雖然GPT-3沒有開源，卻已經有人在復刻GPT系列的模型了。

例如，慕尼黑工業大學的Connor Leahy，此前用200個小時、6000RMB，復現了GPT-2。

又例如，基于150億參數版GPT-3的DALL·E模型剛出，來自康奈爾大學的 Philip Wang就開始復現 了。

但此前，還沒人能復現出GPT-3大小的大語言模型來。

不過，已經有人開始嘗試了。這是一個名為 GPT-Neo的項目，用于復現GPT系列的各種語言模型，當然也包括GPT-3。

作者表示，目前他們已經成功制造出GPT-2大小的模型。

從項目代碼的可擴展性來看，他們預計可以復刻出GPT-3大小的語言模型，甚至比GPT-3更大。

不僅如此，由于這是個開源的項目，大家還可以自主訓練這些模型 （將來也會包括GPT-3）。

目前，作者已經給出了詳細的訓練步驟。

消息一出，網友沸騰了：

要是真能復現，說不定會比現在的GPT-3還要更好用！

GPT系列的“高仿”項目

本質上，GPT-Neo有點像是GPT系列的“高仿”項目：

GPT-Neo中的各種模型，設計原理接近GPT系列，但代碼并不一樣。

作者們打算嘗試各種結構和注意力類型，最終擴展出GPT-3大小的大語言模型。

為了實現這一目標，他們從復現GPT系列的模型開始，不斷嘗試各種模型架構、和各種注意力機制的實現方式。

也就是說，GPT-Neo更像是一個實驗性質的項目，通過各種嘗試，擴展出更大的模型。

這里面，融合了各種讓模型變得“更大”的研究：

例如，多任務學習方法MoE （Mixture of Experts），采用多個專家的結構，將問題空間劃分為同質區域，然后采用分發器，決定問題應該問哪些專家。

又比如，具有線性復雜性的自注意力機制。

……

這個項目還在施工中，不過，連模型的訓練方式都準備好了。

項目計劃通過TPU或GPU，對大語言模型進行訓練。

為此，作者們已經基于Tensorflow-mesh （用于在GPU上訓練模型）、Deepspeed （用于在TPU上訓練模型）兩個項目，編寫了GPT-Neo的訓練代碼。

這兩個項目都可以擴展到大于GPT-3的大小，甚至還能更大。

因此，訓練GPT-3大小的模型，軟件理論上是可行的。

但硬件上的問題，目前作者們還在思考明確的解決方案。如果將來真的做出了GPT-3大小的模型，他們打算先從谷歌那多要點免費資源，如果不行的話，就再說……

如何訓練GPT-Neo

當然，在TPU和GPU上訓練的方式有所不同。

如果使用TPU訓練的話，需要注冊一個谷歌云平臺，創建存儲空間，然后再搞個虛擬機，將模型放到TPU上訓練。

不過，如果你的GPU硬件足夠OK，也可以選擇直接訓練GPT-Neo，就不用設置一系列谷歌云了。

此外，也可以用谷歌Colab來訓練項目，它免費提供TPU-V8S處理器，訓練GPT的3XL （1.5B參數）版本綽綽有余。

訓練過程也不復雜，主要包括創建分詞器、數據集預處理、指定訓練數據集、選擇訓練配置、訓練模型幾個步驟。

在創建分詞器上，GPT-Neo目前提供一個Huggingface的預訓練GPT-2分詞器。不過，也可以訓練自己專屬的分詞器。

然后，對數據進行預處理，可以直接下載項目提供的數據，也可以使用自己的數據集。

在那之后，指定模型訓練所用的數據集，然后對訓練方式進行設置，例如優化算法、訓練步數等。

然后，指定硬件名稱、數量，就可以開始訓練模型了。

“只會用谷歌搜索的自動化團隊”

不過，對于GPT系列的項目復現，有網友并不看好。

網友認為，GPT-X系列項目，就像是一個由幾百人組成的自動化團隊，這幾百人 只會用谷歌搜索來干活，而且還沒辦法寫出最新的新聞事件報道。 （因為訓練數據無法一直更新）

它雖然是個非常有趣的研究，但目前卻還沒有一個“殺手級”應用，來讓GPT-3項目的存在變得更有意義。

當然，也有人認為，復現這一項目還是有意義的。

即使只是“幾百個只會用搜索引擎干活的團隊”，他們也需要快速給出某個問題的答案。

如何在大量零碎信息中， 高效地選出最優解，本身就是GPT-X項目的價值之一。畢竟如果只是幾百個“會用谷歌搜索”的人組成的團隊，是無法像GPT-3一樣，快速得出最佳答案的。

當然，也有一些程序員調侃，要是這個GPT-3項目真的被復現了，豈不是他們馬上就要失業了。

“我們總是在用谷歌搜索、和stackoverflow來解決問題。這不就是像GPT-3一樣，只會整合搜索引擎上的信息，來解決問題嗎？”

“該死，原來GPT-3竟然可以取代這么多程序員。”

目前，GPT-Neo的所有項目和代碼已開源。

想要上手一試、或是對項目感興趣的小伙伴，可以行動起來了~

責任編輯：PSY