本文经AI新媒体量子位（公众号ID:QbitAI）授权转载，转载请联系出处。
虽然GPT-3没有开源，却已经有人在复刻GPT系列的模型了。
例如，慕尼黑工业大学的Connor Leahy，此前用200个小时、6000RMB，复现了GPT-2。
又例如，基于150亿参数版GPT-3的DALL·E模型刚出，来自康奈尔大学的Philip Wang就开始复现了。
但此前，还没人能复现出GPT-3大小的大语言模型来。
不过，已经有人开始尝试了。这是一个名为GPT-Neo的项目，用于复现GPT系列的各种语言模型，当然也包括GPT-3。
作者表示，目前他们已经成功制造出GPT-2大小的模型。
从项目代码的可扩展性来看，他们预计可以复刻出GPT-3大小的语言模型，甚至比GPT-3更大。
不仅如此，由于这是个开源的项目，大家还可以自主训练这些模型（将来也会包括GPT-3）。
目前，作者已经给出了详细的训练步骤。
消息一出，网友沸腾了：
要是真能复现，说不定会比现在的GPT-3还要更好用！
GPT系列的“高仿”项目
本质上，GPT-Neo有点像是GPT系列的“高仿”项目：
GPT-Neo中的各种模型，设计原理接近GPT系列，但代码并不一样。
作者们打算尝试各种结构和注意力类型，最终扩展出GPT-3大小的大语言模型。
为了实现这一目标，他们从复现GPT系列的模型开始，不断尝试各种模型架构、和各种注意力机制的实现方式。
也就是说，GPT-Neo更像是一个实验性质的项目，通过各种尝试，扩展出更大的模型。
这里面，融合了各种让模型变得“更大”的研究：
例如，多任务学习方法MoE（Mixture of Experts），采用多个专家的结构，将问题空间划分为同质区域，然后采用分发器，决定问题应该问哪些专家。
又比如，具有线性复杂性的自注意力机制。
……
这个项目还在施工中，不过，连模型的训练方式都准备好了。
项目计划通过TPU或GPU，对大语言模型进行训练。
为此，作者们已经基于Tensorflow-mesh（用于在GPU上训练模型）、Deepspeed（用于在TPU上训练模型）两个项目，编写了GPT-Neo的训练代码。
这两个项目都可以扩展到大于GPT-3的大小，甚至还能更大。
因此，训练GPT-3大小的模型，软件理论上是可行的。
但硬件上的问题，目前作者们还在思考明确的解决方案。如果将来真的做出了GPT-3大小的模型，他们打算先从谷歌那多要点免费资源，如果不行的话，就再说……
如何训练GPT-Neo
当然，在TPU和GPU上训练的方式有所不同。
如果使用TPU训练的话，需要注册一个谷歌云平台，创建存储空间，然后再搞个虚拟机，将模型放到TPU上训练。
不过，如果你的GPU硬件足够OK，也可以选择直接训练GPT-Neo，就不用设置一系列谷歌云了。
此外，也可以用谷歌Colab来训练项目，它免费提供TPU-V8S处理器，训练GPT的3XL（1.5B参数）版本绰绰有余。
训练过程也不复杂，主要包括创建分词器、数据集预处理、指定训练数据集、选择训练配置、训练模型几个步骤。
在创建分词器上，GPT-Neo目前提供一个Huggingface的预训练GPT-2分词器。不过，也可以训练自己专属的分词器。
然后，对数据进行预处理，可以直接下载项目提供的数据，也可以使用自己的数据集。
在那之后，指定模型训练所用的数据集，然后对训练方式进行设置，例如优化算法、训练步数等。
然后，指定硬件名称、数量，就可以开始训练模型了。
“只会用谷歌搜索的自动化团队”
不过，对于GPT系列的项目复现，有网友并不看好。
网友认为，GPT-X系列项目，就像是一个由几百人组成的自动化团队，这几百人只会用谷歌搜索来干活，而且还没办法写出最新的新闻事件报道。（因为训练数据无法一直更新）
它虽然是个非常有趣的研究，但目前却还没有一个“杀手级”应用，来让GPT-3项目的存在变得更有意义。
当然，也有人认为，复现这一项目还是有意义的。
即使只是“几百个只会用搜索引擎干活的团队”，他们也需要快速给出某个问题的答案。
如何在大量零碎信息中，高效地选出最优解，本身就是GPT-X项目的价值之一。毕竟如果只是几百个“会用谷歌搜索”的人组成的团队，是无法像GPT-3一样，快速得出最佳答案的。
当然，也有一些程序员调侃，要是这个GPT-3项目真的被复现了，岂不是他们马上就要失业了。
“我们总是在用谷歌搜索、和stackoverflow来解决问题。这不就是像GPT-3一样，只会整合搜索引擎上的信息，来解决问题吗？”
“该死，原来GPT-3竟然可以取代这么多程序员。”
目前，GPT-Neo的所有项目和代码已开源。
想要上手一试、或是对项目感兴趣的小伙伴，可以行动起来了~
项目地址：
https://github.com/EleutherAI/gpt-neo
