刚刚过去的 2023 年是大模型元年，在国产大模型数量狂飙突进的同时——已经超过 200 个，“套壳”一直是萦绕在大模型头上的舆论阴云。
从年初到年末，从百度文心一言到零一万物，从字节跳动到谷歌 Gemini，各种“涉嫌套壳”的事件屡次冲上热搜，随后又被相关方解释澄清。
非 AI 从业者，视套壳如洪水猛兽；真正的 AI 从业者，对套壳讳莫如深。但由于“套壳”本身并没有清晰、准确的定义，导致行业对套壳的理解也是一千个读者有一千个哈姆雷特。
当我们在谈论套壳的时候，到底在谈论什么？
抛开具体场景谈套壳都是在贴标签。为了厘清大模型套壳的逻辑，作者访谈了一些AI从业者、投资人，结合 OpenAI、Meta 以及国内大模型相关技术论文，从一个大模型的“炼丹”过程入手，看看在哪些步骤、哪些环节，存在套壳的空间。
2024 年或许是大模型大规模落地的元年，一些 AI Native 的应用将会陆续出现。在积极发展大模型应用生态之时，希望行业对于“套壳”的讨论能够抛开情绪，回归事实。
一、大模型的统一“内核”
为了更好地理解套壳，必须区别“外壳”与“内核”的区别。
今天，所有大模型的内核，都起源于 2017 年谷歌大脑团队（Google Brain，2023年 4 月与谷歌收购的 AI 公司 DeepMind 合并为 Google DeepMind ）发布的Transformer 神经网络架构。
Transformer 一经问世，逐步取代了过去的 RNN（循环神经网络）与 CNN（卷积神经网络），成为 NLP（自然语言处理）前沿研究的标准范式。
在 Transformer 诞生的十年前，有一部好莱坞大片《变形金刚》在全球上映，这部电影的英文名字就叫“Transformers”。就像电影中能够灵活变身的变形金刚一样，作为神经网络架构的 Transformer 也可以通过改变架构组件与参数，衍生出不同的变体。
Transformer 的原始架构包含两个核心组件——编码器（Encoder）与解码器（Decoder），编码器负责理解输入文本，解码器负责生成输出文本。在 Transformer 的原始架构上“魔改”衍生出三个变体架构——只采用编码器（Encoder-only），只采用解码器（Decoder-only），以及两者的混合体（Encoder-Decoder）。
这三个变体架构分别有一个代表性模型——谷歌的 BERT ，OpenAI 的 GPT 系列模型，以及谷歌的 T5。今天，这三个模型名称通常也指代了其背后的模型架构名称（后文也以此指代）。
Transformer的模型架构图，左侧为Encoder，右侧为Decoder。图片来自谷歌论文
在 2020 年之前，NLP 的模型研究基本都是围绕算法展开，基于 BERT、T5 与 GPT 架构的模型百花齐放。这一时期模型参数较小，基本都在 10 亿以内量级。其中，谷歌 BERT 的表现独领风骚，基于 BERT 架构的模型一度在阅读理解的竞赛排行榜中屠榜。
直到 2020 年，OpenAI 发布一篇论文，首次提出了 Scaling Laws（尺度定律），NLP 的研究才正式进入大模型时代——大模型基于“大算力、大参数、大数据”，模型性能就会像摩尔定律一样持续提升，直到“智能涌现”的时刻。
在此期间，GPT 架构的性能表现逐渐超越 BERT 与 T5，成为大模型的主流选择。今天百亿参数以上的主流大模型中，除了谷歌最新发布的 Gemini 是基于 T5 架构，几乎清一色都是从 GPT 架构衍生而来。可以说，GPT 完成了一场大模型架构内核的大一统。
大模型进化树，其中 GPT 系列枝繁叶茂。图片来自Github，作者Mooler0410
从大模型的进化脉络来看，今天所有的模型都是在“套壳” Transformer 以及其三个变体架构。
当然，Transformer 也有“不愿套壳”的挑战者。比如，2023 年 12 月 5 日，两位分别来自卡内基梅隆大学与普林斯顿大学的教授，发布了一款名为“Mamba”（曼巴）的新架构，在语言建模性能媲美 Transformer 的同时，还解决了一些扩展性的局限。但这个新架构的具体表现，还需要时间的检验。
模型架构选择只是第一步。百川智能创始人、CEO 王小川在一个月前的2023甲子引力年终盛典上将大模型训练比作“炒菜”，模型架构只是一个菜谱。要想得到一盘完整的菜，还需要烹饪，也就是大模型训练的过程；以及食材，也就是数据。
大模型的烹饪过程可以粗略地分为预训练（Pre Train）与微调（Fine-Tune）两大阶段。
预训练是大模型训练最核心的环节，通过把大量的文本信息压缩到模型中，就像一个学生寒窗苦读的过程，来让模型具备世界知识。OpenAI 创始人之一、特斯拉前 AI 总监安德烈·卡帕西（Andrej Karpathy）在 2023 年 5 月的微软 Build 大会上透露：“预训练就是在超级计算机中使用数千个 GPU 以及可能进行数月时间来处理互联网规模数据集的地方，占据训练时间的99%。”
在漫长的预训练之后会得到一个基座模型（Base Model），在基座模型的基础上加入特定行业的数据集做进一步的微调，就会得到一个微调模型（Fine-tuning Model），或者称为行业模型、垂直模型。
微调通常分为两个步骤——SFT（有监督微调）+RLHF（人类反馈强化学习），其中 RLHF是 OpenAI 的创新设计，它决定了模型能够与人类意图与价值观对齐，是训练一个可靠的对话模型不可或缺的环节。
预训练成本极高，因此每年或几个月才会做一次。OpenAI 训练 ChatGPT 大约花费了大约 1200 万美元，Meta 训练 Llama 65B 花费了 500 万美元。相比之下，微调成本较低，可能只需要短短几天甚至一天。
正因如此，只有充足的算力、财力的大公司与资本支持的雄心勃勃的创业公司，才会涉足基座模型。“百模大战”中的国产大模型数量虽然多，但只有大约 10% 的模型是基座模型，90% 的模型是在开源模型基础上加入特定数据集做微调的行业模型、垂直模型。其中，应用最广、性能最好的开源基座模型，目前就是 Meta 的 Llama 2。
从大模型的训练过程来看，没有人会对架构选择——“套壳” Transformer 有异议。但围绕架构之后的预训练，成为了一个套壳与否的隐秘角落。
二、“原创派”与“模仿派”
预训练是大模型最核心的环节，也是“套壳”与“自研”争议较多的环节。
前面提到，模型架构只是大模型的菜谱——目前有 BERT、T5 与 GPT 三大菜谱，而每个菜谱上会有具体的菜名——预训练框架。按照预训练框架的菜谱炒菜，就是预训练的过程。
一个可以肯定的事实是，所有的定位做基座模型的公司，都是从头开始投入真金白银做了完整的预训练，但菜谱的由来，却分成了两派。
第一派，就是标准意义的“自研派”，从菜谱开始研究，自研了预训练框架。
这一派的共同点就是布局较早，可以追溯到 2020 年之前，远远早于 ChatGPT 诞生而打响的大模型竞赛的发令枪。
百度是其中一家。2019年，百度就发布了自研的预训练框架 ERNIE，也就是今天的文心大模型，今天已经更新到ERNIE-4.0。值得一提的是，谷歌 BERT 与百度 ERNIE 名字取材于美国著名儿童节目《芝麻街》中的角色，两者是一对好友。
另一家早期自研预训练框架的大模型公司是智谱 AI 。智谱 AI 成立于 2019 年，并在 2020 年底开始自研预训练框架 GLM。GLM 与 谷歌 T5 相似，也是基于Encoder-Decoder 架构。2022 年 11 月，斯坦福大学大模型中心对全球 30 个主流大模型进行了全方位的评测，GLM-130B 是亚洲唯一入选的大模型。
百度与智谱 AI 之外，还有一部分闭源大模型没有公开自己的技术细节，代表性公司为Minimax、月之暗面等。有投资人表示，这几家也有自己的预训练框架，但无法准确核实。
总的来说，国内基于自研预训练框架的大模型公司数量较少，大约只有 5 家。
第二派大模型公司也从头开始做完整的预训练过程，但预训练框架是在开源框架——主要是 Llama 2 的基础上修改部分参数而来，可以称之为“模仿派”。
对于开源社区而言，这是一套非常正常的做法，开源的意义就是公开自己的研究成果，促进技术的交流与共享，让开源社区内更多的研究者受益。
Llama 2 也是站在过去开源模型的肩膀上一步步发展而来。比如，Llama 2 的模型架构中， Pre-normalization（预归一化）受 GPT-3 启发，SwiGLU（激活函数）受 PaLM 的启发，Rotary Embeddings（位置编码）受 GPT-Neo 的启发。其他模型也经常魔改这几个参数来做预训练。
零一万物创始人李开复表示：“全球大模型架构一路从 GPT2 –> Gopher –> Chinchilla –> Llama 2-> Yi，行业逐渐形成大模型的通用标准，就像做一个手机 app 开发者不会去自创 iOS、Android 以外的全新基础架构。”
值得强调的是，模仿 Llama 2 并非代表没有核心竞争力。零一万物在文章中提到，模型训练过程好比做一道菜，架构只是决定了做菜的原材料和大致步骤，要训练出好的模型，还需要更好的“原材料”（数据）和对每一个步骤细节的把控（训练方法和具体参数）。
“原创派”与“模仿派”，到底孰优孰劣？对于这件事，需要分开讨论。一句话总结来说，原创派赌的是未来，模仿派赌的是现在。
一位投资人表示：“Llama 2 并非一个完美架构，还有较大的局限性，有机会做到 GPT-3.5 的水平，但是如何做到 GPT-4 的水平，目前还没有看到办法。如果底层技术架构一直受制于 Llama 2，想要超越 GPT，怕是机会很小。”
这位投资人所在的投资机构投资了多家大模型公司。在做投资决策时，自研预训练框架与否，也是他们的衡量标准之一。
一位 AI 公司的研发人员说，自研预训练模型的优势在于扩展能力比较强，“如果基于开源，都是有版本限制的，比如 Llama 2 只有 7B、13B、70B 三个版本，再多就没有了，想再搞大规模一点，搞不了”。
不过，理想很丰满，但原创预训练架构的优势，目前还存在于理论阶段。短期来看，无论是自研还是模仿 Llama 2，两者都处在 GPT-3.5 的水平，性能差距不大。
另一位 AI 投资人表示：“现阶段，开源框架基本已经达到了 GPT-3.5 的水平，所以，如果选择从头自研一个与开源框架水平一样的预训练框架，不如直接选择模仿 Llama 2 效率更高、稳定性更可靠，除非有能力自研一个达到GPT-4、甚至下一代 GPT-5 能力的模型。这里的能力指的是有技术能力，且有足够的资金持续投入，因为目前预期是 GPT-5 的训练可能需要 3~5 万张 H100，成本在 10~20 亿美金。”
现阶段，大家比拼的并不是预训练框架的性能，而是工程化的能力，业内一般称为 AI Infra——AI 基础设施。
昆仑万维 AI Infra 负责人成诚将大模型发展分为了三个阶段：2020 年之前的算法研究阶段，2020~2023 年的数据为王阶段，以及 2023 年的 AI Infra 阶段。
他预测，未来大模型算法研究必然朝着 Infra 的方向去探索： 稀疏化（Sparse Attention、 Sparse GEMM / MoE） 将会是2024年学术界与工业界的主战场。
三、薅GPT的数据羊毛
在预训练完成之后，来到了微调阶段。实际上，这一阶段才是大部分“套壳”大模型翻车的原因，它与数据集的质量有直接关系。
数据的使用贯穿在大模型预训练、SFT、RLHF 的每个阶段。在预训练阶段，数据“在多而不在精”。由于预训练使用互联网公开数据，不同大模型最终所获得的知识储备是趋近的。
明显的差异点发生在微调阶段，数据“在精而不在多”。比如，Llama 2 的研究人员在做微调时发现大部分第三方的 SFT 数据集多样性与质量都不足，因此他们自己构建了 27540 个高质量标注数据集，可以显著提高 SFT 的效果。
但不是所有的公司都像 Meta 一样财大气粗。有没有更高效的获取高质量数据集的方式？
有，通过“偷” ChatGPT 等对话模型的数据。
这里的偷并非指盗窃，而是直接利用 ChatGPT 或 GPT-4 等对话模型生成的数据来做微调。这些合成数据，既保证了数据的多样性，又是经过 OpenAI 对齐后的高质量数据。
美国电商初创公司 Rebuy 的AI总监、深度学习博士 Cameron R. Wolfe 将这种大模型研究方式称为“模仿学习”（Imitation Learning），并表示模仿学习明显受到“知识蒸馏”（Knowledge Distillation）的启发。
知识蒸馏是一种机器学习中标准的模型压缩方法，它将复杂的模型看作“教师模型”，把简单的模型看作“学生模型”，通过老师教学生的方式将知识迁移过去。
模仿学习的原理，图片来自Cameron R. Wolfe的博客
在 Meta 发布了 Llama 1 系列模型后，迅速在开源社区催生了各类模仿模型的诞生，比较知名的包括由斯坦福大学、加州大学伯克利分校等高校机构推出的 Alpaca、Vicuna、Koala，以及 NomicAI 推出的GPT4ALL，这些模型都用到了 ChatGPT 的对话数据来做微调。
值得一提的是，OpenAI 在服务条款中明确禁止使用 ChatGPT 生成的数据开发与 OpenAI 竞争的模型。所以，上述模仿模型不能用于商业用途。
但事实上，各类商业模型都在通过“偷”数据的方式来走微调的捷径，这已经是公开的秘密，并且不限国别。
2023 年 12 月，字节跳动、谷歌 Gemini 的“疑似套壳”事件正是来源于此。根据字节跳动的回应，2023 年初部分工程师曾将 OpenAI 的 API 服务应用于实验性的模型研究，但并未上线，后来已经禁止该行为。从现实角度来说，字节跳动“只是犯了一个天下所有模型都会犯的错误”。
一位做NLP研究的科学家说：“OpenAI 可能预感到字节跳动可以花钱堆一个模型出来，所以提前打压一下。但实际上，这对于限制字节跳动训练大模型没有任何效果，纯粹就是想‘辱骂’一下。”
谷歌 Gemini 也是类似情况。由于缺乏高质量的中文数据集，谷歌极有可能通过文心一言获得大量的中文对话数据来做 Gemini 的“老师”。但是，或许因为追赶 OpenAI 心切，数据清洗、自我认知对齐等工作没有做到位，导致 Gemini 把老师文心一言当成了自己。
一位国产大模型公司的算法工程师吐槽道：“大家相互薅羊毛，要用，但要小心用，一不小心就尴尬了。”
四、把“壳”做厚才是竞争力
在预训练阶段模仿 Llama 2、在微调阶段“偷” ChatGPT 的数据，是两类产生“套壳”争议的主要场景，也是大模型训练过程中决定模型能力的关键场景。如果把范围扩展到模型的推理与应用，“套壳”的场景还会更多。
前语雀设计师，现 AI 助手 Monica 联合创始人 Suki 在即刻上分享了“套壳”的四重进阶：
一阶：直接引用 OpenAI 接口，ChatGPT 回答什么，套壳产品回答什么。卷UI、形态、成本。
二阶：构建 Prompt。大模型可以类比为研发，Prompt 可以类比为需求文档，需求文档越清晰，研发实现得越精准。套壳产品可以积累自己的优质 Prompt，卷 Prompt 质量高，卷 Prompt 分发。
三阶：Embedding 特定数据集。把特定数据集进行向量化，在部分场景构建自己的向量数据库，以达到可以回答 ChatGPT 回答不出来的问题。比如垂直领域、私人数据等。Embedding 可以将段落文本编码成固定维度的向量，从而便于进行语义相似度的比较，相较于 Prompt 可以进行更精准的检索从而获得更专业的回答。
四阶：微调 Fine-Tuning。使用优质的问答数据进行二次训练，让模型更匹配对特定任务的理解。相较于 Embedding 和 Prompt 两者需要消耗大量的 Token，微调是训练大模型本身，消耗的 token 更少，响应速度也更快。
如果把模仿 Llama2 架构做预训练也算进去，可以看做第五阶。这五重进阶，基本囊括了大模型“套壳”的每一个场景。
值得一提的是，上述行为能否被称为“套壳”，在业内也说法不一。
算法工程师刘聪表示：“我觉得，只有一种情况算套壳——直接做 API 的买卖，比如说一些免费使用大模型的网站，用来收集数据、倒卖数据。其他情况其实都不算。在 to B 行业，要做行业化的解决方案，只会套壳不可能做到；就算是 to C，如果有自己对产品的理解，也不能说是套壳。难道做大模型应用的都是套壳吗？”
“套壳这个词，贬义太严重。”刘聪说道。
脱离具体的场景谈论“套壳”，都是贴标签的行为。当行业褪去了对套壳的污名化理解，把不同进阶的套壳行为看作一类正常的商业行为，才能更加理性客观地分析大模型的优劣。
只是，大模型厂商在宣传的时候，应当更谨慎地使用“自研”，以及具体解释自研的内容。否则，只会加剧理解的困惑。
“套壳”有竞争力吗？Suki 认为，一个 AI 应用产品如果停留在做一阶和二阶，注定是个门槛极低的产品，没有任何壁垒。而什么场景，何时以及如何使用三阶和四阶的能力，是个关键性的问题。
一位算法工程师表示，大模型真正关键的问题在于业务的成本结构和护城河，而不是套壳与否。
把成本降低、把“壳”做厚，自然就产生了竞争力。
本文来自微信公众号：甲子光年 （ID：jazzyear），作者：赵健