斯坦福草泥马火了100美元就能比肩GPT3。5！手机都能运行

　　梦晨金磊发自凹非寺
　　量子位公众号QbitAI
　　一夜之间，大模型界又炸出个bignews！
　　斯坦福发布Alpaca（羊驼，网友口中的草泥马）：只花100美元，人人都可微调Meta家70亿参数的LLaMA大模型，效果竟可比肩1750亿参数的GPT3。5（textdavinci003）。
　　而且还是单卡就能运行的那种，甚至树莓派、手机都能hold住！
　　还有一个更绝的骚操作。
　　研究所涉及到的数据集，是斯坦福团队花了不到500美元用OpenAI的API来生成的。
　　所以整个过程下来，就等同于GPT3。5自己教出了个旗鼓相当的对手AI
　　。
　　（薅羊毛高手）
　　然后团队还说，用大多数云计算平台去微调训练好的模型，成本也不到100美元：
　　复制一个GPT3。5效果的AI，很便宜，很容易，还很小。
　　而且团队还把数据集（秒省500刀）、代码统统都给开源了，这下子人人都能去微调个效果炸裂的对话AI：
　　项目在GitHub发布才半天时间，便已经狂揽1800星，火爆程度可见一斑。
　　Django联合开发者甚至对斯坦福的新研究用惊天大事来形容：
　　不仅如此，斯坦福团队还搞了个demo，在线可玩的那种。
　　话不多说，我们现在就来看看这个草泥马的效果。比肩davinci003的草泥马Aplaca
　　在斯坦福官方的演示中，他们先小试牛刀地提了一个问题：
　　什么是羊驼？它和美洲驼的区别是什么？
　　草泥马Aplaca给出的答案较为干练：
　　羊驼是一种小型骆驼科动物，原产于秘鲁、玻利维亚、厄瓜多尔和智利；它比美洲驼小，羊毛更细，也没有驼峰。
　　而后又简单的介绍了二者群居生活的不同。
　　同样的问题若是交给ChatGPT（GPT3。5turbo），则答案就不会像草泥马Aplaca那般简洁：
　　对此，团队给出的解释是：
　　Alpaca的答案通常比ChatGPT短，反映出textdavinci003的输出较短。
　　而后团队演示了让草泥马Alpaca写邮件：
　　写一封email祝贺被斯坦福大学录取的新生，并提到你很高兴能亲自见到他们。
　　草泥马Alpaca对于这个任务也是信手拈来，直接给出了一个像模像样的邮件模板：
　　难度再次进阶，团队这次提出了让草泥马Alpaca写论文摘要的需求：
　　写一篇经过深思熟虑的机器学习论文摘要，证明42是训练神经网络的最优seed。
　　草泥马Alpaca给出的答案从内容上来看，非常符合大多数论文的摘要形式：试图回答什么问题、用了什么方法、结果如何，以及未来展望。
　　当然，也有迫不及待的网友亲自下场试验，发现草泥马Alpaca写代码也是不在话下。
　　不过即便草泥马Alpaca能够hold住大部分问题，但这并不意味着它没有缺陷。
　　例如团队便演示了一个例子，在回答坦桑尼亚的首都是哪里的问题时，草泥马Alpaca给出的答案是达累斯萨拉姆。
　　但实际上早在1975年便被多多马取代了。
　　除此之外，若是亲自体验过草泥马Alpaca就会发现，它巨慢：
　　对此，有网友认为可能是使用的人太多的原因。
　　笔记本、手机、树莓派都能跑
　　Meta开源的LLaMA大模型，刚发布几周就被大家安排明白了，单卡就能运行。
　　所以理论上，基于LLaMA微调的Alpaca同样可以轻松在本地部署。
　　没有显卡也没关系，苹果笔记本甚至树莓派、手机都可以玩。
　　在苹果笔记本部署LLaMA的方法来自GitHub项目llama。cpp，使用纯CC做推理，还专门对ARM芯片做了优化。
　　作者实测，M1芯片的MacBookPro上即可运行，另外也支持Windows和Linux系统。
　　还是这个C移植版本，有人成功在4GB内存的树莓派4上成功运行了LLaMA的70亿参数版本。
　　虽然速度非常慢，大约10秒生成一个token（也就是一分钟蹦出4。5个单词）。
　　更离谱的是仅仅2天之后，有人把LLaMA模型量化压缩（权重转换成更低精度的数据格式）后成功在Pixel6安卓手机上运行（26秒一个token）。
　　Pixel6使用谷歌自研处理器GoogleTensor，跑分成绩在骁龙865到888之间，也就是说新一点的手机理论上都能胜任。
　　微调数据集也开源
　　斯坦福团队微调LLaMA的方法，来自华盛顿大学YizhongWang等去年底提出的SelfInstruct。
　　以175个问题作为种子任务，让AI自己从中组合出新的问题以及生成配套答案实例，人工过滤掉低质量的，再把新任务添加到任务池里。
　　所有这些任务，之后可以采用InstructGPT的方法让AI学会如何遵循人类指令。
　　套娃几圈下来，相当于让AI自己指导自己。
　　斯坦福版Alpaca，就是花了不到500美元使用OpenAIAPI生成了5。2万个这样的示例搞出来的。
　　这些数据同样开源了出来，并且比原论文的数据多样性更高。
　　同时还给出了生成这些数据的代码，也就是说如果有人还嫌不够，可以再去自行扩充微调数据，继续提高模型的表现。
　　微调代码也会在HuggingFace官方支持LLaMA后放出。
　　不过Alpaca最终的模型权重需要Meta许可才能发布，并且继承了LLaMA的非商用开源协议，禁止任何商业用途。
　　并且由于微调数据使用了OpenAI的API，根据使用条款也禁止用来开发与OpenAI形成竞争的模型。OneMoreThing
　　还记得AI绘画的发展历程吗？
　　2022年上半年还只是话题热度高，8月份StableDiffusion的开源让成本下降到可用，并由此产生爆炸式的工具创新，让AI绘画真正进入各类工作流程。
　　语言模型的成本，如今也下降到了个人电子设备可用的程度。
　　最后还是由Django框架创始人SimonWillison喊出：
　　大语言模型的StableDiffusion时刻到了。