微信客服
微信公众号
GPT-4太吃算力，微软被爆内部制定了Plan B，训练更小、成本更低的模型，进而摆脱OpenAI。
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·E3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Llama2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。
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OpenAI75%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。
Office365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。
参考资料:
https://www.theinformation.com/articles/how-microsoft-is-trying-to-lessen-its-addiction-to-openai-as-ai-costs-soar?rc=epv9gi
https://the-decoder.com/microsoft-seeks-plan-b-for-more-cost-effective-ai-sidestepping-openais-gpt-4/
