🔥 热搜 🔥
百度今日热点微信公众平台贴吧opggdnf私服百度贴吧知乎dnf公益服百度傻逼
分类
社会娱乐国际人权科技经济其它
🔥 热搜 🔥
上海习近平新疆鄂州父女瓜乌鲁木齐疫情H工口小学生赛高习明泽芊川一笑图包印尼排华
分类
社会娱乐国际人权科技经济其它
查看原文
其他

对话RWKV作者彭博：单枪匹马挑战Transformer的神秘怪才

王兆洋 硅星人Pro
2024-09-06
作者｜王兆洋
邮箱｜wangzhaoyang@pingwest.com
一个人，待在家里，“懒散”的有一搭没一搭，训练一个要挑战已经“一统世界”的Transformer 的模型。这听起来足够夸张。
还有更夸张的。
这个模型的雏形比ChatGPT引爆世界更早出现，然后不停迭代，OpenAI也注意到了它，向作者发出邀请，被立刻回绝，理由是OpenAI不open。而当全世界最聪明的头脑都纷纷涌入这个竞技场和名利场后，这个基本没有露过面的作者宣称：
“现在的AI太简单了，傻瓜都可以做出来。”
而且，他还说，只有他才知道实现AGI的答案。
这个模型就是RWKV，这个人就是彭博。
彭博的知乎个人页面
和今天在大模型领域最常见到的名校计算机专业毕业，论文等身，师出名门，光鲜亮丽背景的天之骄子们不同。彭博是个16岁考上港大物理专业，然后在对冲基金做量化交易，后来又自己创业，制造和售卖一些台灯和音箱产品的“怪人”。以至于，在一些社交媒体上有人直接称呼他为“民科”。
然而与这些争议同时发生的事情是，RWKV这个模型被人提到的频率在增加，他是少有的从架构上做创新的中国开发者，RWKV的开源生态在壮大，社区自发为它写了论文，在“无法作弊的模型评测” Uncheatable Eval 排行榜中，最新的RWKV-6-World 14B 的综合评测分数比 llama2 13B 更强。它是首个被Huggingface引入transformer 库的RNN模型。
更有意思的是，这个模型背后的很多思想，彭博作为设计者在鼓吹的很多主张，也在被更多人呼应。比如transformer 那篇论文的几个作者在最近开始告诫人们世界需要更好的模型架构，比如前OpenAI著名研究员Andrej Karpathy也在提醒人们RNN的方法依然充满潜力。
我在最近见到了这名深居浅出的神秘人物，和他聊了聊RWKV的故事。
在对话中，我问他，你觉得自己是堂吉诃德还是牛顿。
他回答我：
都不是。
以下为对话实录。
1
RWKV，在Transformer的时代复兴RNN
硅星人：作为RWKV的唯一作者，我们先聊聊RWKV这个架构吧。从诞生到最近的RWKV-6，每个版本都发生了哪些迭代，这些架构上的修改是怎么想到的？
彭博：我们目前最新正在优化的版本是RWKV-7。
在RWKV之前，2020年时，我看了看GPT，立即发现有两个明显的改进方向：
一是引入显式decay。后续在2021年有一个ALiBi提出了类似的方法。
二是Token-shift。或者说，短卷积。当时我叫time-mixing，后来EleutherAI的lucidrains说可以叫token-shift。我设计Token-shift是为了改善in-context learning。后续在2022年有其它人指出这个，他们称之为induction head。
那么，2020年，我在github发布了一个minGPT-tuned显示了这些改进的显著效果，然后在EleutherAI的discord宣传了一下，大家一开始半信半疑，因为许多人宣称的改进实际是无效的，但大家测试后发现确实有效，于是大家就结识了。
时至今日，这两个改进是大多数“非transformer模型”必备的技巧。例如SSM团队在2021年的S4时没加token-shift，到2022年的H3就加了短卷积，后续的Mamba当然也加了。
RWKV-1是我将这两种技巧加入Apple的Attention Free Transformer，使得AFT实现了显著的性能提升。RWKV-2是我在看到ALiBi用了和我类似的显式decay后，突然想到，如果使用exponential decay，就可以将RWKV写成RNN。这是令人愉快的时刻之一。然后我测试发现，性能确实挺好。
RWKV-3使用更全面的token-shift，效果显著。RWKV-4是解决RWKV-3的数值稳定性问题，也是我想的一个解决方法。最近的xLSTM使用了与我类似的解决方法。RWKV-4是我很满意的架构，因为它的state非常小，令人惊讶。因此我认为，在模型充分大时（例如1T以上参数），RWKV-4将很有竞争力。
到了RWKV-5，在它之前，我一直专注于在“最小的state下实现最大的性能”。因为，在同样的参数下，虽然state越大性能越好，但是state越小越通往真正的智能。
后来微软的RetNet说用Linear Transformer作为基础（这个的state大几十几百倍）性能好，然后我想，大多数人还是喜欢看性能好，而且在现阶段，性能好的也更实用。所以我把我的技巧加进Linear Transformer，效果当然显著比RetNet好，这就是RWKV-5。
RWKV-6有data-dependent dynamic decay，这是传统RNN的东西。这个我在RWKV-2的时候就计划做，在我github上RWKV-2的介绍图就写了，但是写CUDA费事，就一直没做。后来听说Mamba做了，那么我就做呗，我用自己的方法。如果你看过我CUDA，我的方法有点意思。
RWKV-7是delta rule的改进，这其实也是几十年前的东西。这在RWKV-6之后就一直在我的计划里，有时做做。后来看到有人做了（DeltaNet，TTT），那我就做完呗，也用自己的方法。其实这些如果对自己狠一点，几天就做了。
硅星人：信息量好大，可以先介绍一下最初你做的这两个改进么，什么是显性Decay？以及我记得Time Mixing之外你还做了Channel Mixing。
彭博：显性Decay就是说你的信息是有一个Decay（衰退）的过程。为什么要Decay呢，首先因为离得越近的信息可能是越重要的，越远的信息它没有那么重要。还有一个原因就是，如果你不把旧的信息Decay掉，信息会积压在一起，会分不出、分不清主次，会有这样问题。所以我们发现Decay是特别重要的一个东西。
对。我还做了Channel mixing。它比较像 Transformer 中的那个全连接网络FFN。Transformer其实是两部分，一部分attention，一部分是FFN。 FFN 对应我们的 Channel Mixing，然后 Attention 对于我们的 time mixing，也就是说我们把它的 attention 机制换成了Rwkv机制，这是最大的一个区别。
硅星人：当时各种架构里没有么还是？
彭博：之前没有人加。我也很奇怪了，然后我加进去，效果就明显好很多了。
硅星人：2020年么。
彭博：2020年我开始做模型。当时我看了下Transformer，看了下GPT3。觉得可以加了。那时候是GPT3之后，我看了它的效果觉得它当时已经很厉害了，后续空间非常大。只不过普通人当时用不上，还没有出现Chat这种让普通人用上的形式，大家不知道。
然后我就去研究了一下AI写小说。因为那时的话我的主要兴趣就在于写小说。我对于AI写小说非常感兴趣，因为这首先很有意思，第二它是一个很高的检验标准，第三我想看看 AI 它有没有能力写出真正有力量的东西。
应该说我们离这目标还是非常远的吧。
硅星人：目前还很远。
彭博：你让GPT-4写小说都是很垃圾的。
硅星人：我看你那段时间也在自己做一些Chatbot，甚至是文生图的小产品。
彭博：对对对，应该说我对生成式AI非常感兴趣，因为我们通常认为这是创造力的一部分，关键是 AI 它有没有可能出现新的东西？
但目前来说我看还是不可能。目前来说它更像是把现有的东西做一些——按照大家说的话就是“尸体碎片”。其实真的是“尸体碎片”。
硅星人：排列组合。
彭博：对，排列组合。
硅星人：那最初2020年做这个RWKV1的时候，相当于它还是一个Transformer的改进，并不是你后来强调的RNN。
彭博：我当时先研究Transformer，后来2021年看了苹果的AFT论文，我觉得它的想法很好有前途，但他们自己调的效果不好，加了我的效果之后就好了。
然后到RWKV二代，我发现可以把它变成一个 RNN 的形式。
也就是一开始的话，我们不是说先要做RNN然后把它做出来的，其实这样做可能反而做不出来。我反而是在把attention 机制做一些优化的时候，发现它可以写成一个RNN，然后才注意到这个事情。
硅星人：可以写成RNN意味着什么。
彭博：Attention的公式可以写成 RNN 的话，那 RNN 有很多优点就可以被利用了。当然就像我说的，原始的Transformer其实也可以写成RNN，不过它的 state会越来越大，也就是KV Cache。因为你现在去研究一下做工程的，做大规模推理和部署的话，他都会说 KV Cache一开始会越来越大，占的显存越来越多，所以它运行越来越慢，都是因为 KV Cache。
我一开始我并没有意识到 RNN 是正确的，是发现Transformer它可以写成RNN，而且效果还很好后，我就知道 RNN 肯定就是正确的。
因为 RNN 在形式上是要elegant很多的。
RWKV-6的架构图
硅星人：所以，RWKV到底是一个复兴了RNN的架构，还是一个融合了Transformer和RNN的架构，还是可以认为是一个全新的创新架构？
彭博：RWKV是RNN的复兴。
我是相信RNN是正确的，但现在的RNN远远没有做到它真正的水平，它的上限其实是非常高的，现在我们还远远没有到那个地步，还有很多空间。因为RNN更接近人脑和宇宙的运作方式。例如，在物理上，宇宙的下一状态只与上一状态有关，这是所谓的locality和causality，量子场论遵循这一原则。
实际Transformer是一种state（KV cache）不断增大的RNN。这显而易见，近期也有人说过。所以，严格说，RWKV是state大小恒定的RNN。
硅星人：我问的就挺抽象，你似乎用了一个更高维的理论解释了本来就挺抽象的问题。这是一个物理的概念是么？
彭博：物理比较准确。
硅星人：这是个什么理论？
彭博：是这样的。这个理论在说你可以认为没有超距作用，没有超关系作用。
你看不看科幻小说？比如你看三体里面，提到光锥，一切都在光锥之内，如果在它之外就影响不到，在这个瞬间这个位置发生的事情，它只能影响到它附近的东西和时空。
那么你看Transformer就不同，它每个字都要和前面的字比对一遍，其实距离很长的。而RNN的话，它每个字它只和它现在本地的状态来比对，所以它就具有这种局域性的特性。
硅星人：所以这在物理学上是主流观点？
彭博：我们做一个东西的话，我希望它不仅仅是符合人类的认知，还要符合这个世界的规律，到目前为止物理的一个基础假设是这样子的。而你要做一个理论的话，可能是要建立在一定的基础之上，你要做一些假设，因为我们对这个世界的认知只能靠假设。假设和实际吻合，那么就是一个好的假设。
硅星人：够深刻的。我尝试去理解的话，人们讨论RNN和Transformer的时候似乎更具体的在讨论Self-Attention对RNN的替代。它们本质都是如何建立token之间的联系，也就是你说的state，RWKV是不是相当于是从这个角度入手，本质上是提出了一个新的公式新的计算方法，在继续保留transfomer attention的并行特性下，用更少的资源记录更关键甚至更长的关系信息。 背后是因为RNN符合你对世界的理解。
彭博：对。其实这里是有个很重要的区别，就是 Transformer 它的每个 token 都要和前面的 token 去建立联系，就说离得很远的 token 它也要去建立一遍联系。就每生成一个字都要来一遍这样过程，但我们的话其实不是 token 和token之间联系，而是token和state之间建立联系。这是很大的区别。
硅星人：其实Attention机制里也有Layer，是Layer之间做联系。
彭博：对没错。Layer之间是一层层往下走的。
但我们更像人。像人类在说话的时候，我们只和我们的大脑的状态之间有联系，其实我们自己说的话我们也忘记了，但是我们为什么还可以继续说呢？就说明其实人也是这样工作的。
Transformer的state会越来越大，而RWKV的state是固定大小的。这个很重要，因为正是固定大小的限制让模型学到真正的东西，激发它的某种倾向和动力，去把世界压缩到它的state里去。
硅星人：你认为人的设计也是这样。
彭博：肯定是这样。肯定是token-state。忘记东西的话也可以记在手机里，记在草稿，全部都记到你脑子里是不对的。
硅星人：Transformer源自Attention is all you need这篇文章，今天其实很多人忘了当时的情况。当时这个标题本身其实冲着RNN去的，强调当时人们做模型时都逃不开的RNN可以不再被需要。这在当时是个很大的突破，也宣告了RNN的落伍。
彭博：Attention是一个很有用的一个东西。因为当时他们主要解决的问题是翻译，翻译是个很典型的任务，每一个字都要找到前面对应的是哪个字，有时候可能对应的就是一些更加抽象的语法和结构了。如果你仔细想的话，很多任务都可以认为是翻译，所以它是特别适合翻译的一个思想。
那个时候Transformer起来更多是因为算力发展有一定轨迹，当时RNN没法很好用上算力，这个才是最重要的。现在大家知道RNN如何用上算力，攻守之势就要变。
硅星人：你的意思是它现在被大家认为是一个泛化通用的模型，但源头设计的时候是为了翻译这个任务，那RWKV有这么个任务么？
彭博：RWKV不是一个task drive的。但如果非要说task，我想说写小说。我认为这种是真正有创造力的东西很难，或者是解真正复杂的数学题。
硅星人：你也是脑子里想着这两个任务在设计模型么。
彭博：我认为任务可以分两种，一种是机械任务。翻译就是典型的机械任务。还有一种是非机械任务，就是开放式的问题，我关心开放式的问题，开放式问题我觉得才是真正的更加玄妙的东西。机械任务Transformer做的很好了，甚至混合模型都没有缺点了。我们做点别的。
我们目标是做真正的智能。现在都是过渡方案，以后一定是纯RWKV。
硅星人：野心很大，听下来你不只想挑战Transformer。那RWKV为什么能赢？
彭博：其一，RWKV始终是赛道的引领者。现在的“六代机”有Mamba Mamba2 GLA等等，都比RWKV-6弱。现在的“七代机”有DeltaNet TTT等等，都比RWKV-7弱。
其二，RWKV有明确的后续路线规划。常人觉得架构的空间不大，但在我看来，后续还有广阔的空间，可以再做很多代。
其三，RWKV走正确的道路。我们走社区和开源路线，我们与最广大的开发者站在一起。
其四，做事的人都知道，运气最重要。从经历看，我是个运气挺好的人，哈哈。
硅星人：有意思，一个个问你啊，你说RWKV的效果最强，有什么支撑吗？
彭博：其实很有意思，现在很多人发论文会把其他人的模型练的差一些，这个不好比。但最近你看到很多论文是用RWKV达到SOTA的结果。这些都没有跟我们联系过。
另外测试上，我自己也测过比它们强很多。有一个Uncheatable的评估集，它会选最新的数据，训练没有见过的数据。来测测看大家的语言建模能力。我们现在排在第三，我们肯定比Llama 3差，因为我们数据比它少。我们还会再加数据。
图源：RWKV官网
硅星人：我看你是在RWKV 5 后开始注重效果的。
彭博：对，因为大家其实还是看效果的。普通人来说，你跟他说长线，说理念的话，大家不理的不懂的，对吧？还是看效果，能把效果做上去。
硅星人：目标变了。
彭博：为什么我们现在也会搞混合模型？这就是一种妥协了。当然现在是比较实用的东西，大家看效果的话都是实用。希望生态起来。
硅星人：人们提到RWKV，往往也会跟着提到Mamba，而且它们好像声量更大。
彭博：它是斯坦福做的。可以说他根正苗红，所以大家推他是正常的，他们也好不容易做出这个效果，他们也用了我一些东西。
硅星人：听说不怎么给RWKV Credit。
彭博：没事没事，我也用他东西，互相参考。当然它们写博客还是会提下RWKV的。
反正现在还是一个争夺定义权的过程，比如说 Mamba 想把一切都定义为SSM，对，那我就把一切都定义为RNN。对不对。
RWKV的社区合作撰写的论文
1
“我接下来在模型架构上要做的，他们做梦也想不到”
硅星人：当时ChatGPT出来的时候你的感受如何？
彭博：我觉得不意外。当时它出来时候，春节时候，有人说它没那么大，我第一时间就说，它是个MOE模型。包括GPT4出来，在那些传闻出来之前我就说它是个1.75T的，肯定是十倍。因为我知道他们的风格，我猜得到他们怎么做的。
硅星人：OpenAI也是当时联系你的是么，当时是怎样的情况。
彭博：嗯春节的时候。一开始有OpenAI的人在微信群里找我，问我的邮箱。后来他们的外国同事发了一个邮件给我。
硅星人：负责训练的人还是招聘的人。
彭博：做技术的，应该不是特别高位，带领团队的中高层。他关注到我了，要招人。我第一时间就拒了。
我说如果你们做的是开源的我非常欢迎一起合作。但大家都知道你是做ClosedAI。
硅星人：后来他们还继续联系你了么。
彭博：那肯定没有，我都说他要是变成Open AI才行，他肯定不会变成Open的。
硅星人：所以当时ChatGPT出来全世界都惊讶，你不怎么惊讶。
彭博：当时我在知乎上说，这个事情很简单，大家马上追上来。你看Sora出来，我也说这个很简单的。
我跟你说，现在 AI 的问题就在于它太简单了，傻瓜都可以做出来。所以它是没有壁垒、没有门槛的事情，所以这也是我认为 AI 的商业模式有很大的问题的一个原因，因为太简单，就是无脑的堆算力，堆数据就行。
硅星人：Scaling Law？
彭博：这种power law其实完全符合物理和数学的直觉。就是幂律，在物理中是很重要和典型的东西，它关注的是临界的现象，我们关注在秩序和混沌之间的东西，它往往符合这种规律。我一点也不奇怪。
但现在它更是一种话术，告诉资源的供给者：只要你砸资源，就有收获。而且砸得越多，收获越多。如此有确定性的东西，大家喜欢。
然而，scaling law要砸的资源上升如此之快，与人类的学习所需资源是完全背离的。有些人试图论证人类学习所需的资源也不少，不值一驳。简而言之，AI不知道自己在学什么，人类知道自己在学什么。
硅星人：那你的想法是什么。
彭博：我觉得人的有些想法，真正的一些灵感，比如说有些超越时代的东西，或者说以前从来没有过的东西，人是可以有这样的东西，但是 AI 的话你想不到它怎么才能有，这种问题我其实知道要怎么解决，但是要很久以后。
我的一些想法可以说这个世界上没有一个人想得到。因为真的很奇怪。就不像是正常人类会想到的东西，正常人是做梦都想不到的。
硅星人：那前面RWKV的最初的想法算么。
彭博：那这当然不算，真正的我不会说出来的。
根据我的观察，我知道一些事情是全世界没有人知道的，这些东西要很久以后才能发挥出效果。好多年之后，需要时间。
硅星人：我看在知乎上你经常会发一些东西，而且给你已经带来不少争论了。
彭博：是的，这一直是我的风格。有人喜欢，有人不喜欢，没事，有人喜欢就行，黑红也是红。
做Transformer的人会黑我了。有人说我民科，是的我是民科，我就是民科。谢谢。
硅星人：你前面提到好几次你比较幸运。
彭博：我是比较幸运的，我举个例子。我16岁高考，后来本科在香港大学读物理系，毕业也没去找工作，一个朋友在图书馆遇到我，说有Hedge fund在找人他觉得我适合，无意中聊了几句，介绍我去那边聊了一下，对方问我有没有兴趣去他那里。就去了。随机的，我都不知道Hedge Fund做什么的，后来去了就做量化模型，来做一些交易，管理一些钱。
硅星人：你前面还提到好几次，有些工作懒得做就没做，后来发现别人做了赶快做了。这种比较松散的状态跟你要做的宏大目标会不会有落差啊。
彭博：维持一个张弛相结合的状态，因为你要做这种高强度的这个工作的时候，必须在一个紧绷的状态才能做的。平时可以散漫，平时散漫就是为了关键时刻可以紧绷。
另外我看到大家做了什么东西，我就可以也把它们做一下超过它们。因为我自己有未来的计划，我的东西就慢慢做呗，不用太紧绷。因为现在这些东西第一是没有那么重要，第二是要分清主次。
硅星人：那你作为公司CEO的一天是怎样度过的。
彭博：醒来，检查炼丹情况，处理微信和公司事务，看RWKV的国内外社群，看新论文和新动态，记录新想法，推进各种项目和合作，写重要的代码，散步，思考，跑步机或划船机，洗洗睡。
硅星人：你们公司现在的商业化进展如何，你们现在融资情况如何？
彭博：目前我们有2B的商业项目，也有2C的产品项目。正在进行第二轮融资。
我们的资源比起头部公司无疑有差距，但我们有自己的打法，擅长花小钱成大事，建立健康的现金流。因为我做过制造业公司，这些是写在基因里面的。
硅星人：最后聊聊接下来RWKV的进化重点吧。
彭博：重点是RWKV7和8，先把7做好。8会是一个非常有意思的东西。不能剧透，我只能说我后面做的方向是他们做梦也想不到的。我会按照计划，一代代迭代。
漫长的路，自己选的，自己走。
点个“在看”，再走吧
修改于
继续滑动看下一个
硅星人Pro
向上滑动看下一个

您可能也对以下帖子感兴趣

文章有问题？点此查看未经处理的缓存