用Transformer定义所有ML模型，特斯拉AI总监Karpathy发推感叹AI融合趋势

特斯拉 AI 总监 Andrej Karpathy 连发多条推文表示，AI 不同领域（视觉、语音、自然语言等）正在打通，融合速度令人惊叹。

转自《机器之心》

今日，特斯拉 AI 总监、Autopilot Vision 团队领导人 Andrej Karpathy 在推特上发文，对 AI 领域正在进行中的融合（consolidation）表示惊叹。

他表示，「10 年前，视觉、语音、自然语言、强化学习等都是完全分离的，甚至没有跨领域的论文。方法也完全不同，通常不是基于机器学习。」

从 2010 年开始，视觉、语言、自然语言、强化学习等领域的壁垒逐渐打破，它们开始转向同一个技术方向，即机器学习，特别是神经网络。它们使用的网络架构具有多样性，但至少论文开始读起来更加相似，基本上都用到了大型数据集和网络优化。

随着 AI 技术的发展，近两年，不同领域模型架构似乎也变得相同起来。很多研究者开始专注于 Transformer 架构，在此基础上做较小的改动以进行研究。

例如 2018 诞生的 GPT，1.17 亿参数；2019 年 GPT-2，15 亿参数；2020 年更是将其扩展到 1750 亿参数 GPT-3。Karpathy 基于 PyTorch，仅用 300 行左右的代码就写出了一个小型 GPT 训练库，并将其命名为 minGPT，这个 minGPT 能够进行加法运算和字符级的语言建模，而且准确率还不错。核心的 minGPT 库包含两个文档：mingpt/model.py 和 mingpt/trainer.py。前者包含实际的 Transformer 模型定义，大约 200 行代码，后者是一个与 GPT 无关的 PyTorch 样板文件，可用于训练该模型。

部分代码截图。

197 行完整代码：https://github.com/karpathy/minGPT/blob/master/mingpt/model.py

随着模型架构的融合，现在，我们可以向模型输入词序列、图像 patch 序列、语音序列、强化学习序列（状态、行为、奖励）。我们可以在条件设置中添加任意 token，这种模式是极其简单、灵活的建模框架。

即使是在某个领域（如视觉）内部，过去在分类、分割、检测和生成任务上存在一些差异。但是，所有这些也正在转换为相同的框架，例如 patch 的检测 take 序列和边界框的输出序列。

现在，区别性特征主要包括以下几个方面：

1）数据

2）将自身问题映射到向量序列以及从向量序列映射出自身问题的输入 / 输出规范

3）位置编码器的类型以及注意力 mask 中针对特定问题的结构化稀疏模式

所以，从技术上来说，AI 领域的方方面面，包括前景、论文、人才和想法突然之间变得极其相关。每个人基本上都在使用相同的模型，大多数改进和想法可以快速地在所有 AI 领域「复制粘贴」（copy paste）。

正如其他很多人注意到并指出的那样，新大脑皮质（neocortex）在其所有的输入模态中也有一个高度统一的架构。也许自然界偶然发现了一个非常相似的强大架构，并以类似的方式复制了它，并只在一些细节上做了改变。

这种架构上的融合将使我们专注于软硬件和基础设施建设，进一步加速 AI 领域的进展。「无论如何，这是激动人心的时刻。」

对于 Andrej Karpathy 描述的 AI 融合趋势，网友也纷纷发表意见。

推特网友 @Neural Net Nail 表示，「这是一个有价值的见解。融合将加速 AI 领域的创新步伐，在边缘端使用 AI 的尖端产品变得更加可行。我想，变化（variation）才是质量的最大敌人。」

网友 @sisil mehta 也认为，「ML 基础设施迎来了激动人心的时刻。随着模型架构的融合，建模框架和基础设施也将融合。我当然希望 PyTorch Lightning 也会这样。」

网友 @Marcos Pereira 表示，「一方面，处处都在用 transformers，我们已经遇到了障碍，需要创新；另一方面，处处都在用 transformers，所以跟上来吧。」

原文出自 @Andrej Karpathy 的推特：https://twitter.com/karpathy/status/1468370605229547522