区块链

原文来源：新智元

图片来源：由无界 AI生成

想不想在你的iPhone上本地运行GPT-4？

也许在不久的将来，这个幻想就会照进现实！

近日，苹果发布了一篇深受业界瞩目的文章，目的是探索在有限的内存中运行大语言模型。

论文地址：https://arxiv.org/pdf/2312.11514.pdf

苹果通过软硬件协同优化，使设备能够支持运行的模型大小达到了自身DRAM的两倍！

在这项技术的加持之下，LLM的推理速度在Apple M1 Max CPU上提高了4-5倍，在GPU上提高了20-25倍。

在上图给出的LLM推理延迟的比较中，我们可以看到苹果提出的方法效果相当出色。

而这些优化可能很快就可以让复杂的AI助手，或者是聊天机器人在iPhone、iPad和其他移动设备上流畅运行。

面对当下由生成式AI引领的革命，

多数人希望把模型做大做强，比如可能有万亿参数的GPT-4（OpenAI家的登月计划更是夸张）；

另一部分人则在探索「小模型」的潜力，比如以7B参数打平70B Llama的Zephyr，以及2.7B参数却表现强劲的Phi-2；

事实上，在AI算力的发展道路上，摩尔定律似乎缓缓下车了，于是「内存墙」的问题渐渐暴露出来。

对此，苹果这次选择了另外一条道路，利用自身「闭源」的优势，充分发挥软件和硬件的特性，誓要把大模型装进你的iPhone！

在这篇工作中，研究人员通过将模型参数存储在闪存中，并按需将其引入 DRAM，成功高效运行了超出自身DRAM容量的LLM。

——这对于消费者来说也是个好消息，毕竟我们都知道，苹果的内存是金子做的，这下妈妈再也不用担心大模型时代要掏更多的钱买iPhone了。

除了这个神级的优化方案，苹果科学家还在之前的一篇研究论文中，提出了HUGS（人类高斯飞溅）。

论文地址：https://arxiv.org/pdf/2311.17910.pdf

HUGS可以从单个相机拍摄的视频中生成动画3D头像，

只需要拍摄少量（50-100）帧的单目视频，HUGS就会自动学习，分离出静态场景，并生成完全可动画的人类化身。

，时长00:52

HUGS使用3D高斯溅射来表示人类和背景场景。人体模型是从称为SMPL的统计体型模型初始化的。

但HUGS允许高斯偏离，从而能够捕捉到衣服和头发等细节。

新颖的神经变形模块（neural deformation module）使用线性混合蒙皮，以逼真的方式对高斯进行动画处理。

这种协调的运动避免了在放置化身时出现的伪影，能够实现人类的新姿势合成和场景的新视角合成。

与以前的头像生成方法相比，HUGS在训练和渲染方面的速度提高了100倍。——在典型的游戏GPU上仅需30分钟就可以生成逼真的结果。

，时长00:18

也许在不久的将来，这种实时性能，以及从视频创建化身的能力，可以为虚拟试妆、远程呈现和合成媒体带来新的可能性。

——想象一下，未来你可以用iPhone相机做同样的事情，是不是很期待？

通过上面介绍的这两项工作，iPhone和iPad用户可以在设备本地运行复杂的AI系统，并感受到更加身临其境的视觉体验。

有限内存跑大模型的方法

苹果的研究人员构建了一个与闪存行为相协调的推理成本模型，并瞄准两个关键领域进行优化：

减少从闪存传输的数据量，以及在更大、更连续的块中读取数据。

在这个闪存信息框架中，主要有两种优化技术。

首先是「窗口化」，通过重用先前激活的神经元来战略性地减少数据传输，

其次是「行列捆绑」，根据闪存的顺序数据访问强度量身定制，增加了从闪存读取的数据块的大小。

研究人员在整个优化过程中，集成了稀疏感知、上下文自适应加载和面向硬件的设计。

从闪存加载

当可用计算内存远小于模型大小时，需要将完整的模型权重存储在闪存中。

评估闪存加载策略的主要指标是延迟，分为三个不同的组成部分：从闪存加载的I/O成本、使用新加载的数据管理内存的开销，以及推理操作的计算成本。

针对延迟的特定方面，本文提出了三点解决方案：

减少数据负载：通过加载更少的数据来减少与闪存I/O操作相关的延迟；

优化数据块大小：通过增加加载的数据块的大小，来增强闪存吞吐量，从而减少延迟。

高效管理加载数据：在数据加载到内存中后简化数据的管理，以最大程度地减少开销。

减少数据传输

利用前馈网络（FFN）模型中固有的稀疏性（例如，OPT 6.7B在FFN层中有97%的稀疏性；Falcon 7B通过微调也产生了95%的稀疏性），

这里仅将必要的、非稀疏的数据从闪存迭代传输到DRAM，以便在推理过程中进行处理，

而transformer注意力机制中的嵌入和矩阵（约占模型大小的三分之一）被保持在RAM中。

这样就提高了计算效率和访问速度，从而提高推理性能，而无需完全加载模型。

另外，ReLU激活函数会在FFN的中间输出中产生超过90%的稀疏性，从而减少使用这些稀疏输出的后续层的内存占用。

但是前一层必须完全存在于内存中。

为了避免整层大量数据的加载，这里使用低秩预测器来识别ReLU之后的零元素。

如上图所示，本文的预测器只需要当前层的注意力模块的输出，而不需要加载前一层的FFN模块，并且预测的准确率极高。

另外，文中还通过滑动窗口技术进行神经元数据管理。

研究人员将活动神经元定义为，在预测模型中产生正输出的神经元。

采用滑动窗口技术来管理神经元数据，仅需要维护内存中最近输入tokens的子集。

这里的关键是神经元数据的选择性加载，在当前输入标记与其直接前身之间有所不同。

如上图所示，这种策略允许高效的内存利用率，因为释放了滑动窗口之外的旧tokens。

优化数据块大小

对于OPT和Falcon，从向上投影（up project）开始的第 i 列和从向下投影（down project）开始的第 i 行的使用，与第 i 个中间神经元的激活相吻合。

因此，将这些相应的列和行一起存储在闪存中，可以将数据合并到更大的块中进行读取。

捆绑方法如上图所示。这种捆绑会使块大小翻倍，也就增加了模型的吞吐量。

另外，对于每个神经元，该神经元与其他神经元的共同激活形成幂律分布，如下图a所示。这里将与神经元共同激活的神经元称为最亲密的朋友（closest friend）。

如下图b所示，每个神经元及其最亲密的朋友至少在95%的时间内相互共同激活。

图c和d展示了第4个最亲密的朋友和第8个最亲密的朋友。

基于这些信息，作者将每个神经元及其最亲密的朋友放在闪存中，每当预测一个神经元处于活跃状态时，也会同时加载它的亲密朋友。

不过，这实际上导致了多次加载高度活跃的神经元，违背了减少数据搬运的初衷。

作者在此提出这个负面结果，并希望未来的工作能够继续探究如何有效地捆绑神经元。

优化DRAM中的数据管理

尽管与访问闪存相比，DRAM内的数据传输效率更高，但它仍然会产生不可忽视的成本。

在为新神经元引入数据时，由于需要在DRAM中重写现有神经元数据，重新分配矩阵并附加新矩阵可能会导致大量开销。

尤其是当DRAM中很大一部分（约25%）的前馈网络（FFN）需要重写时。

作者研究了所有必要内存的预分配，并建立相应的数据结构，以实现有效数据管理。数据结构包括指针、矩阵、偏置、num_used和last_k_active等元素。

如上图所示，首先将最后一个元素复制到要删除的神经元位置，以维持连续的内存块，然后将所需的元素堆叠到最后，这样可以防止多次复制整个数据。

苹果的野心

苹果有可能将最近的这些创新技术，整合到产品阵容中。

很明显，苹果不仅在增强自己的硬件设备，而且还在预测未来对人工智能注入服务的需求。

通过允许更复杂的AI模型在内存有限的设备上运行，苹果有可能为一类新的应用程序和服务奠定基础。

——换句话说，以前办不到的事情，以后就说不定了。

逼真的数字化身和便携式设备上强大的AI助手曾经似乎遥不可及，而未来正在迅速成为现实。

参考资料：

https://arxiv.org/abs/2312.11514