大语言模型从Scaling Laws到MoE

1、摩尔定律和伸缩法则

摩尔定律（Moore's law）是由英特尔（Intel）创始人之一戈登·摩尔提出的。其内容为：集成电路上可容纳的晶体管数目，约每隔两年便会增加一倍；而经常被引用的“18个月”，则是由英特尔首席执行官大卫·豪斯（David House）提出：预计18个月会将芯片的性能提高一倍（即更多的晶体管使其更快），是一种以倍数增长的观测。[1]

然而，由于受到晶体管的散热问题、内存带宽瓶劲等问题，摩尔定律目前已经走到了物理的极限，限制了我们做出更快的芯片。

另一方面，OpenAI提出了Scaling Laws[2]，其中列举了影响模型性能最大的三个因素：计算量、数据集大小、模型参数量。也就是说，当其他因素不成为瓶颈时，计算量、数据集大小、模型参数量这3个因素中的单个因素指数增加时，loss会线性的下降。同时，DeepMind的研究也得出来和OpenAI类似的结论[3]。

Scaling Laws for Neural Language Models

根据Scaling Laws，模型越大、数据量越大、计算量越大，模型效果也越好。因此，目前很多LLM都是朝着更多参数、更多训练数据的方向进行scaling。然而，随着摩尔定律走到了尽头，LLM也不可能做到无限大。那么计算受到限制的时候，该如何进一步提升模型的性能呢？其中一种方法是MoE。

2、使用MoE进行LLM的scaling

MoE（the mixture of experts model）的思想是训练多个神经网络（也就是多个experts），每个神经网络 (expert) 被指定 (specialize) 应用于数据集的不同部分。对于不同来源的数据，有一个managing neural net来判断应该交给哪一个 expert 进行处理。

2.1 GLaM

2022年，Google发布了MoE的模型GLaM[4]。GLaM是一个 decoder only 模型，支持 in-context learning，一共有1.2T的参数量，其中有97B是激活的。

GLaM: Efficient Scaling of Language Models with Mixture-of-Experts

GLaM在训练和推理时所需的计算量，都远低于GPT3。同时，在zero-shot、one-shot 和 few shot 方面，GLaM的效果都优于GPT3。

2.2 Expert Choice Routing

GLaM 虽然效果不错，但是有负载不均衡问题。也就是说，会有一部分 expert 会经常被激活，而有一些 expert 很少被激活。

2022年，在 NeurIPS上，提出了新的 Expert Choice Routing 方法[5]，来解决负载不均衡问题。该方法中，每个expert 会独立选择 top-k 的tokens 作为输入。每个token都可能会被不同的 expert 选择。一些比较重要的tokens会得到更多的计算资源，而不重要的 tokens 得到的计算资源会比较少。

Mixture-of-Experts with Expert Choice Routing

采用 Expert Choice Routing 的模型，相比于GLaM，在收敛速度方面可以提升2倍， 在 step time 上提速20%，并且完美解决了负载不均衡问题。8B/64E 的模型（有9.8B激活的参数），在 SuperGLUE 上效果超过了 T5-11B 的模型。

3、MoE进阶技术

3.1 Brainformers

上述MoE模型，在训练速度很慢，会成为进一步 scaling 的瓶颈。在 ICML 2023上，进一步提出了Brainformers[6]。

Brainformers: Trading Simplicity for Efficiency

为了模型计算更快，需要对矩阵乘法进行分解，从而减少计算量。同时，这些矩阵分解，必须不能损害模型的准确性。上图 (a) 中，是两种分解矩阵乘法的主要方法，分别是从横向分解（low-rank）和纵向分解（multi-expert） 。而在图 (b)中，可以对 low-rank 和 multi-expert 进行组合、堆叠，以实现更有趣且计算效率高的模型架构。

如果在 bottleneck 处，插入一个 mixure 层，模型看起来就非常像 transformers。如果在 bottleneck 处，插入一个 attention layer，模型看起来就非常像一个 multi-expert transformers。

作者对不同的参数，进行了搜索，从而找到了最优的网络模型结果。搜索的空间包括：不同的层类型（attn、moe、ffn）、隐层维度、MoE隐层维度、FFN隐层维度、attention 的 head 数、Gating Fuction、Capacity Factor、Activation Function等。

从搜索空间中，采样一组参数，构建一个 100M/32E 的模型，选择top-K的模型，然后进行scaling，如1B/64E 、8B/64E。

Brainformers: Trading Simplicity for Efficiency

相比于GLaM，可以在收敛速度方面，提速2倍；在 step time 上提速5倍。

3.2 Lifelong Language Pretraining

其他问题：如何进行增量训练，同时避免灾难性遗忘。

方法：引入新的数据分布时，引入新的 experts，同时冻结原有的权重，并且加入一个regularization loss 避免灾难性遗忘[7]。

Lifelong Language Pretraining with Distribution-Specialized Experts

相比于baseline，Lifelong-MoE 的灾难性遗忘被显著抑制，并且比 dense oracle 的效果还要好。

4、问答及彩蛋

• MoE model 的训练，有2种方案，一种是 train from scratch，一种是 dense to sparse
• GPT4是一个MoE model，且大概率是一个 train from scratch 的 MoE model
• 如果 finetune 后的 MoE 效果变差，可能是 finetune 没有训好，需要增加新的 experts
• Google 从 NVIDIA 买了 26,000 个 H100 （真有钱）
• H100 针对 transformers 训练做了专门的优化，主要是卡与卡之间的通讯优化，比 A100 提速 10倍左右

参考

1. 摩尔定律-维基百科 https://zh.wikipedia.org/zh-hans/%E6%91%A9%E5%B0%94%E5%AE%9A%E5%BE%8B
2. Scaling Laws for Neural Language Models https://arxiv.org/abs/2001.08361
3. Training Compute-Optimal Large Language Models https://arxiv.org/abs/2203.15556
4. GLaM: Efficient Scaling of Language Models with Mixture-of-Experts https://arxiv.org/abs/2112.06905
5. Mixture-of-Experts with Expert Choice Routing https://arxiv.org/abs/2202.09368
6. Brainformers: Trading Simplicity for Efficiency https://arxiv.org/abs/2306.00008
7. Lifelong Language Pretraining with Distribution-Specialized Experts https://arxiv.org/abs/2305.12281