開源語言模型BLOOM 期待開啟AI的「 Android」 時代

陳忠誠提到，要建立大型語言模型需要具備三大要素，大運算資源、大AI模型，以及大量訓練資料。大運算資源除了要有足夠且運算速度夠快的GPU，還需要有AIHPC的架構，才能降低資料交換過程中所需耗費的時間。而除了大語言模型之外，還需要有平行運算的能力，除了要能對模型進行訓練也要能根據需求調整模型。此外，除了利用大量無標註的資料進行訓練，若能搭配少量品質高的標註資料，將能對提升效能帶來幫助。

全球上千位研究者參與的開源大型語言模型：BLOOM

而具有1,760億個參數的BLOOM LLM（BigScience Large Open-science Open-access Multilingual Language Model），在參數量／架構與GPT3相近，也是全球第一個「開源」的大語言模型，全球共有上千位研究者參與這個研究專案，並由法國超級電腦Jean Zay訓練達117天。其資料集包含46種語言和13種程式語言，共1.5TB，能進行主要任務包括文章分類、對話產生、文本產生、翻譯、知識回答（語意搜尋）及文章摘要，使用者只要選擇一種語言，就能要求BLOOM撰寫食譜、翻譯或摘要等任務。

陳忠誠說，雖然BLOOM的資料集並不包含德文、日文與俄文，但這並不代表模型沒有這些語言能力，因為所搜集的語言資料中仍會有參雜些許單字或句子的可能。另外，訓練的資料集中的法文資料也較多，從這之中也可以看出，語言模型其實是具有地域性，且訓練國家所偏好的語言，也會影響資料集的數量與模型的表現，例如ChatGPT在英文的表現就比中文好。

為了讓176B的模型訓練與推論可以在台灣杉二號上運行，團隊使用了各式不同，包括18 Nodes（144 GPU）、 36 Nodes（288 GPU）、 54 Nodes（432 GPU）、72 Nodes（576 GPU）、 90 Nodes（720 GPU）、108 Nodes（864 GPU）等超過上千張的GPU進行訓練，訓練出的效能也十分接近理論值。

由於台智雲在TWCC平行的跨節點平行運算環境，是以InfiniBand架構有效發揮各節點間的協同運作，能以跨節點線性的表現，獲得接近線性的加速，提供近乎完美的高效能驗證，可協助用戶完整發揮運算效能，訓練時間也將隨節點數增加而逐步降低。

如TWCC使用105台節點及840張GPU，精準切割分配模型做大量的平行運算，訓練的成果非常好，每張GPU卡都能跑到最大效能。可見藉由TWCC在BLOOM大模型訓練的成果展現，不僅可以助力大模型推論系統優化，更能成功克服Multi-node Inference挑戰。

利用少數標註資料即可大幅提升效能

陳忠誠提到，由於Bloom參數達176B，無法在任一GPU上直接訓練，需精準分割模型並有效率地分散式訓練。需要運用到多種平行運算的技術，如TP (Tensor Parallel) + PP (Pipeline Parallel) + DP (Data Parallel) 等。

BLOOMZ是基於Bloom LLM架構下訓練而出的MultiTask Finetune(MTF) ，透過加入標註資料進行微調可大幅提升效能，陳忠誠指出，LLM的參數量越大，多任務（MTF）的效果越大，且MTF當對少見語言的任務也有提昇效果。他指出，只要能提供模型一些好的資料，就能提升模型學習的效率。

他認為，相較於ChatGPT，開源的BLOOM將開啟一個AI 的 Android 時代，也期待能藉由開源與技術社群的力量，持續進步成長，快速迭代並帶動創新！

想了解更多大型語言模型的應用與可能，請點選以下影片：