10 月 22 日消息，科技媒體 dataconomy 昨日（10 月 21 日）發(fā)布博文，報道稱英偉達(dá)在訓(xùn)練 AI 模型方面取得重大突破，發(fā)布了最新的 Normalized Transformer（nGPT）新架構(gòu)，保持模型的穩(wěn)定性和準(zhǔn)確性的前提下，可以將訓(xùn)練 AI 時間縮短至 1/4 或者 1/20。
nGPT 架構(gòu)提升效率的秘訣在于“超球面學(xué)習(xí)”（Hyperspherical learning）這個概念。
傳統(tǒng)的變換器模型通常缺乏一致的幾何框架，而 nGPT 通過將嵌入、注意力矩陣和隱藏狀態(tài)等關(guān)鍵組件映射到超球面表面，確保模型各層在訓(xùn)練過程中保持平衡。
這種幾何結(jié)構(gòu)有助于創(chuàng)造更穩(wěn)定高效的學(xué)習(xí)過程：
減少訓(xùn)練步驟：nGPT 不再直接對模型權(quán)重應(yīng)用權(quán)重衰減，而是依賴學(xué)習(xí)到的縮放參數(shù)，優(yōu)化模型在訓(xùn)練中的調(diào)整方式。
簡化過程：此方法消除了對 LayerNorm 或 RMSNorm 等歸一化技術(shù)的需求，使訓(xùn)練過程更為簡單和快速。
英偉達(dá)團(tuán)隊使用 OpenWebText 數(shù)據(jù)集進(jìn)行測試，nGPT 在速度和效率上均優(yōu)于傳統(tǒng)的 GPT 模型。對于長達(dá) 4000 個 tokens 的文本輸入，nGPT 所需的訓(xùn)練輪次遠(yuǎn)少于傳統(tǒng)模型，顯著縮短了訓(xùn)練時間。
nGPT 的一個關(guān)鍵優(yōu)勢是將歸一化（normalization）和表示學(xué)習(xí)（representation learning）結(jié)合成一個統(tǒng)一框架，這種設(shè)計簡化了模型架構(gòu)，便于擴(kuò)展和適應(yīng)更復(fù)雜的混合系統(tǒng)。未來，nGPT 的方法可能被整合進(jìn)其他類型的模型和架構(gòu)，從而開發(fā)出更強(qiáng)大的 AI 系統(tǒng)。
