首页 > 科技快讯 > AI开源、闭源的选择，对大模型创业者意味着什么？

AI开源、闭源的选择，对大模型创业者意味着什么？

晰数塔互联网快讯
2024-04-26 13:17

最近两周，有关开源 PK 闭源的讨论吸引了许多人的关注。

事情是这样的：

在不久前的百度create大会上，李彦宏放出观点：开源模型的能力会被闭源远远甩在身后。一时间，周鸿祎、傅盛等创业者纷纷表达了反对的观点。

紧接着，在北京时间 3 月 15 日凌晨 2 点，大洋彼岸，Meta 的开源大模型 Llama3 发布，它被视作全球开源大模型的“顶配”，也是国内众多大模型的“奶妈”——许多模型都是基于 Llama3 预训练而来。尤其值得注意的是，Llama 3 发布了 8B 和 70B 的两个版本，一些方面的性能已经超越了一部分闭源模型，还有一个 400B 的大参数模型正在来的路上（尚未发布），但据称，其性能将直逼 GPT-4。

看起来，李彦宏被打脸了。但事实真的如此吗？

为了厘清大模型开源的一系列问题，更生动、直观地理解这些（对于普通人来说）略显艰深的技术，我访谈了全球最大的开源 AI 社区 Huggingface 的中国区负责人王铁震，试图还原：开源在全球创新、以及在中国的发展历史。

以下是访谈后整理的笔记：

什么是开源？

如果从国内互联网历史看，那时就有了许多独特的开源文化，比如字幕组就是一种开源。

字幕本身它就是一个 SRT 文件——一个文档上有时间线对应不同的文本。志愿者贡献做字幕的过程和现在的开源几乎一样：比如会有人先在论坛里公布：现在有某部电影需要配字幕，接下来，一些志愿者就会报名，报名之后会有分工，水平高一些的人会负责审核——需要对齐所有人的工作、并检查错误、最后压片发布。审核这个角色需要有协调组织的能力、耐心和责任心，任务相对较重，影响力也更大。

如果类比到开源项目里，审核的角色叫做 maintainer（维护者）。ta 是项目里最核心的负责人，负责把大家交过来的所有代码审核过之后，合并到主干任务里。而分领不同任务的这些开发者就叫 contributor（贡献者）。

大致是这么个流程：maintainer 定任务、分工给 contributor、maintainer 对齐、发布。

开源的价值与贡献

过去一年，大模型的推理成本实际上下降了 100 倍。这其中很多工作都是开源社群推动的。

因为在开源的机制和社区下，每一个推动工作的开发者，他可以不需要知道深度学习的所有数学原理，不需要自己有很多卡，只要有爱好、有想法，都可以参与贡献自己的力量。

这大大降低了参与门槛和迭代周期，也是技术飞速发展的要素之一。

开源的信仰，即相信：众人拾柴火焰高。

Hugging Face 的创始人 Clam 曾说过，“如果没有开放科学，没有开源，比如说谷歌没有分享他们“ attention is all you need” 的论文、Bert 论文、原生扩散论文，我们可能要过30、40、 50 年才能够达到今天的水平。”

而事实上，今天我们已经被开源包围了：我们所使用的安卓系统、网页浏览器如Chrome 和 Firefox，都是著名的开源项目。以及区块链领域——所有web3相关的工作都是开源。开源意味着流程、分工、贡献全都透明化，更能群策群力，也更能确保数据使用的安全性。

开源的“乌托邦”主义：氛围更好，更公开透明，更能调动大家的积极性

大厂的工程师都是经过非常严格的筛选，按理来说技术实力都很强，但他们却不如开源社区里的开发者们有激情——开源社区里，开发者们可能一开始并不是特别厉害，但因为能够参与到一些重要的开源项目，极有活力，效率也高，合作氛围极其融洽。

与之相对的，是在科技大厂里常常因为组织架构调整，导致A做了很久的项目被B接手了，最后项目黄了。

开源社区更容易让人参与到一个事情里面，因为所有的事情都是公开透明的，全世界对这个事情感兴趣的人都会加入进来。尤其是项目早期，因为参与者少，每一个人的贡献都是珍贵的。

同时，因为参与门槛被降到最低，开源社区能实现更好的资源利用。

在公司里，往往需要押注（或者说赌）技术发展的方向——有人认为要做 a 技术，有人认为该做 b 技术，但最后得选定一个方向将资源集中。

但在开源社区，因为大家基于爱好自由选择， a 和 b 两个方向都会得到发展。

大模型时代，第一次出现了开源和闭源“齐头并进”

像Linux、MySQL、云架构等开源技术，历史上都一定滞后于当时最先进的技术。大模型是第一次出现开源和闭源齐头并进的状态。

原因在于，开源技术，需要感兴趣的开发者能在一起能够有效地去协作，这需要一些基础条件加持：比如高速网络、开源平台等。在 Linux 刚开始发展的那个时代，这些条件都不健全（比如能够访问到 Linux 代码的人也比较少、没有好的管理工具等）。

那时，开源技术只属于少部分极客。现在，网络、开源平台和各类管理工具已经发展得很完备，所以当下的开源时代，更多人是可以参与建设的，甚至普通人。

全世界都在反对李彦宏？开源、闭源并不绝对对立

李彦宏在百度 create 大会上发言称，“开源模型的能力会被闭源远远甩在身后。”一时间，周鸿祎、傅盛等创业者都表达了不同的看法。

这并不是一个“开源一定会赢、或者闭源一定赢”的问题。

Robin 的话更多是基于企业价值观和战略选择的一种输出。在 ChatGPT 出来之前，其实百度在开源领域的工作是非常非常好的，百度自己做了一个深度学习的框架叫 PaddlePaddle，它在 NLP 领域的一个库叫 paddlenlp，当时也是获得了非常大的影响。

ChatGPT 出现之后，可以看到百度在开源上的投入逐渐变小——也许闭源能给百度带来更多优势。

其实，开源、闭源是可以互相转化的，其中的光谱非常宽。比如 OpenAI 最早也是做开源的，比如发了whisper 这些开源的模型，只是后来他选择了把大语言模型闭源。再比如，Meta 也做了很多开源的工作，但其内部也有模型是不开源的，另外，开源模型和闭源模型也可以互相转化——比如有一个开源模型，一家企业用自己的语料去微调它，这基础上再做一些优化，最终形成的这个模型是闭源的，可能产生商业价值——这最后一公里（优化）是收费的，这仍然算闭源。

这道光谱很宽，光谱的最右侧，是只有少数机构和公司才会做的全流程开源。

所谓全流程开源是指：模型数据集是什么、怎么洗、怎么构建、如何做模型架构的选择、如何去训练这个模型（包括训练日志）、推理代码和权重、部署——这些全部公开。

即，只要你有算力，就可以参照这整个流程，把你的数据用起来，然后训练一个自己的模型。

将权重也公开的这类开源，叫 open source；而只发布权重供访问，而不告诉你权重是怎么来的，这类叫 open access。这类可能会和商业应用捆绑在一起——想要商业应用的话，需要购买授权。除非是用于学术研究。

光谱再往左一点，可能是开放一个小一版的模型，如果想用更好的模型则需要采购更大的模型组。这相当于拿开源做一个引流，我让你先试用一下，如果你觉得效果不错，我还有更好的，你要不要？

许多开源项目的最后一公里是闭源，是为了更好地复制商业化。

硬件公司一般都很拥抱开源：比如英伟达，通过更好地支持整个开源社区，它可以卖更多的硬件；再比如说阿里巴巴，通过开源，大家能更好地采购它的云服务。再比如Meta，能通过开源去解决它元宇宙（或者说游戏）里交互不足的问题，对它的股价也有好处。

往往，能产生商业模式的开源项目才能够走得更远。

如果按盈利模式来分，开源的商业化可以大致分为两类：

通过开源为产品或付费服务导流（for 销售）

通过开源建立企业良好的技术品牌形象（for 招聘）

大模型具“黑盒效应”，不可编码、不可解释，所以无法开源？

如果把开源视作：把一个搭成的积木模型共享给大家，每个人都可以复制一份带回家，然后自己重新优化组装。

那么有另外一种观点认为，大模型它并不是传统意义上的软件开源，因为模型是有黑盒效应的，它不可编码，不可解释，是没有办法真正开源、让大家一起做贡献的。

这种说法对吗？

其实，模型的可解释性和是否能被全部开源无关。就好像炒菜，食物上发生的化学反应是非常复杂且难以理解的，但我们可以分享菜谱、让大家可以重复地制作这道菜（open source），并基于此，作一些个人口味上的调整，而不仅仅是免费让别人来吃这个菜（open access）。

如何在开源模型上，去训一个自己的模型？

在 open access 的模型上训练的过程： 1. import Transformers（将模型载入tranformers 库）——2. 喂数据、模型输出完成推理——3. 微调（SFT）——4. 继续预训练（ Continuous Pre-training）。

可以将微调的过程简单理解为：模型就像一个刚进大学的大学生，微调的目的是将他变成某个领域的专家。怎么做呢？搜集这个领域的知识（是他从前没见过的），教给他，再给他一套测试题，使其通过测试题后，就完成了微调的训练，接下来他就可以上岗工作、解决现实问题了。

再举个例子，微调还要解决“模型是谁”的问题：比如你的模型是用 llama 3微调出来、要解决企业客服的需求。那么，当用户问“你是谁”时，它不能回答“我是 llama3”，而要回答，“我是XX企业的智能客服XX。”相当于告诉这个大学生，你的社会身份是什么。

而 open source 的模型所公布的、open access没公布的那些过程，则相当于一个孩子从入学到大学毕业，整个过程经历了什么。

可以将继续预训练的过程简单理解为：让一个数学系学生，解决化学问题——修双学位、成为复合型人才、解决复杂问题。

创业者、开发者如何更科学、经济地使用开源模型？

有许多人并非传统做 AI 技术出身，但是看到大模型的能力，希望将其与自己领域的一些应用结合起来。

通常，给这类开发者的建议是：

1. 先拿最好的闭源模型去试，看它是否解决你的问题。如果通过prompting就能解决问题，那么不需要微调。而且早期使用闭源能使产品很快上线，可以积累一波原始用户数据和需求。

2. 如果闭源解决不了，或者调用闭源模型成本太高，再去尝试开源模型，先从小参数的开始，用专门领域的语料去训练，此时，第一阶段积累的用户需求会是优势，因为你更了解用户的query（需求）是什么样子，那么就能更好地准备对应语料，将语料喂给模型完成微调，然后在私有环境部署。看一下模型效果，如何效果可以，就足够了。

如果微调的效果还是不如意，接下来则需要继续预训练（ Continuous Pre-training）。这相当于将一个初级行业应用者培养成一个行业专家。但需要注意的是，这个过程中需要知道原厂在训练模型时，数据配比是什么样，要将这些数据配比信息加入的continuous pretrain的过程中，否则性能会有损失。

做微调（SFT）、继续预训练（Continuous Pre-Training）分别需要具备哪些条件？

微调：需要算力、语料、数据。

（微调对算力的要求比推理高得多，调一个非常小的模型至少需要一个A100或者8个H100。以及数据的处理也是一个经验活——整理语料对并不难，随着工具的成熟，只需要勾选、配对就好了，相当于用word 、excel，很容易；但难点在于：1. 对需求场景的洞察，2. 如何判断模型生成的质量好坏，这是专家才能做的。）

但微调的成本，国内大部分创业公司都能负担得起。

继续预训练：成本在微调的基础上要再上升一个量级，难度也更大。

改模型是什么？有哪些方法？

通常，为了模型达到更好效果、性能、或者成本更经济等目的，也可以使用一系列魔改的方式。魔改通常比微调的工作量更轻量一些。

年初的时候特别火的一种方式是 model merger，把两个架构一样但是权重不一样的模型给混合一下，就好像是：大学里面招了两个高中毕业生，一个特别擅长写代码，一个特别擅长写小说。model merger 就试图将两个人合二为一。

还有量化（quantization），比如模型的权重一般是B16，通过魔改，可以用更低的精度让这个模型变得更小（比如把 B16 降到 INT4 后，模型就会有一个四倍的性能和存储上的提升）。

Llama 3 发布，如何理解它在行业中的影响？

Llama 3. 它是由24. 000 块 GPU 组成的定制集群上使用 15 万亿个 token 训练的。国内有哪些公司能够拥有这个级别的算力和数据？

首先，这个量级的算力是国内大部分人和公司无法拿到的，太烧钱了。海外像Google、微软、 Meta 这种公司级别驱动的开源项目，才能调动这个惊人级别的算力。

而从纯社区向（背后没有公司支持）角度来说，没有什么开源社区能有这么大的能量。开源社区通常通过捐赠方式获得算力支持，但最多也就是在百卡级别（当然这已经不便宜了），千卡都很少。因为到了千卡级别后，对整个数据中心的 Infra 基础设施已经有了非常高的要求：

比如，如果计算过程中卡烧了怎么办（毕竟要没日没夜地跑）——要换卡，以及在软件上当卡掉了时，能不能把所有的训练状态保存，卡修好之后再重新启动，包括做自动规避、如何让GPU的利用率保持在高量级等等。

总之，一旦计算规模到了千卡级别，运营侧就会产生很复杂、很大的问题。更别提万卡甚至10万卡级别了。Meta 在训练 LLAMA3 时候的算力投入可以算是开源模型中的顶配。

对未来大模型发展趋势的一些判断

1. Llama 3 发布的三个不同参数版本，其中 8B 是对开发者更友好的，400B值得期待，但能用的人没那么多。

同样的模型架构，参数大的模型一定比参数小的模型：1. 更智慧，2. 知识丰富度更好。

但，大模型也会比小模型：1. 贵（成本高）； 2. 慢（输出等待时长更久）；3. 对硬件适配的要求更高（需要的GPU多）；4. 难（运营复杂度更高）；5. 距离端上部署更遥远；6. 可玩性更弱（能玩起来的人不够多，比如做各种魔改、定制化等）。

2. 训练模型、选择参数时，需要神农尝百草。

开发者通常会面临很多种超参数的选择，需要像“神农尝百草”一样，试不同参数的组合，大家一般会先从小的模型开始试，在小的模型上观察到一些现象后，再用这个推测，当模型 scale 变大，是否也符合这种现象，再用大一些的模型去试。

3. 模型会先变大，再变小。

模型先变大，指的是先做大模型，把能力做上去，先解决从 0 到 1 的问题。

再变小，指的是解决它的实用性（包括成本、性能、效率等）。

4. 也许很快，模型要拼的就不是单一维度的能力，而是差异化。

据传， Llama 3 的 400B 参数可能超越 GPT-4 的部分性能。如果事实的确如此，意味着开源模型的能力也会到达一个基本可用的状态（GPT-4被认为是基本可用的）。这对很多公司是一个巨大的技术红利。

举个例子，现在很多企业的较难任务的拆解和分派，还是由GPT-4完成的，未来这些工作逐步可以被开源模型取代。对于企业而言，使用开源模型也更利于隐私保护。

一旦开源和闭源模型都达到了可用的这一条线，那么后面的竞争可能会是什么？

可能就需要大家在模型上做一个差异化：未来，大家不再用一个榜单来评测，而是在不同的领域去分别看不同模型的特点——比如，写代码方面，ABC做得更好；创作方面，DEF做得更好。

很难衡量两个都可用的模型，差距是多少。更可能是在不同生态位上错位竞争。

作者简介：卫诗婕，独立商业作者，金字节奖年度新锐作者、网易非虚构文学奖年度作者、全球真实故事奖TSA（True Story Award）中文报道十佳，前极客公园执行总编。代表作有《ofo的终场战事》（阅读量全网百万+）、《罗永浩：薛定谔的理想主义》（全网百万+）、《朱一旦的枯燥生活》、底稿对话CEO系列等。

多年深耕科技商业报道领域，曾就职于《人物》、GQ报道、字节跳动、极客公园。十年间对话了众多科技圈领军人物以及一系列科技独角兽CEO（包括苹果联合创始人沃兹尼亚克、前奈飞CHO Patty Mccord、知名作家凯文凯利、智源研究院理事长张宏江、XbotPark 创始人李泽湘、字节跳动梁汝波、细红线科技罗永浩、地平线创始人余凯、影石Insta360 刘靖康、蓝晶微生物张浩千、百川智能王小川、面壁智能李大海等……）。现开设一档商业IP《卫诗婕｜商业漫谈Jane's Talk》（含播客、公众号、视频号、即刻等渠道）

本文来自微信公众号：卫诗婕商业漫谈（ID：Jane_shijie），作者：卫诗婕