作者 | Matt Asay
策劃 | 言征
出品 | 51CTO技術(shù)棧（微信號(hào)：blog51cto）
速率限制意味著每個(gè)人都在等待更好的計(jì)算資源或不同的生成人工智能模型。
大型語(yǔ)言模型（LLM），如OpenAI的GPT-4和Anthropic的Claude 2，憑借其生成類人文本的能力，吸引了公眾的想象力。企業(yè)也同樣熱情高漲，許多企業(yè)正在探索如何利用LLM來(lái)改進(jìn)產(chǎn)品和服務(wù)。然而，一個(gè)主要瓶頸嚴(yán)重制約了在生產(chǎn)環(huán)境中采用最先進(jìn)的LLM：速率限制。有一些方法可以通過(guò)這些費(fèi)率限制收費(fèi)站，但如果沒(méi)有計(jì)算資源的改進(jìn)，真正的進(jìn)展可能不會(huì)到來(lái)。
1、為瓶頸付出的代價(jià)
允許訪問(wèn)OpenAI和Anthropic等公司模型的公共LLM API對(duì)每分鐘可處理的令牌（文本單位）數(shù)量、每分鐘的請(qǐng)求數(shù)量和每天的請(qǐng)求數(shù)量施加了嚴(yán)格限制。
例如，這句話將消耗九個(gè)標(biāo)記。目前，對(duì)OpenAI GPT-4的API調(diào)用限制為每分鐘三個(gè)請(qǐng)求（RPM）、每天200個(gè)請(qǐng)求和每分鐘最多10000個(gè)令牌（TPM）。
最高級(jí)別允許10000 RPM和300000 TPM的限制。對(duì)于每分鐘需要處理數(shù)百萬(wàn)個(gè)代幣的大型生產(chǎn)應(yīng)用程序，這些速率限制使得使用最先進(jìn)的LLM基本上不可行。請(qǐng)求堆積起來(lái)，需要幾分鐘或幾個(gè)小時(shí)，無(wú)法進(jìn)行任何實(shí)時(shí)處理。
大多數(shù)企業(yè)仍在努力在規(guī)模上安全有效地采用LLM。但是，即使他們?cè)趹?yīng)對(duì)數(shù)據(jù)敏感度和內(nèi)部流程方面的挑戰(zhàn)時(shí)，速率限制也是一個(gè)頑固的障礙。當(dāng)產(chǎn)品使用量和數(shù)據(jù)積累時(shí)，圍繞LLM構(gòu)建產(chǎn)品的初創(chuàng)企業(yè)很快就會(huì)達(dá)到峰值，但擁有龐大用戶基礎(chǔ)的大型企業(yè)受到的限制最大。如果沒(méi)有特殊訪問(wèn)權(quán)限，他們的應(yīng)用程序?qū)⒏緹o(wú)法工作。
怎么辦？
2、繞過(guò)速率限制
一種方法是完全跳過(guò)速率限制技術(shù)。例如，有一些特定用途的生成人工智能模型沒(méi)有LLM瓶頸。Diffblue是一家總部位于英國(guó)牛津的初創(chuàng)公司，它依賴于不受費(fèi)率限制的強(qiáng)化學(xué)習(xí)技術(shù)。它做一件事非常好，非常高效，可以覆蓋數(shù)百萬(wàn)行代碼。
它以開(kāi)發(fā)人員250倍的速度自主創(chuàng)建Java單元測(cè)試，編譯速度快10倍。Diffblue Cover編寫(xiě)的單元測(cè)試能夠快速理解復(fù)雜的應(yīng)用程序，使企業(yè)和初創(chuàng)公司都能滿懷信心地進(jìn)行創(chuàng)新，例如，這是將傳統(tǒng)應(yīng)用程序轉(zhuǎn)移到云的理想選擇。它還可以自主編寫(xiě)新代碼，改進(jìn)現(xiàn)有代碼，加速CI/CD管道，并在不需要手動(dòng)審查的情況下深入了解與更改相關(guān)的風(fēng)險(xiǎn)。還不錯(cuò)。
當(dāng)然，有些公司不得不依賴LLM。他們有什么選擇？
3、請(qǐng)多加計(jì)算
一種選擇是簡(jiǎn)單地要求提高公司的利率限制。到目前為止，這還可以，但潛在的問(wèn)題是，許多LLM提供商實(shí)際上沒(méi)有額外的能力提供服務(wù)。這就是問(wèn)題的癥結(jié)所在。GPU的可用性取決于從臺(tái)積電等鑄造廠開(kāi)始的總硅片數(shù)量。占主導(dǎo)地位的GPU制造商英偉達(dá)無(wú)法采購(gòu)足夠的芯片來(lái)滿足人工智能工作負(fù)載驅(qū)動(dòng)的爆炸性需求，大規(guī)模推理需要數(shù)千個(gè)GPU聚集在一起。
增加GPU供應(yīng)的最直接方法是建造新的半導(dǎo)體制造廠，即晶圓廠。但一個(gè)新的晶圓廠成本高達(dá)200億美元，需要數(shù)年時(shí)間才能建成。英特爾、三星鑄造、臺(tái)積電和德州儀器等主要芯片制造商正在美國(guó)建造新的半導(dǎo)體生產(chǎn)設(shè)施?？傆幸惶?，那會(huì)很棒。現(xiàn)在，每個(gè)人都必須等待。
因此，利用GPT-4的實(shí)際生產(chǎn)部署很少。這樣做的范圍不大，將LLM用于輔助功能，而不是作為核心產(chǎn)品組件。大多數(shù)公司仍在評(píng)估試點(diǎn)和概念驗(yàn)證。在考慮費(fèi)率限制之前，將LLM集成到企業(yè)工作流程中所需的提升本身就相當(dāng)大。
4、尋找答案
限制GPT-4吞吐量的GPU限制促使許多公司使用其他生成人工智能模型。例如，AWS有自己的專門(mén)芯片用于訓(xùn)練和推理（訓(xùn)練后運(yùn)行模型），使其客戶具有更大的靈活性。重要的是，并不是每個(gè)問(wèn)題都需要最強(qiáng)大、最昂貴的計(jì)算資源。AWS提供了一系列更便宜、更容易微調(diào)的型號(hào)，如Titan Light。
一些公司正在探索其他選擇，比如微調(diào)開(kāi)源模型，比如Meta的Llama 2。對(duì)于涉及檢索增強(qiáng)生成（RAG）的簡(jiǎn)單用例，需要將上下文附加到提示并生成響應(yīng)，功能較弱的模型就足夠了。
跨多個(gè)具有更高限制的舊LLM并行請(qǐng)求、數(shù)據(jù)分塊和模型提取等技術(shù)也會(huì)有所幫助。有幾種技術(shù)可以使推理更便宜、更快。量化降低了模型中權(quán)重的精度，這些權(quán)重通常是32位浮點(diǎn)數(shù)字。這不是一種新方法。例如，谷歌的推理硬件張量處理單元（TPU）僅適用于權(quán)重已量化為八位整數(shù)的模型。該模型失去了一些準(zhǔn)確性，但變得更小，運(yùn)行速度更快。一種名為“稀疏模型”的新流行技術(shù)可以降低訓(xùn)練和推理的成本，而且它比蒸餾技術(shù)勞動(dòng)密集度更低。您可以將LLM視為許多較小語(yǔ)言模型的集合。例如，當(dāng)你用法語(yǔ)問(wèn)GPT-4一個(gè)問(wèn)題時(shí)，只需要使用模型的法語(yǔ)處理部分，這就是稀疏模型所利用的。
你可以進(jìn)行稀疏訓(xùn)練，只需要用法語(yǔ)訓(xùn)練模型的一個(gè)子集，也可以進(jìn)行稀疏推理，只運(yùn)行模型的法語(yǔ)部分。當(dāng)與量化一起使用時(shí)，這可以是一種從LLM中提取較小專用模型的方法，LLM可以在CPU而不是GPU上運(yùn)行（盡管精度損失很小）。問(wèn)題是什么？GPT-4之所以出名，是因?yàn)樗且粋€(gè)通用的文本生成器，而不是一個(gè)更窄、更具體的模型。
在硬件方面，專門(mén)用于人工智能工作負(fù)載的新處理器架構(gòu)有望提高效率。Cerebras已經(jīng)構(gòu)建了一個(gè)為機(jī)器學(xué)習(xí)優(yōu)化的巨大晶圓級(jí)引擎，Manticore正在重新利用制造商丟棄的“被拒絕的”GPU硅來(lái)提供可用的芯片。最終，最大的收益將來(lái)自于需要更少計(jì)算的下一代LLM。結(jié)合優(yōu)化的硬件，未來(lái)的LLM可以突破今天的速率限制障礙。
目前，生態(tài)系統(tǒng)在渴望利用LLM力量的公司的壓力下變得緊張。那些希望在人工智能方面開(kāi)辟新天地的人可能需要等到GPU供應(yīng)在未來(lái)漫長(zhǎng)的道路上進(jìn)一步開(kāi)放。具有諷刺意味的是，這些限制可能有助于緩和圍繞生成性人工智能的一些泡沫炒作，讓行業(yè)有時(shí)間適應(yīng)積極的模式，高效、經(jīng)濟(jì)地使用它。
參考鏈接：https://www.infoworld.com/article/3712300/the-biggest-bottleneck-in-a-large-language-model.html
