GPT-4 太吃算力，连微软也顶不住了！
今年，无数场微软 AI 大会上，CEO 纳德拉台前激动地官宣，将 GPT-4、DALL·E 3 整合到微软「全家桶」。
微软全系产品已被 OpenAI 的模型重塑，愿景是让 AI 成为每个人的生活伴侣。
然而在幕后，因 GPT-4 运行成本太高，微软却悄悄地搞起了 plan B。
The Information 独家爆料称，为了摆脱对 OpenAI 的依赖，由 Peter Lee 领导的 1500 人研究团队中，一部分人转向研发全新对话式 AI。
据称，研发的模型性能可能不如 GPT-4，但参数规模小，研究成本更低，运行速度更快。
目前，微软已经在必应聊天等产品中，开启了内测。
不仅是微软，包括谷歌在内的其他科技巨头，正在另辟蹊径，以在 AI 聊天软件和芯片两方面节省成本。
而 Llama 2 宣发时微软与 Meta 的合作，也不啻是一种摆脱完全依靠 OpenAI 的手段。
这是微软帝国继续向前成长、突破当前局限，注定要走的路。
更「精炼」的模型，必应先尝鲜
今年 2 月，微软正式发布新必应（New Bing），其中结合了 ChatGPT 和自家的普罗米修斯（Prometheus）模型。
在 GPT-4 公布后，微软紧接着宣布，GPT-4 整合到必应中，将搜索体验带上了一个新台阶。
微软搜索主管 Mikhail Parakhin 近日表示，Bing Chat 目前在「创意」和「精准」模式下使用的是 100% 的 GPT-4。
而在平衡模式下（多数用户选择的模式），微软用普罗米修斯模型，以及图灵语言模型（Turing language models）作为补充。
普罗米修斯模型是技能和技术的集合体。而图灵模型不如 GPT-4 强大，旨在识别和回答简单的问题，并将更难的问题传递给 GPT-4。
微软内部，已经将其手头的 2000 块 GPU 中的大部分，都投入到了「小模型」的训练当中。当然，这与微软提供给 OpenAI 的芯片数量相比，只能说是小巫见大巫了。
不过，这些模型可以执行比 GPT-4 更简单的任务，也是微软为破冰所作的努力。
打破 OpenAI 束缚
多年来，微软与 OpenAI 这两家公司，保持着千丝万缕的联系。
但是，随着 ChatGPT，微软必应等全家桶竞相推出，微软与 OpenAI 也开始秘密开展市场角逐战。
尽管微软的努力仍处于早期阶段，但纳德拉正带领微软，为自家 AI 产品开辟一条不完全依赖 OpenAI 的路。
「这终究还是要发生的」，Databricks 的高管 Naveen Rao 在谈到微软内部的 AI 工作时说。
「微软是一家精明的企业，当你部署产品使用 GPT-4 巨型模型时，他们要的是高效。这就好比说，我们并不需要一个拥有 3 个博士学位的人，来当电话接线员，这在经济上是行不通的。」
然而，纳德拉和研究主管 Peter Lee 希望在没有 OpenAI 的情况下，开发出复杂的 AI，这大概只是一厢情愿。
自从微软投资 OpenAI 后，这家巨头的研究部门把大部分时间，都用来调整 OpenAI 的模型，以便使其适用微软的产品，而不是开发自己的模型。
微软的研究团队，也并没有幻想自己能开发出像 GPT-4 这样强大的 AI。
他们清楚地知道，自身没有 OpenAI 的计算资源，也没有大量的人类审查员来反馈 LLM 回答的问题，以便工程师改进模型。
过去一年里，随着几波研究人员的离职，包括一些转入微软内部的产品团队，研究部门的人才也在不断流失。
对微软自身来说，在没有 OpenAI 帮助的情况下，开发高质量的 LLM，可以在未来几年，两家公司讨论续签合作关系时赢得更多谈判筹码。
微软 AI 研究主管 Peter Lee
目前，两者交易对双方都有利。
微软投资 OpenAI 一百多亿美元，作为回报，能够在微软产品中永久使用 OpenAI 现有知识产权的独家权利。
此外，微软还将获得 OpenAI 75% 的理论运营收益，直到其初始投资偿还为止，并且将获得利润的 49%，直到达到一定上限为止。
现在，微软希望通过与 OpenAI，以及其他 AI 企业的现有联盟，在一个不确定的时期内增加至少 100 亿美元的新收入。
Office 365 全家桶在得到 GPT-4 能力加持，已经出现了早期的收入增长迹象。
微软还在 7 月份表示，已有超过 2.7 万家公司为代码编写工具 GitHub Copilot 付费了。
Statista 统计，2023 年除了微软云服务比例最大，加速生产力商业流程的软件产品收入占比也在逐渐增加。
然鹅，讽刺的是，微软与 OpenAI 的交易条款，也间接地帮助微软努力摆脱对 OpenAI 的依赖。
当用户使用必应时，微软可以访问 OpenAI 模型输出的结果。
目前，微软正在利用这些数据，创建更加「精炼」的模型。内部研究人员的研究结果表明，这些模型可以用更少的计算资源产生类似的结果。
「小模型」的探索
在 OpenAI 的阴影下度过一年后，微软的一些研究人员找到了全新的目标——制造一个模仿 GPT-4 的「蒸馏」模型。
今年 6 月，微软训练了一个算力消耗只有 GPT-4 十分之一的模型——Orca。
为了创建这个 Orca，微软将 GPT-4 生成的数百万个答案输入到了一个更为基本的开源模型之中，并以此教它模仿 GPT-4。
论文地址：https://arxiv.org/abs/2306.02707
结果显示，Orca 不仅超过了其他的 SOTA 指令微调模型，而且在 BigBench Hard（BBH）等复杂的零样本推理基准中，实现了比 Vicuna-13B 翻倍的性能表现。
此外，Orca 在 BBH 基准上还实现了与 ChatGPT 持平的性能，在 SAT、LSAT、GRE 和 GMAT 等专业和学术考试中只有 4% 的性能差距，并且都是在没有思维链的零样本设置下测量的。
甚至，在某些情况下，Orca 的表现与 OpenAI 的免费版 ChatGPT 不相上下。
类似的，微软还公布了一款参数量不到 GPT-4 千分之一的模型——phi-1。
由于采用了「教科书级」的高质量训练数据，phi-1 在数学和逻辑问题上的熟练程度，完全不亚于 5 倍于它的开源模型。
论文地址：https://arxiv.org/abs/2306.11644
随后，微软在研究「一个 LLM 有多小，才能达到一定的能力」上更进了一步，推出了只有 13 亿参数的模型 phi-1.5。
论文地址：https://arxiv.org/abs/2309.05463
phi-1.5 展现出了许多大模型具备的能力，能够进行「一步一步地思考」，或者进行一些基本上下文学习。
结果显示，phi-1.5 在常识推理和语言技能上的表现，与规模 10 倍于它的模型旗鼓相当。
同时，在多步推理上，还远远超过了其他大模型。
虽然目前还不清楚，像 Orca 和 Phi 这样的「小模型」是否真的能与更大的 SOTA 模型（如 GPT-4）相媲美。但它们巨大的成本优势，加强了微软继续推动相关研究的动力。
据一位知情人士透露，团队在发布 Phi 之后，首要任务就是验证此类模型的质量。
在即将要发表的论文中，研究人员又提出了一种基于对比学习的方法，让工程师们可以教模型区分高质量和低质量的响应，从而改进 Orca。
同时，微软其他的团队也正在紧锣密鼓地开发全新的多模态大模型，也就是一种既能解释又能生成文本和图像的 LLM。
GPT-4V
显然，像 Orca 和 Phi 这样的模型，可以帮助微软降低为客户提供 AI 功能时所需的计算成本。
据一位在职员工透露，微软的产品经理已经在测试如何使用 Orca 和 Phi 而不是 OpenAI 的模型，来处理必应聊天机器人的查询了。比如，总结小段文本、回答是或者否，这种相对简单的问题。
此外，微软还在权衡是否向 Azure 云客户提供 Orca 模型。
据知情人士透露，Orca 论文一经发表，就有客户来询问何时能用上了。
但问题在于，如果真要这样操作的话，微软是不是还需要找 Meta 拿个许可。毕竟后者对哪些公司可以将其开源 LLM 进行商业化，还是有所限制的。
矢量AI门户网，优质AI资讯内容平台
