隨著大語言模型的快速發(fā)展，大模型訓(xùn)練及其應(yīng)用落地面臨諸多挑戰(zhàn)。9月16日，在“掘力計(jì)劃”第24期活動(dòng)中，白海科技技術(shù)負(fù)責(zé)人劉喆老師就大模型實(shí)踐中的 LLMOps 和 LLM Agent 做了主題分享。
劉喆老師總體負(fù)責(zé)白海科技 IDP LM 專屬大模型應(yīng)用加速平臺(tái)及解決方案，有豐富的數(shù)據(jù)開發(fā)和架構(gòu)經(jīng)驗(yàn)。他曾在百度、明略科技、人民搜索任職，負(fù)責(zé)包括AI開發(fā)生產(chǎn)平臺(tái)構(gòu)建、大數(shù)據(jù)平臺(tái)構(gòu)建和廣告監(jiān)測全流程設(shè)計(jì)等。
視頻回放：https://juejin.cn/live/jpowermeetup24
一、夢中情“模”：大模型應(yīng)用期望值管理
劉喆老師首先通過“夢中情人”的比喻，說明大多數(shù)人對理想對象的描述比較粗淺，難以給出明確具體的特征。他舉了多數(shù)人對夢中情人的描述僅僅是“好看”、“帥氣”的例子。劉喆老師進(jìn)一步引申到大模型應(yīng)用中，許多企業(yè)同樣無法明確表達(dá)自己的需求，只是簡單表示希望能達(dá)到類似 ChatGPT 的效果和功能。但 ChatGPT 是一個(gè)完整的系統(tǒng)產(chǎn)品，想要達(dá)到類似效果需要定義具體的應(yīng)用場景、問題范圍、交互方式、輸出形式等，否則很難實(shí)現(xiàn)。劉喆老師指出，大模型應(yīng)用第一步是明確需求，需要量化功能和效果指標(biāo)，設(shè)定問題域和場景邊界，同時(shí)考慮交互模式、輸出形式等細(xì)節(jié)。否則很容易陷入沒有具體目標(biāo)的漫無方向的開發(fā)。
二、開始實(shí)踐：大模型應(yīng)用技術(shù)路徑選擇
討論完大模型應(yīng)用目標(biāo)，劉喆老師進(jìn)一步梳理了大模型應(yīng)用的技術(shù)路徑。
他首先說明，目前大模型應(yīng)用主要有 prompt Engineering、量化微調(diào)、前綴調(diào)節(jié)、Lora 微調(diào)、全量微調(diào)等技術(shù)手段。這些技術(shù)各有優(yōu)劣，prompt Engineering 不需要訓(xùn)練，但上限受模型本身限制;量化微調(diào)可以降低訓(xùn)練成本，但會(huì)損失模型能力;Lora 微調(diào)只調(diào)整部分參數(shù)，可大大降低成本，但對數(shù)據(jù)量要求較高。
其次，劉喆老師介紹了大模型應(yīng)用的操作系統(tǒng) LLMOps。它通過標(biāo)準(zhǔn)化、自動(dòng)化和智能化，將模型訓(xùn)練中的數(shù)據(jù)處理、模型調(diào)優(yōu)、結(jié)果評估等步驟系統(tǒng)化，使開發(fā)者能更高效地完成大模型建設(shè)。
最后，為處理復(fù)雜任務(wù)，劉喆老師提出了 Agent 系統(tǒng)，它通過任務(wù)分解和多 Agent 協(xié)同，實(shí)現(xiàn)大模型的鏈?zhǔn)綉?yīng)用。但 Agent 系統(tǒng)也面臨穩(wěn)定性等問題。
三、現(xiàn)實(shí)困境:大模型應(yīng)用面臨挑戰(zhàn)
接下來，演講重點(diǎn)討論了大模型實(shí)際應(yīng)用時(shí)面臨的困難。
數(shù)據(jù)方面，大模型對數(shù)據(jù)質(zhì)量和規(guī)模要求極高，但高質(zhì)量數(shù)據(jù)的收集標(biāo)注又非常耗時(shí);復(fù)雜任務(wù)需要的數(shù)據(jù)量也難以滿足。此外，不同 Agent 輸出之間的誤差累積也是一個(gè)問題。
在軟硬件方面，大批量數(shù)據(jù)的加載與訓(xùn)練非常耗時(shí)，需要大量計(jì)算資源支持，但算力成本仍十分高昂;分布式集群環(huán)境也增加了調(diào)試難度。
模型能力方面，簡化問題、編碼、多輪交互等方面的能力都有待提高。單個(gè) Agent 也難以完成復(fù)雜任務(wù)。
四、LLMOps 和 LLM Agent
劉喆老師介紹說，LLMOps 是大語言模型落地過程中的必要支撐。它可以提供模型訓(xùn)練、測試、部署、監(jiān)控等全流程的操作支持，使復(fù)雜的大模型應(yīng)用過程標(biāo)準(zhǔn)化和系統(tǒng)化，從而降低用戶門檻。
他表示，當(dāng)前 LLMOps 還處在建設(shè)階段，需要進(jìn)一步完善數(shù)據(jù)處理、超參數(shù)調(diào)優(yōu)、結(jié)果評估等方面的自動(dòng)化功能。只有當(dāng) LLMOps 變得足夠成熟和易用時(shí)，再結(jié)合 LLM Agent，大模型才能真正落地并創(chuàng)造價(jià)值。
關(guān)于 LLM Agent，劉喆老師解釋說，它可以看作是一個(gè)“小模型”，負(fù)責(zé)完成特定的子任務(wù)，多個(gè) Agent 協(xié)同工作以解決復(fù)雜問題。這種分工合作的方式，既發(fā)揮了各 Agent 的專長，也降低了系統(tǒng)穩(wěn)定性風(fēng)險(xiǎn)。
他表示，未來的大模型應(yīng)用需要更多地采用 Agent 模式，將任務(wù)進(jìn)行拆分。目前已有初步探索，例如 Plan and Execute Agent 負(fù)責(zé)任務(wù)規(guī)劃，Action Agent 負(fù)責(zé)執(zhí)行等。隨著研究的深入，LLM Agent 的作用將愈發(fā)凸顯。
五、技術(shù)展望:LLMOps和LLM Agent發(fā)展趨勢
最后，劉喆老師展望了 LLMOps 和 LLM Agent 的未來發(fā)展趨勢。
在 LLMOps 方面，通過行業(yè)最佳實(shí)踐的逐步形成，以及自動(dòng)化和智能化手段的引入，LLMOps 將日趨成熟，為大模型應(yīng)用提供強(qiáng)大支持。
LLM Agent 方面，隨著算法的進(jìn)步，Agent 協(xié)作的穩(wěn)定性和效率也將不斷提高，復(fù)雜任務(wù)的完成難度將降低。此外，低成本硬件的出現(xiàn)也為大規(guī)模Agent系統(tǒng)應(yīng)用提供可能。
大模型技術(shù)仍處在初級階段，需要持續(xù)探索。但它的應(yīng)用前景廣闊，我們要積極準(zhǔn)備，以把握新一輪技術(shù)變革的機(jī)遇。
總結(jié)
總體來看，劉喆老師表達(dá)了對大模型應(yīng)用前景的積極態(tài)度。他認(rèn)為，隨著模型性能的提升、計(jì)算力的增強(qiáng)和方法的進(jìn)步，大模型訓(xùn)練的成本逐步降低，應(yīng)用范圍也在不斷擴(kuò)大。面對種種挑戰(zhàn)，LLMOps 和 LLM Agent 為大模型的實(shí)際落地提供了可能性。同時(shí)他呼吁業(yè)界積極探索大模型的應(yīng)用，因?yàn)檫@是一項(xiàng)系統(tǒng)工程，需要持續(xù)迭代和發(fā)展。當(dāng)前雖有諸多困難，但只要堅(jiān)持不懈，就一定能夠推動(dòng)大模型真正應(yīng)用于各行各業(yè)，并最終惠及社會(huì)。
掘力計(jì)劃
掘力計(jì)劃由稀土掘金技術(shù)社區(qū)發(fā)起，致力于打造一個(gè)高品質(zhì)的技術(shù)分享和交流的系列品牌。聚集國內(nèi)外頂尖的技術(shù)專家、開發(fā)者和實(shí)踐者，通過線下沙龍、閉門會(huì)、公開課等多種形式分享最前沿的技術(shù)動(dòng)態(tài)。
