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。
现在，距离GPT-3问世不到一年的时间，更大更复杂的语言模型又来了——
在对这种相关性进行最全面测试的基础上，今日，谷歌的研究人员开发了一种能够训练包含超过一万亿参数的语言模型：Switch Transformer，并进行了基准测试。
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 模型设计和预训练表现
研究人员在论文中表示，对于强大模型来说，进行大规模训练是一个非常有效的途径。
尽管在大数据集和参数支撑下的简单的架构可以超越一些复杂的算法，然而，高效且大规模的训练却属于极度的计算密集型。
而这，也正是Google的研究者发明Switch Transformer的原因。
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。
