文章主题：关键词: ChatGPT, Transformer, AI科研论文, 自注意力机制
缘起
🌟🔥掌握未来创作！AI魔法，一键生成小说或论文摘要🔍✨ChatGPT的超凡能力，不仅让邮件、脚本轻舞飞扬，还能驾驭语言翻译和代码编写，埃隆·马斯克的惊叹声背后，是transformer算法的熠熠生辉。源于2017年《Attention is all you need》的科研突破，这颗璀璨明珠在自然语言处理领域绽放，如今却照亮了AI全领域的创新之路。论文虽专注于NLP，但其普适性和效能震撼全球，transformer模型因此成为AI领域的热门标志，代表科技发展的脉搏。无论你是寻求灵感的小说家，还是严谨求真的研究者，这个算法都是你探索知识世界的强大工具。欲体验AI的无限可能，只需几个关键词，让transformer带你领略未来语言的力量！🌍🚀
这也是我想在这里给大家分析这篇文章的核心要点和主要创新的初衷。
🌟📚作为一名文章创作专家，我专注于分享知识与见解，而非局限于特定领域的技术深度。我的笔触旨在引导大家探索，而非权威陈述。每一篇文章都是我辛勤梳理的结晶，旨在与你共启思考之旅。如果你对数学、计算机或相关话题感兴趣，欢迎热烈讨论，你的观点将是我进步的动力。🌟💡尽管可能不够专业，但请相信，每个问题都有其独特的解答，每个人的声音都值得倾听。大牛们如果路过，也请不吝赐教，我们共同学习，共同成长。😊👩🏫
为什么选择分析一篇本该在科研圈里流传的科研论文，作为公众号的首篇呢？
🎉Transformer革命以来，AI领域的创新不断加速！从GPT引领的大规模模型训练，到Open AI的商业化转型，再到ChatGPT掀起的新一轮热潮，每个里程碑都标志着技术的进步与应用的拓展。🚀特别是在生物医疗和智能制造等领域，transformer架构的应用日益广泛，成为推动行业变革的关键力量。💡无论是生成式预训练模型的革新，还是聊天机器人技术的突破，都在为我们的日常生活带来前所未有的便利。🌐作为观察者，我深感这股浪潮不仅改变了科技格局，也催生了无数创新机会。未来，我们期待看到更多基于transformer的先进技术服务于社会，引领新的发展潮流。🚀记得关注我，获取更多AI领域的深度解析和最新动态！👋SEO优化提示：使用行业术语、关键词如”Transformer技术”、”GPT迭代”、”ChatGPT热度”、”生物医疗智能制造”等，并适当加入表情符号以提升可读性和搜索引擎友好度。
🌟未来智能浪潮中，”科研-算力-基础架构-工程-数据-解决方案”的迭代循环将加速飞驰，创新与流动性的火花将持续燃烧🔥。在科技日新月异的时代，我们不能等待一切成熟才去行动，而是要在科研与工程创新间寻找最佳平衡，打造卓越的产品团队🏆。面对AI带来的挑战，全栈知识的重要性不言而喻💡。它不仅是研发的基石，更是接纳科学属性流动性的关键桥梁钢结构️。无论是从业者还是对智能化感兴趣的你，掌握这种动态技能将助你在激烈的竞争中立于不败之地🔍。记住，未来的赢家将是那些能娴熟地驾驭科研与工程创新之间微妙平衡的团队，他们就像工程师中的魔法师，用科技的力量创造出无限可能🌈。
通过对这篇学术论文的深入研究，我们可以清晰地洞察科研领域的动态与演变，速度和节奏如何逐步显现。里程碑如闪耀的梅西，引领我们探索真理之路；微创新则像一块未被充分利用的土地，方向明确却充满无限可能。而那些仍处于摸索阶段的，则像是永恒的炼金术，需要时间的磨砺或是长期的探索。🚀💡
在AI研究中，开源代码的论文盛行，这背后的技术优势不容忽视。它不仅促进了广泛参与和持续优化，还实现了科研与工程实践的紧密对接，一篇论文的价值辐射范围广泛，可能引领一个领域的发展，推动技术进步并直接带来业务增长和客户价值的显著提升。每一份开源成果都可能是创新的火花，加速知识的传播与应用，为AI领域的繁荣注入活力。
四是， AI技术发展有很多领域（感知，认知，感知又分图像、语音、文字等，认知也可以分出很多层次）之前这些领域的算法逻辑存在很大差别，transformer的出现有一定程度上推动各个领域汇聚的迹象，介绍清楚这篇文章，对把握整体，可能有些作用。另外ChatGPT属于现象级应用，大家更有直观感受，未来这类应用的体验提升和更新速度只会更快，理解了其背后的逻辑，更有助于我们把握这个趋势。
现今，知识迭代速度很快，需要打下坚实的基础。我的私心是希望通过公众号分享文章，激励自己更好地理解、梳理相关知识,以做尝试；如果大家比较接受，后面我会逐步把在工程、方案、产品和企业智能化的思考逐渐沉淀并分享在这个公众号里面。
论文介绍
下面步入正题，开始介绍这篇论文，会涉及一些技术细节及公式，可能还需要仔细看一下（先收藏，留出15-20分钟比家好），相信一旦看进去，你会对AI的理解加深很多。
总体把握
这篇论文的结构非常精炼，提出问题，分析问题，解决问题，给出测试数据。顶刊文章讲究言简意赅，有描述，有代码，有结果；其中最核心的是以下这张图，作者团队提出transformer的核心算法结构：
整篇文章就是围绕这张图来进行解释的，由于篇幅所限，我们聚焦在一条主线上：1.文章想解决主要问题是什么 2.如何解决的 3.从文章提出的解决方案作为一个案例来引发整体思考，因此我们将内容简化，主要关注核心部分。
这张图表达的内容如果理解了，那基本上你掌握了这篇论文85%的内容，也是最关键的部分。
《Attention is all your need》在编写时主要是为了考虑NLP任务，是由几个Google的科研人员一起完成的，其中一个背景是Google也在推广自己的并行计算芯片以及AI TensorFlow开发平台。平台主要功能特点是并行计算，这篇文章的算法也是在最大限度的实现并行计算。我们就以一个简单的例子来把这个算法串一遍。
核心内容
需求是我们需要训练一个模型，进行中文到英文翻译。
背景知识：这个需求要把“翻译：我爱你 to I love you”转置成一个y=f(x)问题，x代表中文，y是英文，我们要通过训练得到f（），一旦训练成功f(),就可以实现翻译。大家拼的就是谁的训练方法更准确，更高效，谁的f()更好用。
之前自然语言处理主要的算法叫RNN（循环神经网络），它主要的实现逻辑是每个“字”计算之后将结果继承给第二个字。算法的弊病是需要大量的串行计算，效率低。而且当遇到比较长的句子时，前面信息很有可能会被稀释掉，造成模型不准确，也就是对于长句子效果会衰减。这是这篇文章致力于要解决的问题，也就是说这篇文章有训练处更好的f（）的方法。联想一下ChatGPT可以做论文，感受一下。
在Transformer里，作者提出了将每个字与句子中所有单词进行计算，算出这个词与每个单词的相关度，从而确定这个词在这个句子里的更准确意义。（这句话要是理解了，后面其实可以不看了）
在此处，要开始进入一些技术细节，在开始之前，我们有必要再熟悉一下机器学习领域最核心的一个概念——“向量”。在数字化时代，数学运算最小单位往往是自然数字。但在AI时代，这个最小单元变成了向量。这是数字化时代计算和智能化时代最重要的差别之一。
举个例子，比如，在银行，判断一个人的信用额度，我们用一个向量来表示
向量是一组数据的集合，也可以想象成在一个超高维度空间里的一个点。一个具体的信用额度向量，就是在8个特征组成的高维空间的一个点。数据在高维空间将展现更多的数学性质比如线性可分，容易让我们抓住更多隐藏的规律。
向量的加减乘除是计算机在进行样本训练是最主要的计算逻辑。第四范式一直强调的高维，实时，自学习，其中高维就是把企业信息拉升到一个非常高维的空间，变成向量。
Transformer模型的主要意义就是找到了一个算法，分成三步把一个词逐步定位到了一个高维空间，在这个过程中赋予这个单词比其它算法更优的信息。很多情况下这个高维空间有着不同的意义，一旦这个向量赋予的信息更准确更接近真实情况，后面的机器学习工作就很容易展开。还拿刚才信用额度向量举例子
这两个向量存在于两个不同的向量空间，主要的区别就是前者多了一个向量特征：“年薪”。可以思考一下如果判断一个人的信用额度，“年薪”是不是一个很重要的影响因子？
以上例子还是很简单的，只是增加了一个特征值，在transformer里就复杂很多，它是要把多个向量信息通过矩阵加减乘除综合计算，从而赋予一个向量新的含义。
好，理解了向量的重要性，我们看回transformer的三步走，这三步走分别是：1.编码（Embedding）2. 定位 （Positional encoding）3. 自注意力机制（Self-Attention）这个真的大名鼎鼎！
举个例子，比如，翻译句子Smart John is singing到中文。
首先，要对句子每个词进行向量化。
我们先看“John”这个词，需要先把“John”这个字母排列的表达转换成一个512维度的向量john 这样计算机可以开始认识它。说明John是在这个512维空间的一个点；这是第一步：编码（Embedding）
再次，第二步 定位（Positional encoding）：利用以下公式（这是这篇文章的创新）
微调一个新的高维空间，生成一个新的向量
我们不用太担心这个公式，它核心意义是：1.在这个新的向量里面每一位由原来的0和1表示，分别取代成由sin和cos表示，这个目的是可以通过sin和cos的定律，让这个新向量不仅表示John这个单词的意义，还可以表示John在Smart John is singing这个句子的位置信息。如果不理解，可以直接忽略，只要记住第二步是用来在“表达John这个词的向量”中，加入了John在句子中的位置信息。John已经不是一个孤立的词，而是一个具体句子中的一个词，虽然还不知道句子中其他词是什么含义。
如果第一步计算机理解了什么是John，第二步计算机理解了“* John**”。
最后，第三步，自注意力机制（Self-Attention），通过一个Attention（Q，K，V）算法，再次把John放到一个新的空间信息里，我们设为
在这个新向量里，不仅包含了John的含义，John在句子中位置信息，更包含了John和句子中每个单子含义之间的关系和价值信息。我们可以理解，John作为一个词是一个泛指，但Smart John就具体了很多，singing的Smart John就又近了一步。而且Attention （Q，K，V）算法，不是对一个单词周围做计算，是让这个单词跟句子里所有单词做计算。通过计算调整这个单词在空间里的位置。
这种方法，可以在一个超长句子中发挥优势，而且最关键的是一举突破了时序序列的屏障，以前对于图像和NLP算法的划分，很大程度上是由于NLP有很明显的时序特征，即每个单词和下一个以及在下一个有比较明显的时序关系。但Transformer这种算法打破了这种束缚，它更在意一个单词跟句子中每个单词的价值权重。这是Transformer可以用到everywhere的主要原因。
计算过程
（如果不感兴趣，可以跳过这一部分介绍，直接进入启发收获部分，如需一些基础知识，可以参考“智能化学习与思考”公众号的基础知识文章）
具体的计算过程，用翻译句子“我爱你”到“I love you”举例（这句更简单一些）。首先进行向量化并吸收句子位置信息，得到一个句子的初始向量组。
（由于样本每个句子长短不同，所以每个句子都会是一个512*512的矩阵，如果长度不够就用0来代替。这样在训练时，无论多长的句子，都可以用一个同样规模的矩阵来表示。当然512是超参，可以在训练前调整大小。）
接着，用每个字的初始向量分别乘以三个随机初始的矩阵WQ，Wk，Wv 分别得到三个量Qx，Kx，Vx。下图以“我”举例。
然后，计算每个单词的attention数值，比如“我”字的attention值就是用“我”字的Q我分别乘以句子中其他单词的K值，两个矩阵相乘的数学含义就是衡量两个矩阵的相似度。然后通过一个SoftMax转换（大家不用担心如何计算），计算出它跟每个单词的权重，这个权重比例所有加在一起要等于1。再用每个权重乘以相对应的V值。所有乘积相加得到这个Attention值。
这个attention数值就是除了“我”字自有信息和位置信息以外，成功的得到了这个句子中每个单词的相关度信息。
大家可以发现，在所有注意力系数的计算逻辑中其实只有每个字的初始矩阵WQ，Wk，Wv是未知数（这三个矩阵是所有文字共享的）。那么我们可以把这个transformer简化成一个关于输入，输出和这个W矩阵的方程：其中X是输入文字信息，Y是翻译信息。
这里有必要再介绍一下机器学习的基础知识：Transformer算法本质上是一个前馈神经网络模型，它的计算基础逻辑，不去管复杂的隐藏层，就是假设Y=f(x)=wx，（目标还是要算出一个f()）然后随机设置一个w0，开始计算这个y=w0x的成本函数，然后再把w0变成w1，计算y=w1x的成本函数，以此类推计算出无数w（不是无数哈，也会收敛的），然后比较哪个w的成本函数最小，就是我们训练出来的f()。那么在transformer里，这三个初始矩阵就是那个w0。
再回到transformer，在计算Attention之后，每个单词根据语义关系被打入了新的高维空间这就是Self-attention（自注意力机制）。
但在transformer里，并不是代入了一个空间，而是代入了多个高维空间，叫做多头注意力机制，
文章中没有给出更清晰的理论支持，为什么是多头。
主要原因是在训练时效果很好。这也是AI科研论文的一个特点，常常凭借非常高的科研素养和敏感性，发现一些方向，并且通过测试确实有效，但不一定可以给出很完美的理论支撑。这往往也给后续研究者一些可以进一步完善的空间。
事实证明，如何提升Attention（Q，K，V）效率是transformer领域迭代最快的部分。之后的Bert算法提出预训练机制成为了主流，后面会做进一步介绍。
当然，事后我们可以理解是把这个句子中的逻辑关系放到不同的高维空间去训练，目的就是希望抓取更多的信息，这一部分可以更加深刻理解科研人员对空间的应用。
除了以上内容，还有一些技术点比如Mask机制、layer norm、神经网络激函数饱和区控制等，由于篇幅关系以及属于技术细节就不一一介绍了。
如果大家理解了多头自注意力机制，基本已经85%掌握了这篇论文的重要内容，也对还在快速扩展影响力的transformer模型有了一个比较直观的认识。
启发收获
从理论科研进步的角度看
1. Transformer打破了时序计算的逻辑，开始快速出圈，多个AI原本比较独立的领域开始在技术上融合。再往里看，Transformer能打破时序很重要一点是并行计算的算力模式给更复杂的计算带来了性价比上的可能性。算力的进一步提高，必将在AI各细分领域带来融合，更基础设施级别的模型，算法仍将不断推出。AI领域在图像，NLP；感知认知领域的专业分工也会慢慢变模糊。2. AI科研确实具有一些实验性质。除了核心思想，确实还有很多技术点的解决方向已经明确，但还有很大的提升空间，可以预见围绕transformer周边的微创新会持续加速繁荣。3. 《Attention is all your need》在业内大名鼎鼎，但你要是细看，会发现很多内容也是拿来主义，比如最重要的Attention（Q，K，V）中Query，Key，Value是互联网推荐系统的标配方法论；整个Transformer算法也是一个大的神经网络，算法是在前人基础上一步一步迭代发展，只是这个迭代速度明显在加快。从理论、算法、架构、工程的角度看
4. AI算法科研领域正经历算法、开源代码、工程、算力的增长飞轮。
下图是顶级刊物上的学术论文中，开放源代码的论文比例，这个数据在这几年以更快的速度在增长。科研过程与工程过程产生越来越大的交集。开源社区和开源文化本身也在推动算法和工程的快速发展。
更多人参与，更多领域的人参与进来，进入门槛随着算力成本、AI基础架构和代码、知识分享的开源逐渐降低，科研与工程的边界也变得模糊，这个就像足球运动的规律，除了足球人口增多，天才球员梅西出现的概率也会增大。
从数据和后续方案发展的角度看
5. ChatGPT的成功同大量的数据训练功不可没，但除了简单对话互动或者翻译，大篇幅回答甚至论文级别的答案还是极其缺乏样本数据（算法训练需要的样本数据需要清晰度X和Y）。而且Transformer的算法相比其他算法需要更大的数据量，原因在于它需要起始阶段随机产生三个矩阵，一步一步进行优化。除了Transformer以外，另一个技术Bert也是技术发展非常重要的现象级算法。其核心是一个简化的Transformer，Bert不去做从A翻译到B，它随机遮住X里面的一些单词或句子让算法优化对遮住部分的预测。这种思路使得Bert成为了Transformer预训练最好的搭档。
如果通过Bert进行预训练，相当于给矩阵加入了先验知识（之前训练逻辑没有给机器任何提示，规则后者基础知识），提高了正式训练时初始矩阵的准确度，极大地提升了之后transformer的计算效率和对数据量的要求。在现实中，举例来说，如果我想训练国家图书馆图书，之前需要每本书的信息和对这本书的解释，或者中文书对应的英文书。但现在我们可以大量只是训练内容，不需要打标签，之后只需要通过transformer对样本数据进行微调。这就给ChatGPT很大的进步空间，而且可以预见，更多这类大模型会雨后春笋一般快速出现。
6. 由于transformer是更高级的神经网络深度学习算法，对数据量有很高要求，这也催生了从小数据如何快速产生大数据的算法，比如GAN对抗网络等。这是AIGC领域的核心技术。解决数据量不足问题，除了更高效率抽象小数据的信息，也多了把小数据补足成大数据的方法，而且这些方法在快速成熟。7. 我们发现在机器学习算法中有大量的超级参数，比如在transformer里多头机制需要几头N，文字变成向量是512还是更多，学习速率等都需要在训练之前提前设置。由于训练时间长，参数复杂，要想遍历更优秀的计算效果需要非常长的摸索时间。这就催生出AutoML，第四范式在这个领域研究多年，拿Transformer举例，就要很多个路线进行自动化机器学习；比如贝叶斯计算（找到更优参数配置概率）；强化学习思路（贪婪算法在环境不明朗情况下迅速逼近最优）；另外还有寻求全新训练网络的方法（transformer，RNN，MLP等联合使用排列组合）等。科研发展强调参数化，工业发展强调自动化，这两者看似统一，但在现实实操过程中往往是相当痛苦矛盾的。这也是开篇说的产品化和科研流动性相平衡的一个重要领域。
如果大家感兴趣，想进一步了解细节，我在后面会放一些我认为不错的文章或者视频作为推荐，请大家多多关注。大家有建议意见，欢迎在评论区留言。
AI时代，掌握AI大模型第一手资讯！AI时代不落人后！
免费ChatGPT问答，办公、写作、生活好得力助手！
扫码右边公众号，驾驭AI生产力！
相关文章
