文心大模型：知识增强的NLP模型详解

发布日期：2022-05-17 03:46浏览量：6837次

文心大模型首场技术开放日已经圆满结束。在本次活动中，文心大模型背后的“技术天团”首次集中亮相，分享大模型技术发展趋势洞察、文心大模型最新技术突破及产业应用实践，为技术爱好者带来一场干货满满的AI技术盛宴。

本篇文章整理自百度技术委员会主席吴华《文心大模型：知识增强的NLP模型详解》直播分享。

文心大模型简介

大家好，我是吴华，今天给大家带来的是文心·NLP大模型的解读。

预训练大模型已经成为人工智能的新方向，通过从无标注大数据中自监督学习能得到预训练大模型。在应用中，我们能够用少量任务数据取得非常好的效果，而且它的泛化能力很强，用在各个任务中通用性很好。

预训练大模型能够充分地挖掘大规模无标注数据的潜力，从海量数据中学习知识与规律，就像我们人类的通识教育。从出生开始，我们接受的都是通识教育，到上大学以后，才接受专业教育。在应用大模型以后，通过大模型加任务数据微调的方式，能获得非常好的效果，这已经成为了新的研发范式。

拥有了预训练大模型后，我们可以从之前的手工调参依赖AI专家的阶段进入大规模可复制的大工业落地阶段。

这是我们文心大模型的全景图，包括NLP大模型、CV大模型和跨模态大模型，在此基础上，我们开发了大模型的开发工具、轻量化工具和大规模部署工具，而且我们支持零门槛的AI开发平台以及全功能AI开发平台。

现在，让我来解读文心·NLP大模型的发展历程。在这个发展过程中，我们有三条主线：

第一条主线是文心ERNIE，我们发布了文心ERNIE 3.0以及文心·ERNIE 3.0 Titan模型，并且在SuperGLUE和GLUE都超过了人类排名第一的水平。

第二条主线是文心ERNIE在跨模态、跨语言以及长文档、图模型等方面获得了非常好的发展，在各种榜单尤其是视觉语言相关的榜单上获得第一。

第三条主线是对话生成大模型文心PLATO的发布，对话的流畅性得到了很大提升。

去年，我们发布了三个新的大模型，鹏城·百度文心大模型、文心ERNIE-ViLG模型和文心PLATO-XL大模型，分别是文心ERNIE的系列模型和对话生成模型。

知识增强大模型

文心ERNIE

接下来，首先让我们解读知识增强大模型文心ERNIE。

文心ERNIE：持续学习框架

我们先看文心ERNIE的持续学习框架，在文心ERNIE的框架中，我们不断从不同的数据和知识上学习，而且在不断地构建新任务，比如文本分类任务、问答任务、完形填空任务等。大模型从不同任务中持续学习，使能力得到持续提升，从而拥有更多知识。

在这个基础上，我们研发了知识增强的预训练模型，这个模型主要有三个特色：

能够从大规模知识图谱和海量无结构数据中学习，突破异构数据统一表达的瓶颈问题。
能够融合自编码和自回归结构，既可以做语言理解，也可以做语言生成。
基于飞桨4D混合并行技术，能够更高效地支持超大规模模型的预训练。

首先，我们来看第一个特色，从大规模知识图谱和海量无结构数据中学习。从这个例子可以看出，我们同时输入大规模图谱和相应无标注、无结构化的文本，通过文本的Mask，能够推理这个知识图谱里的关系，从而使这个模型具有知识推理能力。在右图的知识问答过程图可以看到，ERNIE具有增强的知识推理能力。

第二个特色是我们融合了自编码和自回归的结构，使模型既可以做语言理解，也可以做语言生成。在做语言理解时，我们可以让模型拥有上下文相关的信息，从而做语言理解。在生成的时候，由于模型只看到了上文，所以只能基于自回归的方式学习。因此，在一个框架中同时能够拥有语言理解和语言生成两种能力非常重要。

第三个特色是基于飞桨的4D混合并行。4D混合并行是指训练的时候同时有4种不同并行方式：数据并行、模型并行、流水线并行和分组参数切片。这四种技术支持了文心大规模的模型训练，因此我们能够节省50%的时间，同时在千亿模型上完成3750亿Token的训练，使我们拥有大规模的文心ERNIE模型。

在这三个特色的基础上，我们发布了全球首个知识增强的千亿大模型，拥有2600亿的参数，在60多项的NLP任务上取得了世界领先。同时，在这个模型上的实际应用中我们能把参数压速到99%，使这个模型的效果得到了大幅提升。

拥有了这样的模型，我们的语言理解能力得到了显著提升，尤其是拥有领先的复杂知识推理能力，相比GPT-3，文心ERNIE在复杂知识推理能力上有8个百分点的绝对提升。

相比较于没有知识增强的大规模模型，我们在实体问答和知识预测，尤其是有多步推理的任务上拥有更好的效果。基于鹏城·百度文心大模型，模型能够依据用户的需求定制文本生成能力，从而自动生成关键词以呈现不同的风格，并且通过可信度计算，使生成的文本具有事实一致性。在这样的能力下，我们拥有了多种场景化的文本生成能力，比如：小说续写、歌词创作、诗歌写作等。

我们在国际排行榜SuperGLUE上是第一名。在当时夺冠的这个模型序列中，我们的模型参数相对来说是非常少的，只有15亿参数，而T5是110亿参数，GPT-3是1750亿参数。虽然文心ERNIE参数相对少，但效果非常好，这也说明知识是能够提升学习效率的。

在Fine-tuning任务上，文心ERNIE可以用在不同任务中，用任务数据做微调。文心ERNIE在21类54个Fine-tuning任务中取得领先。这些任务分布很广泛，有语言理解、语言生成、知识推理等。同时，文心ERNIE在零样本和小样本学习的能力也非常好，尤其是在文本分类、阅读理解、知识推理、指代消解等任务中取得全面领先。

众所周知，大模型的训练成本及使用成本非常高，在实际业务落地应用中面临着相当大的挑战。首先，对千亿模型进行知识蒸馏需要耗费非常高的计算资源，而且，如果从千亿的规模蒸馏到几亿或几千万的数据量，差距过大，影响蒸馏的效果。针对这个问题，我们提出了在线蒸馏的框架，能够降低计算资源的消耗。同时，我们采取辅助蒸馏的方式，首先从千亿规模蒸馏到几十亿，然后到几亿。通过这个过程，我们能使模型蒸馏的效率和效果都得到很好的提升。

从这个实际应用案例中能看到，我们实现了搜索15亿的大模型无损蒸馏，并把这个模型应用在搜索排序的场景中。实际上，在这个过程中，我们将多个教师模型进行蒸馏，使效果得到了非常大的提升。

刚才介绍了文心ERNIE的学习框架以及学习效果。接下来，我将针对知识增强大模型里其他的跨语言大模型、跨模态大模型以及图模型进行解读。

跨语言大模型文心ERNIE-M

在跨语言的学习过程中，中文和英文这类语种的语料资源较为丰富，然而对于很多小语种来说，比如泰语，我们的资源是不够丰富的。那么，如何利用资源丰富的语种来帮助资源缺乏的语种实现性能提升呢？我们采用了用少量平行语料和大量非平行语料通过回译的机制进行学习的方式来实现。

在这个过程中，我们使用统一模型建模了96种语言，并在5类语言任务上刷新世界最好结果。例如在自然语言推断、语义相似度、阅读理解、命名实体识别、跨语言检索等任务中，我们都获得了极大提升，同时在权威跨语言理解榜单XTREME上获得了第一。

看一个例子，我们通过用非平行语料来学习各个语种中语义的关联，同时将标注丰富语种中的知识（比如中文中一些命名实体的标注）通过跨语言模型迁移到其他语种中，从而实现语言知识的迁移，并提高其他语种下游任务的效果。

跨模态大模型文心ERNIE-ViL

在文心ERNIE-ViL中，我们在跨模态模型中首次引入了场景知识。引入场景知识的目的是为了理解图像中细粒度的语义，比如说房子、车子和人之间的关系，以及车的颜色等。通过构建场景图的方式，模型能够对图像进行细粒度的语义理解，从而在跨模态任务上取得最好的效果，比如视觉问答、视觉常识推理、图像检索等。我们在权威视觉常识推理任务VCR榜单上也排名第一。

来看一个例子，左边图中一共有几位运动员？我们看到的一共有六个人，到底有几个运动员呢？我们选择了C，这是正确答案。在这个过程中模型要给出解释，为什么在6个人之中只有5个是运动员？模型要判断其中一个是裁判。这个其实就是通过视觉推理来获得的。这就是在场景图里加入知识，通过它的文字信息去构建场景图，使得模型能够理解图中细粒度的语义。

跨模态大模型文心ERNIE-ViLG

我们也发布了全球最大规模的中文跨模态生成大模型文心ERNIR-ViLG。这个模型的特点是在一个模型中能同时兼顾文本到图像的生成，以及图像到文本的生成，通过跨模态的语义对齐算法，实现双向生成。现在模型参数规模已经达到了百亿级，并且在效果上领先于OpenAI DALL·E。

来看一些例子，在文本生成图像中，模型可以对一些风景图生成得非常写意。在图像生成文本，模型能很好地为图像加上标签，使读起来更加赏心悦目。

图模型文心ERNIE-Sage

除了跨模态和跨语言的模型，我们也在应用中发现很多场景是有关联知识的。为了建模这些关联知识，我们提出了文心ERNIE-Sage的图模型。基于这个模型，我们能在搜索中通过文档的Title和Query，去构建Query与Title、Query和Query之间的关系，同时也能通过知识图谱的知识去增强这种关联。

为了解决在应用中长尾数据稀疏的问题，我们加入了知识图谱的信息以及其他的领域知识信息，以便能够更好地增强图模型知识之间的关联，以及通过图学习、预训练方法的加持，来提升文本图语义的理解，这样的模型被我们广泛用在搜索、地图等应用中。在地图中，我们能够建模POI之间的关系，通过图的模式能够使用户的搜索效率提升，很好地纠错地图语义的理解。

通过文心ERNIE技术与平台全景图，我们可以看到文心ERNIE通过不断学习不同的任务，获得了大幅的效果提升。比如，我们应用了文心ERNIE 3.0系列模型，在这个基础上有多个维度的基础模型，如长文本、多粒度、轻量化等。同时，除了刚才说的跨模态图模型、跨语言等模型以外，我们还有很多任务模型、领域模型，比如生成模型、相似度语义模型、信息抽取模型、检索模型和纠错模型等。在医疗、法律、金融等领域上，我们也发布了相应的模型。

在应用中，我们支持面向用户和客户的多种应用，目前文心ERNIE已经支持了数百家企业以及5万多开发者，覆盖金融、互联网、电商、通信、人力资源、教育、能源等行业，也希望将来有更多的开发者跟我们一起更好地构建文心ERNIE生态。

对话生成模型

文心PLATO

接下来，为大家解读对话生成模型文心PLATO。我们知道在对话生成中，尤其在开放域的对话生成中，需要对用户的任何话语进行连贯且有意义的回复。在这个过程中，任何上文序列都应该有合理的答复且存在多个合理的答复。基于这个现象，我们提出了隐变量的大规模对话生成模型。

我们提出的隐变量和角色建模，能够很好地建模，针对上文生成多样化的回复。首先我们采用统一的Unified Transformer结构高效地构建理解与生成任务。也就是说，在对话生成的过程中，首先要理解上文然后才能生成回复，所以，我们采用了Unified Transformer结构。在这个过程中，我们发现如果采用隐变量，学习参数是非常多的。所以我们采用课程学习，由浅入深，开始的时候，采用标准的Transformer结构，没有隐变量，在此基础上再采用隐变量的方式学习，使模型生成多样化的回复。

基于这样的框架，去年我们发布了全球首个百亿参数的预训练对话生成模型文心PLATO-XL，它的特点是规模大、效果好、能耗低。从下图左侧可以看出，在参数规模还不是很大的情况下，跟参数规模非常大的效果相比，文心PLATO-XL也能取得相对好的结果，而在能耗方面成本更低。

我们知道，即使拥有对话生成的能力，对话的复杂性仍然非常高。我们希望系统具有长期记忆能力，同时希望系统说的话前后一致。也就是说，系统在上面说的话和在下面要说的话要有一致性，不能一会是个小学生，一会已经是大学生了。

此外，在开放域的聊天对话过程中，没有信息量的回复非常多。这时就要引入知识，怎么建模知识也是非常重要的一个能力。同时，在一些应用中需要做对话推荐，比如推荐商品、音乐等。

在这几方面，我们得到了比较好的结果，比如人设稳定、长期记忆的能力都在80%以上，知识问答的准确率达到90%，推荐的成功率在90%左右。

首先来看，我们是如何建设具有长期记忆能力的画像一致性的。我们建设了一个画像相关的知识库，用画像知识去触发检索，检索回来的知识加入生成模型中，生成画像一致的回复，把画像一致性从10%左右提高到了80%以上，并且已经在实际业务中落地应用。

在知识增强对话方面，我们采用了两种方式：一种是知识外用，一种是知识内化。

知识外用指的是我们把知识作为一个库，外挂在生成模型之外，通过检索的方法，检索知识加入生成模型中，能够很好地增强回复生成的信息量。知识内化是指我们把各种异构的数据、知识加入到这个聊天语料中一起训练，然后把知识信息学到模型参数中。通过这样的方法，我们能够把知识的准确率提升到90%以上。

举个例子，在医疗领域的对话中，我们用医疗图谱来指导生成。我们采用了两步生成方式，第一步通过上下文的方式生成一个流畅的句子，但是里面的知识可能是不准确的，这个时候利用知识图谱，也就是利用医疗知识图谱修正里面的知识错误，使生成回复中知识的准确率相对提高60%，达到80%以上。这样一个知识增强模型生成的回复，能够保持知识的准确率处于一个相对比较高的水平。

刚才提到，我们在有些任务中需要有对话推荐，如推荐一首音乐、推荐一本书，推荐一个地方去旅游等，这些都需要在对话中满足，也采用了两种方法：一种是层次化的内容规划，另外一种是通过数据增强的方式实现。我们也建立了多种跨类型的对话数据集，并且这些数据集已经发布。通过这样的方法，使多轮对话的合适度和推荐的成功率在90%以上。

文心PLATO已经全方位开放，希望跟大家一起共建基础生态。我们有开源的KNOVER对话框架，其最新的代码都是开源、开放的。我们还开放了多种对话任务的数据集，供开发者提升和验证自己的对话技术。目前，开放数据下载次数有三万多，开发者也有三万多，尤其是在最近几年，我们也在举行对话相关的比赛，今年在语言与智能技术竞赛中也有一个知识对话的比赛，欢迎大家来参加。

百度语言与知识技术开放平台

最后，简单总结一下，我们构建了文心NLP大模型的技术和平台，也跟学术界、工业界很多伙伴一起共建了千言数据集。我们有中文文本知识标注的框架，在这个底座的基础上，也开放了很多能力引擎，比如：文本的标签、问答能力等等。在这样的能力引擎基础上，我们有足够的知识图谱构建和应用能力，因为百度拥有一个非常大的开放域知识图谱，在这个基础上，能够进行知识的生产、组织以及应用。