迄今为止，OpenAI 的 GPT-3是有史以来最大的语言模型之一，有1750亿个参数。

他们表示，1.6万亿参数模型是迄今为止最大的，并比之前最大的、由google开发的语言模型T5-XXL足足快了4倍。

图：Switch Transformer编码块

Switch Transformer使用了一种叫做稀疏激活（sparsely activated）的技术，这个技术只使用了模型权重的子集，或者是转换模型内输入数据的参数，即可达成相同的效果。

此外，Switch Transformer还主要建立在混合专家（Mix of Expert）的基础上。

图：Token动态路由示例

什么是“混合专家”呢？

混合专家（Mix of Expert，MoE）是90年代初首次提出的人工智能模型范式。

在MoE中，对于不同的输入，会选择不同的参数。多个专家（或者专门从事不同任务的模型）被保留在一个更大的模型中，针对任何给定的数据，由一个“门控网络”来选择咨询哪些专家。

其结果是一个稀疏激活的模型——具有数量惊人的参数，但计算成本不变。然而，尽管MoE取得了一些显著的成功，但其广泛采用仍然受到复杂性、通信成本和训练不稳定性的阻碍。而Switch Transformer则解决了这些问题。

Switch Transformer的新颖之处，在于它有效地利用了为密集矩阵乘法(广泛应用于语言模型的数学运算)设计的硬件，如GPU和谷歌的TPU。

图：数据和权重划分策略

在研究人员的分布式训练设置中，他们的模型将不同的权重分配到不同的设备上，因此，虽然权重会随着设备数量的增加而增加，但是每个设备却可以保持可管理的内存和计算足迹。

在一项实验中，研究人员使用了32个TPU核，在“Colossal Clean Crawled Corpus”，也就是 C4 数据集上，预先训练了几种不同的Switch Transformer模型。

C4是一个750gb大小的数据集，包含从Reddit、Wikipedia和其他web资源上获取的文本。

图：C4数据集

研究人员让这些Switch Transformer模型去预测有15%的单词被掩盖的段落中遗漏的单词，除此之外，还为模型布置了许多其他挑战，如检索文本来回答一系列越来越难的问题等等。

研究人员声称，和包含3950亿个参数和64名专家的更小的模型(Switch-XXL)相比，他们发明的拥有2,048名专家的1.6万亿参数模型(Switch-C)则“完全没有训练不稳定性”。

然而，在SQuAD的基准测试上，Switch-C的得分却更低(87.7)，而Switch-XXL的得分为89.6。

对此，研究人员将此归因于微调质量、计算要求和参数数量之间的不明确关系。

在这种情况下，Switch Transformer还是在许多下游任务上的效果有了提升。例如，根据研究人员的说法，在使用相同数量的计算资源的情况下，它可以使预训练的速度提高了7倍以上。

图：所有模型均在32个TPU上进行训练

同时研究人员证明，大型稀疏模型可以用来创建更小、更稠密的模型，这些模型可以对任务进行微调，其质量增益只有大型模型的30% 。

在一个测试中，一个 Switch Transformer 模型被训练在100多种不同的语言之间进行翻译，研究人员观察到其中101种语言都得到了“普遍的改善” ，91% 的语言受益于超过baseline模型4倍以上的速度。

图：101种语言的多语言预训练

研究人员在论文中写道: “虽然这项工作主要集中在超大型模型上，但我们也发现，只有两个专家的模型能够提高性能，同时很容易适应常用 GPU 或 TPU 的内存约束。”

“我们不能完全保证模型的质量，但是通过将稀疏模型蒸馏成稠密模型，同时达到专家模型质量增益的30%的情况下 ，是可以达到10到100倍压缩率的。”

在未来的工作中，研究人员计划将Switch Transformer应用到新的和跨越不同的模态中去，包括图像和文本。他们认为，模型稀疏性可以赋予各种不同媒介以及多模态模型一些优势。

在论文的最后，Google的研究人员还表示：

总的来说，Switch Transformers是一个可扩展的，高效的自然语言学习模型。

通过简化MoE，得到了一个易于理解、易于训练的体系结构，该结构还比同等大小的密集模型具有更大的采样效率。

这些模型在一系列不同的自然语言任务和不同的训练机制中，包括预训练、微调和多任务训练，都表现出色。

这些进步使得使用数千亿到万亿参数训练模型成为可能，相对于密集的T5基准，这些模型可以实现显著的加速。

谷歌的研究人员表示，希望他们的工作能够激励稀疏模型成为一种有效的架构，并鼓励研究人员和实践者在自然语言任务中考虑这些灵活的模型。

参考链接：

https://arxiv.org/pdf/2101.03961.pdf

https://venturebeat.com/2021/01/12/google-trained-a-trillion-parameter-ai-language-model/