现在在AI业界家喻户晓的Transformer，究竟是怎样在短短时间爆火的？
Transformer的起源
想象一下你逛附近的五金店，在货架上看到一种新型的锤子。它比其他锤子敲得更快、更准确，在过去几年里，它已经淘汰了许多其他锤子，至少在大多数用途中是这样。 而且通过一些调整——这里加个附件，那里加个扭矩——这个工具还能变成了一把锯子！它的切割速度和精确度不亚于任何同类产品。 事实上，一些处于五金开发前沿的专家表示，这把锤子可能只是所有五金工具将融合到单个设备中的前兆。 类似的故事正在AI业界中上演。 那个「多功能的新锤子」是称为Transformer的人工神经网络，这是一种通过对现有数据进行训练来「学习」如何完成某些任务的节点网络。
最初，Transformer被用于语言处理，不过最近则影响到了更多的领域。2017年，Transformer首次出现在谷歌研究人员发表的论文中，该论文题目是神秘的「Attention Is All You Need」。 之前其他人工智能的通用路径是，系统会首先关注输入数据局部的块，然后再去构建整体。例如，在语言模型中，邻近的单词首先会被组合在一起。 而Transformer的运行路径，则会让输入数据中的每个单元都相互联系或得到关注，研究人员将此称为「自注意力」。这意味着一旦开始训练，Transformer就可以看到整个数据集的处理轨迹。
论文链接：https://arxiv.org/abs/1706.03762 很快，Transformer就成为专注于分析和预测文本的单词识别等应用程序的领头羊。它催生了一批新的AI工具，比如OpenAI的GPT-3，它可以训练数千亿个单词并持续生成语义可读的新文本，智能到令人不安。 Transformer的成功让AI业界好奇它还能完成其他哪些任务，而答案正在揭晓。 在诸如图像分类的视觉任务中，使用Transformer的神经网络更快、更准确。而那些需要一次性处理多种输入数据/计划任务的新兴任务也预示着，Transformer能执行的工作还可以更多。 就在10年前，AI学界的不同子领域之间几乎没有共通语言。但Transformer的到来表明了融合的可能性。
德克萨斯大学奥斯汀分校的计算机科学家Atlas Wang说：「我认为Transformer之所以如此受欢迎，是因为它暗含着全领域通用的潜力。我们有充分的理由想要在整个AI科学范围内尝试使用Transformer」。
从语言到视觉
在「Attention Is All You Need」论文发布几个月后，扩大Transformer应用范围的最有前途的举措之一就开始了。 当时在柏林的谷歌研究部门工作的计算机科学家Alexey Dosovitskiy，正在研究计算机视觉，这是一个专注于教计算机如何处理和分类图像的AI子领域。 与该领域的几乎所有其他人一样，他当时的常用工具是卷积神经网络（CNN），多年来，这种技术推动了深度学习、尤其是计算机视觉领域的所有重大飞跃。 CNN的工作原理是反复对图像中的像素使用滤波器，以建立对特征的识别。正是由于卷积功能，照片应用程序可以按面孔组织图片库，或者将云与鳄梨区别开来。 由此，CNN也成为了视觉任务处理中必不可少的工具。
Dosovitskiy正在研究该领域最大的挑战之一，即扩大CNN的规模，以训练越来越高分辨率图像带来的越来越大的数据集，同时不增延处理时间。 这时他注意到，Transformer在NLP任务中几乎已经完全取代了此前所有的工具。 那么，是否也能在视觉处理上做到类似效果呢？ 这个想法很有洞见。毕竟，如果Transformer可以处理单词的大数据集，为什么不能处理图片的呢？ 最终的结果是一个名为「视觉Transformer」或ViT的神经网络，研究人员在2021年5月的一次会议上展示了该网络。
论文链接：https://arxiv.org/abs/2010.11929 该模型的架构与2017年提出的第一个Transformer的架构几乎相同，只进行了微小的更改，使其能够分析图像而非文字。 ViT团队知道他们无法完全模仿Transformer处理语言数据的方法，因为每个像素的自注意力要在模型运行中全部完成，将会极其耗时。 相反，他们将较大的图像划分为正方形的单元，也就是所谓的词元（token）。词元大小是任意的，因为可以根据原始图像的分辨率变大或变小（默认是每边16像素）。 通过分单元处理像素，并对每个单元应用自注意力，ViT可以快速处理大量训练数据集，从而产生越来越准确的分类。
Transformer以超过90%的准确率对图像进行分类，这比Dosovitskiy预期的结果要好得多。在ImageNet分类挑战赛这项业界标杆性图像识别比赛中，ViT迅速获得榜首。 ViT的成功表明，CNN可能不像很多研究人员认为的那样，是计算机视觉的唯一基础。 与Dosovitskiy合作开发ViT的Neil Houlsby说：「我认为CNN很可能在不久的未来被视觉Transformer或其衍生品所取代。」 与此同时，其他的结果也支持了这个预测。 在2022年初的测试中，ViT的更新版本仅次于将CNN与Transformer相结合的新方法。而之前的冠军CNN模型，现在勉强进入前10名。
Transformer是如何工作的？
ImageNet的结果表明，Transformer的确可以与CNN相抗衡。 但是，谷歌的计算机科学家Maithra Raghu想知道它们是否像CNN那样「看到」图像。 虽然神经网络是一个臭名昭著的黑匣子，但有一些方法可以窥探其内部情况。 比如。通过逐层检查网络的输入和输出，从而了解训练数据是如何流动的。
论文链接：https://arxiv.org/abs/2108.08810 对于CNN来说，它会逐个像素地识别图像，通过从局部到全局的方式识别每一个角落或线条的特征。 在自注意力的加持下，Transformer甚至可以在神经网络的第一层，就把分布在图像两头的信息建立联系。 如果说CNN的方法就像从一个像素开始放大，那么Transformer则是慢慢地将整个模糊的图像变得清晰。 这种差异在语言领域更容易理解。比如，猫头鹰发现了一只松鼠。它试图用爪子抓住它，但只抓到了它的尾巴末端。第二个句子的结构令人困惑。 这些「它」指的是什么？一个只关注紧挨着「它」字的CNN会很费劲，但一个将每个字与其他字联系起来的Transformer可以看出，猫头鹰做了抓取的动作，而松鼠则失去了部分尾巴。
融合正在发生
现在研究人员希望将Transformer应用于一项更艰巨的任务：生成新图像。 就像GPT-3等语言工具可以根据其训练数据生成新文本一样。 于是，在2021年发表的一篇论文中，Wang结合了两个Transformer模型，试图对图像做同样的事情。这是一个困难得多的任务。
论文链接：https://arxiv.org/abs/2102.07074 当双Transformer网络在超过20万名人的面部图片上进行训练时，它以中等分辨率合成了新的面部图像。 根据初始分数（一种评估神经网络生成图像的标准方法），Transformer生成的名人图片令人印象深刻，并且至少与CNN生成的名人图片一样令人信服。
Transformer在生成图像方面的成功，比ViT在图像分类方面的能力更令人惊叹。 同样，在多模态处理方面，Transformer也有了一席之地。 在以前孤立的方法中，每种类型的数据都有自己的专门模型。而多模态网络则可以让一个程序除了听声音外，还可以读取一个人的嘴唇。也就是可以同时处理多种类型数据的模型，如原始图像、视频和语言。 「你可以拥有丰富的语言和图像信息表示数据，」Raghu说，「而且比以前更深入。」
新兴项目表明了Transformer在其他AI领域的一系列新用途，包括教机器人识别人体运动、训练机器识别语音中的情绪以及检测心电图体现的患者压力程度。 另一个带有Transformer组件的程序是AlphaFold，2021年它因其快速预测蛋白质结构的能力而成为头条新闻——这项任务以前需要十年的时间深入分析。
利弊
即使Transformer可以有助于AI工具的融合和改进，新兴技术通常也会带来高昂的代价，Transformer也不例外。 Transformer在预训练阶段需要更高的算力支撑，然后才能发挥击败传统竞争对手的准确性。 Wang表示，人们总会对高分辨率图像越来越有兴趣。而由此带来的模型训练成本上涨，可能是Transformer广泛铺开的一个缺陷。 不过，Raghu认为此类训练障碍可以通过复杂的滤波器和其他工具轻松克服。
Wang还指出，尽管视觉Transformer已经引发了推动AI前进发展的新项目——包括他自己的项目在内，但许多新模型仍然包含了卷积功能的最精华部分。 这意味着未来的模型更有可能同时使用CNN与Transformer，而不是完全放弃CNN。而这预示了此类混合架构的诱人前景。 或许，我们不应该急于得出Transformer将成为最终模型的结论。 不过可以肯定的是，Transformer越来越有可能成为从业者常光顾的AI五金店里任何一种新的超级工具的必备组件。
