——經典的語言建模階段，目標是讓模型學習整個網際網路的知識；以及後訓練（Post-training）——ChatGPT 誕生以來的新範式，目標是將這些語言模型轉化為真正的人工智慧助手。2. 預訓練與自回歸語言模型本段總結： 預訓練的核心任務是“自回歸語言建模”，即通過機率分佈預測序列中的下一個詞。模型通過交叉熵損失函數進行訓練，這等同於最大化文字的對數似然度。首先，什麼是語言模型？在宏觀層面上，語言模型就是一個關於單詞或 Token 序列的機率分佈模型。具體來說，它建立了一個分佈$P(X_1 ... X_L)$。例如，對於句子“老鼠吃了奶酪”，語言模型會評估這句話在人類對話或網際網路上出現的機率。如果句子存在語法錯誤，或者語義不通（比如“奶酪吃了老鼠”），模型賦予它的機率就會非常低。因為語言模型掌握了機率分佈，我們可以從中進行採樣，從而生成新的資料，這就是為什麼它們被稱為生成式模型（Generative Models）。目前大家使用的都是自回歸語言模型（Autoregressive Language Models）。它的核心思想是利用機率的鏈式法則，將整個句子的分佈拆解為：第一個詞的機率，乘以給定第一個詞後第二個詞的機率，依此類推。它的任務非常簡單：預測下一個詞。在訓練時，我們會把序列中的每個詞嵌入（Embed）為向量，通過 Transformer 網路獲取上下文表徵，再通過一個線性層對應到詞表大小的維度，最後用 Softmax 輸出下一個詞的機率分佈。我們使用的訓練損失是交叉熵損失（Cross-Entropy Loss），這本質上是一個預測下一個 Token 的分類任務。在數學上，最小化交叉熵損失，完全等價於最大化文字的對數似然度（Maximum Likelihood）。3. 為什麼需要分詞器（Tokenizer）？本段總結： 詳細解釋了分詞器存在的必要性，以及字節對編碼（BPE）的工作原理。分詞器解決了詞彙表過大和拼寫錯誤的問題，但也帶來了諸如數學計算和程式碼縮排理解等侷限性。很多人往往忽視了分詞器（Tokenizer），但它極其重要。我們為什麼不直接用“單詞”或“字元”作為基本單位呢？如果用單詞：遇到拼寫錯誤的詞彙（如 Typo），模型會遇到未登錄詞問題，且對於泰語等沒有明顯空格分詞的語言很不友好。如果用字元：雖然通用，但會導致序列極長。要知道，Transformer 的計算複雜度隨序列長度呈平方級增長（二次方複雜度），序列太長會導致算力崩潰。分詞器提供了一個折中方案，通常一個 Token 包含 3 到 4 個字母。目前最流行的方法之一是字節對編碼（BPE, Byte Pair Encoding）。BPE 的訓練過程如下：首先將大型語料庫中的所有內容拆分為單個字元，然後統計相鄰字元對的出現頻率。找到最常見的字元對（比如“t”和“o”），將它們合併為一個新的 Token（“to”），並賦予唯一的 ID。不斷重複這個合併過程，直到達到預設的詞表大小。不過，業界越來越意識到分詞器的侷限性。比如在處理數學問題時，數字往往被切分成奇怪的 Token，導致模型看待數字的方式與人類完全不同，影響了推理能力。此外，程式碼中的空格縮排（如 Python 的 4 個空格）過去也經常被分詞器錯誤處理，這是 GPT-4 專門重構程式碼分詞邏輯的原因。理想情況下，未來我們希望能擺脫分詞器，直接處理字元或字節。4. 評估指標：困惑度與學術基準本段總結： 評估語言模型的傳統方法是困惑度（Perplexity），而現在學術界更傾向於使用 MMLU 等客觀題基準測試。同時，評測標準的不一致和訓練集污染是目前面臨的重大挑戰。我們如何評估模型？在開發階段，最常用的是困惑度（Perplexity）。困惑度本質上是驗證集損失的一種可解釋轉化。公式是$2$的“平均每個 Token 的損失”次方。它的直觀含義是：模型在生成下一個詞時，正在幾個詞之間猶豫不決？如果模型完美預測，困惑度為 1；如果模型完全在瞎猜，困惑度就等於詞表大小。在 2017 年到 2023 年間，標準資料集上的困惑度從 70 驟降到了 10 以下，進步驚人。然而，困惑度在橫向對比不同模型時存在問題（比如 Gemini 和 ChatGPT 的詞表大小不同，困惑度就無法直接比較）。因此，目前的學術基準測試（如 Helm 或 Hugging Face 閉源排行榜）通常聚合大量的 NLP 任務。最典型的是MMLU（大規模多工語言理解），包含了大學物理、醫學等多個領域的單選題。評估方式有兩種：一是計算模型生成 A、B、C、D 四個選項的對數似然度，看正確選項的機率是否最高；二是直接限制模型輸出，看它生成的下一個 Token 是不是正確答案。評估面臨的巨大挑戰：評估方式不一致：不同的 Prompt 或評分指令碼會導致結果天差地別。比如 Llama 65B 在不同的測試平台上，精準率能從 48.8% 飆升到 63.7%。訓練集污染（Contamination）：你的測試題是否已經被混入訓練集了？為了檢測污染，研究人員有時會故意打亂測試題的選項順序，如果模型依然按原順序生成答案，說明它很可能在訓練時背過這道題。5. 預訓練資料：從“髒資料”到高品質語料本段總結： 揭露了工業界處理預訓練資料的艱辛過程。通過爬取 Common Crawl、HTML 文字提取、去重、啟髮式過濾和模型分類，最終留下高品質的、配比合理的資料集進行訓練。大家常說“用整個網際網路的資料訓練模型”，這聽起來很簡單，但網際網路其實是一個“垃圾場”。Common Crawl 作為一個主流的開源爬蟲項目，包含了大約 2500 億個網頁，資料量高達 1 Petabyte。如果你隨機點開一個爬取的網頁，裡面全是不完整的句子和雜亂的程式碼。為了清洗這些資料，需要一個巨大的工程流水線：HTML 文字提取：去除網頁程式碼，提取純文字，同時還要處理棘手的數學公式提取和網頁頭部/底部的範本內容（Boilerplate）。過濾不良內容：剔除 NSFW（不適宜工作場所）、有害內容和 PII（個人身份資訊）。去重（De-duplication）：剔除重複的論壇簽名或在全網被覆制貼上了上萬次的段落。啟髮式過濾（Heuristic Filtering）：基於規則刪除低品質文字。比如檢查 Token 的分佈是否異常，單詞長度是否詭異，或者網頁是不是只有 3 個詞。模型分類過濾：這是一個非常聰明的技巧。研究人員會提取維基百科中引用的所有外部連結，訓練一個輕量級的分類器。然後用這個分類器掃描全網資料，保留那些“風格類似於維基百科引用來源”的高品質網頁。領域劃分與配比：將資料分為程式碼、書籍、娛樂等。通常會增加程式碼（據稱能提升推理能力）和書籍的權重，降低娛樂內容的權重。退火（Annealing）：在預訓練的最後階段，降低學習率，並在維基百科等極高品質的資料上“過擬合”，以提升模型最終的表現。在業界，處理資料所需的 CPU 算力和團隊規模，有時甚至超過了研究架構本身的投入。Llama 3 訓練使用了高達 15 兆個 Token。高品質資料是絕對的核心商業機密。6. 縮放定律（Scaling Laws）與資源分配本段總結： 縮放定律證明了模型性能與算力、資料量、參數量成可預測的對數線性關係。這徹底改變了模型研發流程，讓研究人員可以通過訓練小模型來精準預測大模型的表現。在傳統機器學習課上，我們總是擔心“過擬合”。但在大型語言模型中，過擬合幾乎不存在：資料越多，模型越大，性能就越好。更神奇的是，這種提升是可以精確預測的。OpenAI 發現，如果把算力（Compute）、資料集大小或參數量放在對數坐標的 X 軸上，把測試損失（Test Loss）放在 Y 軸上，它們呈現出完美的線性關係。這徹底改變了研發管線（Pipeline）：以前，如果你有 10000 張 GPU，你可能會訓練 30 個不同超參數的大模型，每個訓練 1 天，挑出最好的。現在，你會利用幾張 GPU 訓練一系列不同規模的“小模型”，擬合出一條 Scaling Law 曲線。然後，你可以極其自信地預測出那個 1000 億參數的終極模型如果訓練 30 天會達到什麼水平，並直接把所有算力押注在那個終極模型上。那麼，有限算力下，是該增加參數量，還是增加資料量？DeepMind 的 Chinchilla 論文給出了答案。通過繪製不同算力預算下的等高線圖（Iso-flops），他們發現計算最優解是：每增加 1 個參數，就應該增加 20 個訓練 Token。但在工業界實踐中，由於要考慮模型部署後的推理成本（Inference Cost），公司更傾向於訓練相對較小的模型，但在海量資料上進行超額訓練。所以目前的比例通常是 150 個 Token 對應 1 個參數（如 Llama 3）。7. 訓練成本與碳排放的“信封背面計算”本段總結： 通過基礎數學公式估算了 Llama 3 400B 模型的訓練成本，展示了前沿 AI 研發巨大的資金和算力門檻，以及在當前階段可控的碳排放規模。讓我們用 Llama 3 400B 模型做個粗略的計算。它有 450 億（此處講者口誤，應指 Llama 3 的大參數量版本計算）參數，訓練了 15.6 兆 Token。所需算力（Flops）：計算公式大致為$C = 6 \times P \times N$（其中$P$為參數量，$N$為資料量）。計算結果約為$3.8 \times 10^{25}$Flops。拜登政府的行政命令要求算力超過$10^{26}$Flops 的模型需要接受特殊審查，Meta 恰好卡在這個紅線之下。訓練時間：使用 16000 張 H100 顯示卡，結合其吞吐量，大約需要持續訓練 70 天，耗費近 2600 萬 GPU 小時。訓練成本：假設 H100 的租金下限為每小時 2 美元，單純的顯示卡成本就超過 5200 萬美元。算上頂尖研究員的薪水（約 50 人，年薪 50 萬美元起），總成本至少在 7500 萬美元左右。碳排放：大約排放 4000 噸二氧化碳當量，相當於從紐約到倫敦的 2000 趟往返航班。目前來看，碳排放在整個大環境裡還算可控，但如果算力再提升 100 倍，這就會成為一個真正的環境問題。8. 後訓練：將模型轉化為 AI 助手（SFT）本段總結： 預訓練模型只會續寫文字。為了讓它聽從指令，必須使用監督微調（SFT）機制。研究表明，SFT 的關鍵在於格式對齊，而不需要大量資料。預訓練階段得到的只是一個“語言模擬器”。如果你給 GPT-3 純預訓練模型輸入“請向一個 6 歲的小孩解釋登月”，它可能會續寫出“請向一個 6 歲的小孩解釋引力”，因為它在模仿網際網路論壇的提問模式。要把它變成 AI 助手，我們需要進行對齊（Alignment），也就是後訓練（Post-training）。第一步是監督微調（SFT, Supervised Fine-Tuning）。我們收集人類寫好的高品質“問答對”，在這個資料集上繼續用語言模型的目標（預測下一個詞）來微調模型。因為人類編寫資料極其昂貴，現在流行用最強的 LLM（如 GPT-4）來生成合成資料（Synthetic Data）進行微調，比如我們之前做的 Alpaca 模型就是這樣做的。令人驚訝的是，Lima 論文指出，SFT 並不需要海量資料（幾千條足矣），從 2000 條增加到 32000 條並沒有帶來本質提升。原因在於：預訓練已經把所有的知識塞進了模型裡，SFT 的作用僅僅是教模型“如何格式化地輸出你期望的答案”，而不是教它新知識。9. RLHF 與 DPO 偏好最佳化本段總結： 僅靠 SFT 會導致幻覺和人類能力天花板問題。通過引入強化學習人類反饋（RLHF）或直接偏好最佳化（DPO），模型可以直接最佳化人類的偏好，產生更優質的輸出。僅僅做 SFT 有幾個致命缺陷：人類能力上限：SFT 屬於行為克隆（Behavioral Cloning）。但我評價一本書的好壞，比我自己寫一本書要容易得多。如果只模仿人類生成的內容，模型永遠無法超越人類專家的寫作水平。幻覺（Hallucinations）：如果人類在 SFT 資料裡提供了一個冷門知識點，而這個知識點模型在預訓練時完全沒見過，模型就會學會“一本正經地胡說八道”，強行生成看似合理的錯誤答案。為瞭解決這個問題，我們需要引入偏好最佳化。核心流程是：給定一個指令，讓模型生成兩個不同的答案，讓人類標註員（或強大的 LLM）來選擇那個更好（比如綠色優先於紅色）。演算法 1：RLHF（強化學習人類反饋）配合 PPO 演算法這是 ChatGPT 最初突破的關鍵。首先用偏好資料訓練一個獎勵模型（Reward Model），將離散的偏好轉化為連續的打分（Logits）。然後用 PPO（近端策略最佳化）這種強化學習演算法，將 LLM 作為一個智能體（Agent）進行訓練，以最大化獎勵得分為目標。但這極度複雜！強化學習極度不穩定，包含了無數的裁剪（Clipping）和工程 Trick，連寫出 PPO 的原作者都覺得難以完美復現。演算法 2：DPO（直接偏好最佳化）史丹佛去年提出的一種優雅替代方案，現已成為開源界的主流。既然我們的目標是“多生成喜歡的，少生成不喜歡的”，為什麼不直接在數學上把它轉化為一個最大似然估計問題呢？DPO 直接將偏好資料帶入損失函數，最大化人類偏好答案的機率，懲罰被拒絕答案的機率。它徹底拋棄了獎勵模型和強化學習，僅僅用交叉熵的變體就達到了與 PPO 同樣的甚至更好的效果。10. 評估後訓練模型：LLM 裁判的崛起本段總結： 評估對齊後的模型非常困難。目前業界依賴於“聊天機器人競技場”進行盲測，為了降低成本，大量使用 LLM 作為裁判（如 Alpaca Eval）來自動化評估。經過 RLHF 之後，模型已經不再是一個標準的機率分佈模型了（它在努力讓最優解的機率逼近 1），所以困惑度（Perplexity）在這裡失效了。而且，開放式回答沒有標準答案。目前最權威的評估方式是Chatbot Arena（聊天機器人競技場），這是一種盲測系統，讓人類在兩個匿名模型中投票。但讓人類投票太慢且太貴，所以業界開發了基於 LLM 的自動化評估（比如 Alpaca Eval）。你只需要給 GPT-4 兩個回答，問它那個好。我們發現，LLM 的評判與人類投票的擬合度高達 98%，成本卻便宜了 50 倍。警惕虛假相關性（Spurious Correlation）：LLM 裁判（和人類一樣）存在嚴重的**“偏好較長輸出”（Length Bias）**。如果在 Prompt 裡要求模型“囉嗦一點”，它的勝率會莫名其妙飆升至 64%；如果要求“簡明扼要”，勝率會跌穿 20%。這是對齊訓練中需要通過因果推斷等統計手段去消除的頑疾。11. 系統基礎知識與顯示卡最佳化本段總結： 計算系統的最佳化直接決定了訓練的成敗。因為 GPU 的記憶體通訊頻寬常常是瓶頸，業界廣泛採用低精度訓練（16 位）和算子融合技術來大幅提高算力利用率。對於開發 LLM 的任何人來說，算力永遠是瓶頸。簡單地“買更多 GPU”是行不通的，因為通訊開銷會拖垮多卡互聯系統。如果你想理解系統級最佳化，記住一點：CPU 最佳化的是延遲（Latency），而 GPU 最佳化的是吞吐量（Throughput）。GPU 天生為極速的矩陣乘法而生。但目前 GPU 最大的瓶頸在於：算力提升的速度遠大於記憶體通訊頻寬提升的速度。很多時候，由於資料無法及時從視訊記憶體（HBM）傳輸到計算核心（SMs），你的 GPU 大部分時間都在閒置。在工業界，模型浮點運算利用率（MFU）能達到 50% 就已經是極其出色的成績了。兩個關鍵最佳化技巧：低精度 / 混合精度訓練：在深度學習中，小數點後幾位並不關鍵。我們將龐大的矩陣乘法運算放在 16 位精度下進行，以成倍減少視訊記憶體佔用和通訊頻寬；只在儲存模型權重和執行參數更新時，保留 32 位精度以確保學習率生效。算子融合（Operator Fusion）：如果你在 PyTorch 裡寫一行簡單的連續運算（比如求 Cosine 再求 Sine），傳統方法是將資料從視訊記憶體搬運到計算核心，算完搬回去，再搬出來算下一步，這是極其浪費的。使用torch.compile，系統會自動將程式碼在底層重寫為 C++ (CUDA) 的融合算子，把所有資料一次性送入核心，全部算完再取回，這能讓模型訓練速度直接翻倍。這就是從架構、資料到系統的 LLM 建構全貌，希望對大家有所啟發。 (The AI Frontier)
