2024人工智能大模型技術(shù)白皮書

第1章大模型技術(shù)概 第2章語言大模型技 2.4.5語言大模型的工具學(xué) 第3章多模態(tài)大模型技 第4章大模型技術(shù)生 第5章大模型的開發(fā)訓(xùn)練與推理部 第6章大模型應(yīng) 第7章大模型的安全 第8章總結(jié)與思 名詞索 126年GofryHnn解由于梯度消失而導(dǎo)致的深層網(wǎng)絡(luò)難以訓(xùn)練的問題[1]，為神經(jīng)網(wǎng)絡(luò)的有效學(xué)習(xí)提供了重要的優(yōu)化途徑。此后，深度學(xué)習(xí)在計(jì)算機(jī)視覺[2[34+標(biāo)注數(shù)據(jù)微調(diào)”的預(yù)訓(xùn)練模型，再到如今的“大規(guī)模無標(biāo)注數(shù)據(jù)預(yù)訓(xùn)+指令微調(diào)+人類對齊”的大模型，經(jīng)歷了從小數(shù)據(jù)到大數(shù)據(jù)，從小2022OpenAIChatGPT引發(fā)了社會ChatGPT為代表的大模型技術(shù)可以在經(jīng)濟(jì)、法律、本序列的生成概率。特別地，N-gram語言模型[6]認(rèn)為下一個(gè)詞匯的訓(xùn)練語言模型包括EM[9P11]和BET1]Lo模型基于傳統(tǒng)的循環(huán)神經(jīng)網(wǎng)絡(luò)（LSTM）[12]構(gòu)建，存在長距離序列rsormer13GP1和Trnsormr架構(gòu)一個(gè)重要的經(jīng)驗(yàn)性法則是擴(kuò)展定律（ScalingLaw）[14]：隨著模型參1-120182023年間典型預(yù)訓(xùn)練模型的參數(shù)量變化趨勢。OpenAIGPTGPT-1[10][16]三個(gè)不同參數(shù)規(guī)模的模型，谷歌也推出了參數(shù)規(guī)模高達(dá)5400億參數(shù)的PaLM模型[17]。當(dāng)模型參數(shù)規(guī)模達(dá)到千億量級，語言大模型能夠展現(xiàn)出多方面的能力躍升[18]。例如，GPT-3在沒有微調(diào)的情況下，可以僅通過提示詞或少數(shù)樣例（In-contextlearning，上下文學(xué)習(xí)（Large1-12018-2023年模型參數(shù)規(guī)模變化圖（InstructionTuning）[20]以及基于人類反饋的強(qiáng)化學(xué)習(xí)(ReinforcementLearningfromHumanFeedback,RLHF)[21]化能力；基于人類反饋的強(qiáng)化學(xué)習(xí)（1-2所示）將人類標(biāo)注者引（包括思維鏈（Chain-of- CoT）[22]、思維1-2OeAIrnfomerG-1asormer（dede-nyrnsorer）+G-2初步驗(yàn)證了擴(kuò)大模型參數(shù)規(guī)模的有效性（擴(kuò)展法則，并且探索了基于自然GP3模型效果，提出了基于“上下文學(xué)習(xí)”的任務(wù)解決方法；CdX2]使用代碼數(shù)據(jù)對P-3ntucGT2（H化對于人類指令的遵循能力和人類偏好的對齊能力；aGPT與IntutGT的技術(shù)原理相似，進(jìn)一步引入了對話數(shù)據(jù)進(jìn)行學(xué)習(xí)，從而加強(qiáng)了多輪對話能力；GP42]能夠處理更長的上下文窗口，具大模型服務(wù)平臺正向個(gè)人開放及商業(yè)落地應(yīng)用延伸,不同公司互有側(cè)重OeAIAPI地面向公眾開放的大模型服務(wù)平臺,用戶可以通過API訪問不同的GPTClde系列模型是由nhiclue和lade-ntt該系列模型通過無監(jiān)督預(yù)訓(xùn)練、基于人類反饋的強(qiáng)化學(xué)習(xí)和CntuinlI（）Clde0Klde20K基于百度文心大模型的知識增強(qiáng)語言大模型，提供APP、網(wǎng)頁版、API提供了分桶梯度、通信計(jì)算重疊、跳過同步等技術(shù),支持大規(guī)模的分架,ZeRO技術(shù)減少冗余內(nèi)存訪問,使得可以訓(xùn)練萬億級模型。開LLaMA[30]實(shí)現(xiàn)高效訓(xùn)練。Falcon[31]TII研究院,最大規(guī)模型的生成能力。Baichuan系列模型由百川智能開發(fā),支持中英雙語,Baichuan2在保留原有模型優(yōu)勢的基礎(chǔ)上,增強(qiáng)了邏輯推理等方面的能力。CPM33][34]系列采用經(jīng)典的語言模型自回歸訓(xùn)練方式,NLP任務(wù)上均表現(xiàn)卓越。ChatGPT為代表的大模型技術(shù)取得關(guān)鍵性突破，但當(dāng)前1]、4]情景學(xué)習(xí)能力[19][7]等方面有待展開深入研究，為大模型的大規(guī)模2rnsomer將模型在大規(guī)模無標(biāo)注數(shù)據(jù)上進(jìn)行自監(jiān)督訓(xùn)練得到預(yù)訓(xùn)練模型，2）將模型在下游各種自然語言處理任務(wù)上的小規(guī)模有標(biāo)注數(shù)據(jù)進(jìn)行微（ageLnugedel,LL）TransformerTransformer架構(gòu)[13]是目前語言大模型采用的主流架構(gòu)[5]于自注意力機(jī)制(Self-attentionMechanism)Transformer2-1-解碼器架構(gòu)，其編碼器和解碼器均由一個(gè)編碼層和若干相同的Transformer模塊層堆疊組成，編碼器的Transformer模塊層包括多頭注意力層和全連接成，其中每個(gè)Transformer層多了一個(gè)交叉注意力層。相比于傳統(tǒng)循環(huán)神經(jīng)網(wǎng)絡(luò)（RecurrentNeuralNetwork,RNN）和長短時(shí)記憶神經(jīng)網(wǎng)絡(luò)（LongShort-TermMemoryNetwork,LSTM，Transformer架構(gòu)的Transformer架構(gòu)包含編碼層與Transformer模塊兩個(gè)核心組件，2-1Transformer架構(gòu)讓模型能夠理解序列中的順序信息，引入了位置編碼。標(biāo)準(zhǔn)Transformer架構(gòu)的位置編碼方式是使用正弦和余弦函數(shù)的方法。對idd是模jj是偶j個(gè)元素為sin(i10000j/d;j是奇數(shù)，那么編j個(gè)元素為cos(i10000j/d。2-2Transformer自注意力網(wǎng)絡(luò)網(wǎng)絡(luò)層，這兩部分通過殘差連接和層歸一化操作連接起來，Transformer模塊，由自注意力層、全連接前饋層、殘差連接和層歸組成部分。它包含一個(gè)查詢矩陣QKHAttention(Q,K,V) 直觀來說，矩陣H中的每一行是V中行向量的加權(quán)和，其列的特征矩陣和具有序列長度為m Xq 和 ，三個(gè)矩陣Q、K、V由三個(gè)線性變換得QXqWqKXkvWk,VXkvWv.Transformer被稱為自注意力機(jī)制，因?yàn)槿齻€(gè)矩陣Q、K、V同特征矩陣X nd此外，Transformer采用了多頭自注意力（Multi-headAttention）能力。多頭注意力的計(jì)算方式如下：使用了多個(gè)查詢矩陣Q(i)陣K(i)和值矩陣V(i)，最終輸出為H dvdo，它是通過將一系列H進(jìn)dv拼接并使用一個(gè)新的權(quán)重矩陣Wodv,Hh,Hh q kv kvHAttention(Q(i),K(i),V(i))Attention(XW(i),XW(i), q kv kv對于解碼器，TransformerAttentionSoftmax之前引入了一個(gè)額外的掩碼（MASK）操作，防止查詢矩陣Q去對序列中尚未解外的“交叉注意力”層，其中查詢矩陣Q是從解碼器中前一層的輸出中派生出來的，而鍵矩陣K和值矩陣V是從編碼器的最后一層的輸出中Transformer在解碼時(shí)避XdidGELU，diddfb ，W df

（1）活：在每個(gè)注意力模塊之后引入了非線性激活函數(shù)(，這有助于增（2之后，Transformer都應(yīng)用殘差連接（ResidualConnection）和層歸一化（LayerNormalization）技術(shù)，這有助于在模型非常深時(shí)保留信息歸一化層定義為LayerNormX

fXTransformer模型被提出之后，它也衍生出了相當(dāng)一部分的變現(xiàn)有的語言大模型幾乎全部是以Transformer模型作為基礎(chǔ)架Transformer編碼器或解碼器，或者同時(shí)使用兩者。從建模策略的角度，語言大模型架構(gòu)大致可以分為三類[36]：2-3語言大模型的三種典型架構(gòu)掩碼語言建模（MaskedLanguageModeling,MLM）是基于Transformer編碼器的雙向模型，其中BERT[11]和RoBERTa[41]是中還加入了下一句預(yù)測（NextSentencePrediction,NSP）任務(wù)。在預(yù)記[CLS]和[SEP]，并且隨機(jī)用[MASK]標(biāo)記替換原始序列中的字[MASK]位置的標(biāo)簽字符的條件概率，即讓模型執(zhí)行“完型填空”任務(wù)。而[CLS]的最終表示被用于預(yù)測兩個(gè)句子是否連貫。RoBERTaBERT基本相同，但是自回歸語言模型在訓(xùn)練時(shí)通過學(xué)習(xí)預(yù)測序列中的下一個(gè)詞來建rnsorer的優(yōu)化目標(biāo)為最大化對序列中每個(gè)位置的下一個(gè)詞的條件概率的預(yù)OeI的PT[6]]、Mta的LaA0]和Ggle的PM[7]G-3[1]Transformer架構(gòu)上的序列到序列模型，即同時(shí)使用編碼器-解碼器結(jié)構(gòu)，代表性模型包括T5[42]和要的預(yù)訓(xùn)練任務(wù)，即隨機(jī)用單個(gè)[MASK]特殊標(biāo)記替換文本中任意54章。高效預(yù)訓(xùn)練策略對語言大模型的預(yù)訓(xùn)練。一種是在預(yù)訓(xùn)練中設(shè)計(jì)高效的優(yōu)化任務(wù)目標(biāo)熱啟動策略漸進(jìn)式訓(xùn)練策略知識繼承方法234375%（PreitaleSaig[6]pAI在P-4使用00倍至00倍較少計(jì)算資源訓(xùn)練的小模型可靠地預(yù)測GP4 ETrnsrmer（統(tǒng)一的序列建模（542和BAT43等2計(jì)算高效的模型架構(gòu)rnsorer訓(xùn)練穩(wěn)定性、顯存利用等方面進(jìn)行優(yōu)化。比如，rnsomer其并行O()，rnfomer模型也是顯存密集型模型，輸入序列越長、占用的內(nèi)存nsorerRet44，其（Rtnin能的基礎(chǔ)上同時(shí)實(shí)現(xiàn)模型訓(xùn)練速度、推斷速度和內(nèi)存節(jié)約的大幅提升。針對自注意力顯存消耗大，斯坦福大學(xué)在rnsomer中引入Fahtein45]O計(jì)算實(shí)現(xiàn)訓(xùn)練和推理加速，典型工作包括Google的SwitchTransformers[46]和Pathways[47]架構(gòu)、清華大學(xué)的MoEfication架構(gòu)[48]、FastMoE架構(gòu)[49]等。2-5混合專家化的模型架構(gòu)(InstructionTuning)[21]，是一種可以幫助語言大模型多工作采用多任務(wù)提示方式對基于指令描述的大量任務(wù)集上對語言指令數(shù)據(jù)獲取,指如何構(gòu)建包含多樣性的任務(wù)指令數(shù)據(jù)。2000NLPOPT-IML[52]。ii）借助語言大模型的自動過GPT-3、InstructGPT等在線平臺收集用戶真實(shí)指令數(shù)據(jù)。指令對齊, 言大模在多然語言理任都展現(xiàn)了卓越性能而它有時(shí)會出現(xiàn)預(yù)期為如造虛假信息、追求錯(cuò)誤目標(biāo)或產(chǎn)生有偏見的內(nèi)容5]。其根本原因在于，語言大型在練時(shí)僅過語型建模未涉人的價(jià)值或偏好。為了解決這一問題，研究者提出了“指令對齊，使語言大模型的輸更符類的預(yù)期但這對齊與始預(yù)有所不同注重于用性實(shí)性和害性外指對齊會降低言大模型的些通力，這稱為lgmetx?，F(xiàn)模型出與對人類價(jià)值的對齊，IsrcGPT提出了一種基于人類反饋的微調(diào)方法利用強(qiáng)化習(xí)技術(shù)將類反納入模微調(diào)程實(shí)際ChtGT也用與ItrcGT的技術(shù)以確生高質(zhì)且無害的出指對齊的泛應(yīng)用適配微從純學(xué)習(xí)的統(tǒng)微參數(shù)高效微調(diào)（PaametEiietigET為代“”3類[4]（）添加式方法并僅微調(diào)該引入部分的參數(shù)。如適配器（dter）方法，旨將小規(guī)2指定式方法：旨在原模型指定模型中部分參數(shù)為可訓(xùn)練參數(shù)，并固定模型其他參%3重參數(shù)化方法：將原模型或部分模型參數(shù)重參數(shù)化到低維度參數(shù)空間oR[4個(gè)低秩矩陣相乘，即WW0WW0WdownWup2-63種范式etang40繞參數(shù)高效微調(diào)的開源工具也被研發(fā)，代表性包括OpPropt[5、OeDla[6dperu[7]Dltantr[0等。種更輕量級的下游任務(wù)適配方法。特別地，LRA4]已廣泛應(yīng)用于（如LLM）通過大規(guī)模文本數(shù)據(jù)預(yù)訓(xùn)練之后的語言大模型具備了作為通用指令提示（InstructionPrompt，也稱為提示學(xué)習(xí)。OpenAI在GPT-3[16]GPT-3在少樣本提示下能（Prompt1（3ICL，也稱2-7思維鏈（hinofThoght，CT）[8]。推理的過程通常涉及模型的多步推理能力，被鼓勵(lì)語言大模型生成解決問題的中間推理圖27國AllenAIGPT-3（falsepremise）的簡單性常識性問題時(shí)，如類似“太陽有幾只眼睛？”，GPT-3仍然會給出“太陽兩只眼睛”的荒謬回復(fù)。有效的解決4類[59]2-8所示：2-84以BERT為首的各種預(yù)訓(xùn)練模型是現(xiàn)在知識遷移的主要方法。2.4.521OpI推出eGT60，利用G-3器和搜索引擎交互獲取互聯(lián)網(wǎng)信息在長文本問答上實(shí)現(xiàn)非常強(qiáng)的能bhp6]223年3OeAI發(fā)布CaGTPgns2]，實(shí)現(xiàn)ChPT支持瀏覽器實(shí)時(shí)信息獲取、代碼解釋器、PDF閱讀等能力，截至8月已支持40Mta擴(kuò)展語言大模型能力的方法，統(tǒng)一稱為增廣語言模型（AgetdLnugeoes[3olLerig）框架24]2-9基于用戶接口視角的工具分類（2-9瀏覽器、Office辦公軟件等、基于編程接口的工具（如數(shù)據(jù)庫、知Learning，利用Learning3面向理解任務(wù)的多模態(tài)大模型，其核心結(jié)構(gòu)通常是基于Transformer的編碼器。按照模型結(jié)構(gòu)的不同，面向理解任務(wù)的多模Transformer網(wǎng)絡(luò)進(jìn)行處理；而多流結(jié)構(gòu)Transformer網(wǎng)絡(luò)進(jìn)行編碼處理，這些網(wǎng)絡(luò)之了一種雙流TransformerTransformr特征嵌入到共享的語義空間中。CLIP4億圖文對進(jìn)行訓(xùn)練，可零樣本（zero-shot）分類能力。另一個(gè)與CLIP含超過10億個(gè)噪聲圖像-文本對的數(shù)據(jù)集來擴(kuò)展視覺和視覺語言表征CLIP類似，VATT將每個(gè)模態(tài)線性投影為特Transformer編碼器中，并將編碼后的特3-1CLIP[65]單流結(jié)構(gòu)的一個(gè)典型代表是VL-BERT[68]，它將圖像的描述文本和關(guān)鍵物體的區(qū)域特征拼接后作為BERT另一代表性方法UNITER[69]，則采用了一種多任務(wù)的多模態(tài)預(yù)訓(xùn)練代表性方法有VideoBERT[70]和ActBET[71]VideoBERT是一個(gè)視頻-語言模型，它融合了文本和視頻作為BERT網(wǎng)絡(luò)的輸入；而ActBERT采用了一種全局-局部關(guān)系的建模方法，輸入不止包括文本現(xiàn)有的面向理解任務(wù)的多模態(tài)大模型大多都以上面兩類結(jié)構(gòu)為Florence[72]，它著重于如何使模型適應(yīng)各種下游任務(wù)，并設(shè)D、分子結(jié)構(gòu)等多種模態(tài)內(nèi)容的生成應(yīng)用。目前常用的方法主要是difsondl在序列生成模型中，DALL-E[73]是個(gè)典型代表。它是由OpenAI發(fā)布的一個(gè)基于4億圖文對訓(xùn)練的圖像生成模型，通過采用VQVAE[74]GPT組合的結(jié)構(gòu)，在以文生圖任務(wù)型的圖像生成模型是北京智源研究院所的CogView模型[75]（如圖3-2所示DALL-E類似的結(jié)構(gòu)，但是面向中文環(huán)境的文CogView3-2CogView75]性方法LDM[77]StableDiffusionLDM至開放領(lǐng)域的文本至圖像生成，是當(dāng)性方法有OpenAI的DALL-E2[78]與谷歌的Imagen[79]。其中，DALL-E2首先然CLIP訓(xùn)練一個(gè)獨(dú)立的映射模型將CLIP模型的文本特征映射到圖像特征空匹配程度。而Imagen首先將文本進(jìn)行編碼表征，之后使用擴(kuò)散模型64x641024x10243-3所示。DALL-E2ImagenT5模ImagenT5CLIP模3-3Imagen[79]Transformer編碼器通過雙向的注意力機(jī)制來學(xué)習(xí)對數(shù)據(jù)的理解時(shí)具備這兩種能力從而可以在更廣泛的下游任務(wù)上應(yīng)用，可以聯(lián)合Transformer編碼器與解碼器，設(shè)計(jì)能夠兼顧理解與生成任務(wù)的多模VL-T5[80]模型，3-4所示，該模型由Transformer編碼器和自回歸的解碼器組成，其主要?jiǎng)?chuàng)新點(diǎn)在型UnifiedVLP[81]，它的主要特點(diǎn)是編碼器和解碼器共享同一個(gè)Transformer網(wǎng)絡(luò)。該方法通過設(shè)置注意力掩碼來控制網(wǎng)絡(luò)為編碼器BLIP-2[82]Q-former結(jié)構(gòu)等（3-5所示。這類模型3-5BLIP-2[82]上，典型方法有KRISP[84]，它結(jié)合了隱含知識和明確知識的學(xué)習(xí)，Transformer或卷積神經(jīng)網(wǎng)絡(luò)（CNN）來捕捉視覺和語言代Transformer，成為了重要的研究方向。20-70-40-Flmno（ewst的多等多種任務(wù)。另一個(gè)代表性模型SMOS186]，它將一個(gè)基于rnfomer6（將圖像、視頻等感知模塊與LMA7]等開源的語言大模型對接，從而實(shí)現(xiàn)類似P-4的多模態(tài)理解能力。其中的一個(gè)典型模型是ChtBige8]，它使用多個(gè)并行的感知模塊用來處理包括圖片、音Modeling，MLM：預(yù)訓(xùn)練模型被要求根據(jù)可見的多模態(tài)上下文來預(yù)測這些被遮蔽的單3-7。多模態(tài)大模型通過執(zhí)行這種預(yù)訓(xùn)練任務(wù)，模型3-7ModelingMIM訓(xùn)練模型被要求在僅看到其余圖像內(nèi)容與文本等其他模態(tài)信息的情3-8。3-8Matching，ITM：3-9。3-9ITC，3-10。3-10圖像-基于適配器網(wǎng)絡(luò)的模型微調(diào)適配：適配器層，使得模型可以在不同任務(wù)之間共享通用預(yù)訓(xùn)練模型的表4ChatGPT、文心一言、訊飛星火等提供如APP、網(wǎng)頁版、API接口等多種形式的開放服務(wù)，并通過開放插件機(jī)制、FunctionCall等實(shí)現(xiàn)大模型外部工具、服務(wù)的調(diào)用，加速應(yīng)用生態(tài)的AI芯片開展適配和聯(lián)合優(yōu)化。大模型的訓(xùn)練數(shù)GPTOpenAI的GPTChatGPTGPT-4是兩個(gè)代表性模型。ChatGPT專注于對各種文本ChatGPT32,000個(gè)字符，它可以執(zhí)行各種任務(wù)，包括代碼編寫、數(shù)學(xué)問題求解、寫作建議等。GPT-4在推理方面的能力比ChatGPT更強(qiáng)，同時(shí)也減少了幻象的產(chǎn)生，能夠更準(zhǔn)確地理解ChatGPTGPT-4發(fā)布以來，許多開發(fā)者已經(jīng)開始將各種工具ChatGPTPlusClaudeClaudeAnthropic開發(fā)的閉源語言大模型，目前包含Claude和Claude-InstantClaude2023AI技術(shù)（包含監(jiān)督訓(xùn)練和強(qiáng)化學(xué)習(xí)）進(jìn)行訓(xùn)練，旨在改進(jìn)模型的有Claude-2200K詞元的上下文。相比于Claude1.3Claude2擁有更強(qiáng)的綜合能力，同時(shí)能夠生成更長的相PaLMPaLM17]Google2022種PaLM的改進(jìn)版本。Med-PaLM[89]是PaLM540B在醫(yī)療數(shù)據(jù)上績。PaLM-E90]是PaLM的多模態(tài)版本，能夠在現(xiàn)實(shí)場景中控制機(jī)器人完成簡單任務(wù)。20235月，Google發(fā)布了PaLM2，但并未公開其技術(shù)細(xì)節(jié)。Google340B，訓(xùn)練數(shù)據(jù)為PaLM5倍左右。Bard是GoogleOpenAIChatGPT后，GoogleBard的開包括添加數(shù)學(xué)與邏輯能力、添加代碼能力、支持更多語言等。5月，Google發(fā)布了基于新一代語言大模型PaLM2Bard32019年發(fā)布。831APP、網(wǎng)頁版、API接口等多種形式的開放服務(wù)。文心一言一方面采用有監(jiān)330多倍。文心一言還建設(shè)了202356日發(fā)布的語言748169日星火大模型升級到V1.5版，實(shí)現(xiàn)了開放式知識問答、多輪對話、邏輯和數(shù)學(xué)能力的提升；8月15日星火大模型升級到V2.0版，對于代碼和多模態(tài)能力進(jìn)行了提升。同時(shí)，訊飛和華為2023703年80的產(chǎn)品體系以及廣泛的應(yīng)用場景使得通義千問更具可落地性和市場可接受程度。LLaMAFalconPythiaT5BLOOMOPTMPTERNIE2.0，ERNIEGLMBaichuanCPM盤古LLaMALaA0]B到5B集。這些數(shù)據(jù)集包括ComnCral、iieia、peex2、ReaNw、oks等。LMALMA使用了高效的數(shù)據(jù)并行和流水線并行技術(shù)，以加速模型的訓(xùn)練和擴(kuò)LaA1B在ComeneA等9G-315B，而LaA65Bhnhla-0B和Pa-0BLaAGPTLMA采用了eodolyoraiztnLaMA對每個(gè)rnfomer子層的輸入進(jìn)行了RMSormiU將ReLUSwiGLU線性，同時(shí)減少參數(shù)量和計(jì)算量；RoPE位置編碼，模型的輸入不再使用位置編碼，而是在網(wǎng)絡(luò)的每一層添加了位置編碼，RoPE位置編FalconFalcon[31]系列模型是由位于阿布扎比的技術(shù)創(chuàng)新研究院(TechnologyInnovationInstitute,TII)創(chuàng)建的生成式語言大模型，其基于Apache2.0許可發(fā)布。Falcon大模型家族目前主要包含三個(gè)基礎(chǔ)模型:Falcon-7B，F(xiàn)alcon-40B，以及Falcon-180B。三個(gè)模型都是在Falcon-7B基于解碼器模型架構(gòu)并在精心處理的RefinedWeb數(shù)據(jù)集上使用1.5萬億個(gè)字符預(yù)訓(xùn)練。除此之外，使用多查詢注意力機(jī)制增強(qiáng)推理時(shí)的可擴(kuò)展性，并顯著降低顯存需求。Falcon-40B擁有400億參數(shù)，并在1萬億字符上進(jìn)行了訓(xùn)練。在發(fā)布后的兩個(gè)月里，其在HuggingFace的開源語言大模型排行榜上排名第一。該系列最新的Falcon180B具有1800億參數(shù)的，在3.5萬億字符上進(jìn)行預(yù)訓(xùn)練。該 的開源語言大模型排行榜上擊敗了Meta LLaMA2-70B等競爭對手。在閉源模型中，它的排名僅次于OpenAI的GPT4，性能與谷歌的PaLM2Large相當(dāng)，但只有其模型的一半PythiaPythia[91]EleutherAI開發(fā)的一系列生成式語言大模型。該系列有1612B提供下載和清洗重組數(shù)據(jù)的工具，以便進(jìn)一步研究。EleutherAI使用2Pythia88種不同的模型尺寸。一套是直接在Pile上訓(xùn)練的，另一套則在經(jīng)過MinHashLSH近重復(fù)處理后的Pile0.87。經(jīng)字符。由于Pythia系列模型在相同架構(gòu)基礎(chǔ)上涵蓋多個(gè)不同尺寸，HuggingFace上直接獲取，也可以通過Github的官方頁面獲取。T5T5[42]模型是由GoogleBrain團(tuán)隊(duì)在2019年提出的一種基于NLP任務(wù)（如翻譯、摘要、問答等）轉(zhuǎn)化為一個(gè)統(tǒng)一的框架下進(jìn)英文網(wǎng)頁文本數(shù)據(jù)的大規(guī)模語料庫。T5模型還探索了不同規(guī)模的模型架構(gòu)和參數(shù)量，從小到大分別有small、base、large、XL、XXL和XXXL六種規(guī)模。其中，XXXLT5110億個(gè)參數(shù)，Transformer的預(yù)訓(xùn)練語言模型之一。BLOOMBigScience2022年提出了BLOOM系列模型[92]BLOOM有1760Transformer解碼器架構(gòu)的語言大模型，4613提升BLOOM庫中包含的語言。此外，BLOOMTransformer架構(gòu)提出了許多的更改。相比于在嵌入層添加位置信息，BLOOM采用了ALiBi技術(shù)，基于keys和queries二者之間距離來計(jì)算注意力分?jǐn)?shù)。雖然ALiBi技術(shù)擁有外推至更長的序列的能力，但其在原始序列上也能夠BLOOM在嵌入層之后后立即進(jìn)行層分詞器相比，BLOOM25萬個(gè)字符，以支持多種語言。BLOOMZBLOOM擁有相同的模型架構(gòu)與超參數(shù)，在130了SGPTBi-Encoder方案進(jìn)行對比微調(diào)。通過訓(xùn)練，可以得到擁有高bitext挖掘、重排或者特征抽取等任務(wù)。GPT-Neo[93]系列模型是由EleutherAI開發(fā)的預(yù)訓(xùn)練語言大模GPT-Neo基于OpenAI的GPT該模型的最大版本，GPT-Neo2.7B27億個(gè)參數(shù)。它是在多樣化125M,350M1.3B等不同參數(shù)規(guī)模。GPT-Neo項(xiàng)目的一個(gè)獨(dú)特之處在于其強(qiáng)調(diào)開源開發(fā)和社區(qū)參與。EleutherAI公開了該模型的訓(xùn)練權(quán)重，使其他研究人員和開發(fā)人員能GPT-Neo模型的OPTOT[4]模型是由MetaAI發(fā)布的一款dedeny模型，與GP3GP-3MtaAIOT模15M到15B原因和動機(jī)，為研究社區(qū)的使用和進(jìn)一步研究提供了重要的參考資O-5BP3PT包括RoEa的okops和tois，以及更新的CNwsPle的CmoCrwl、MMaemais、Poecttebe、HakeNwsOpSuilsOenex2USO和ikpda。MPTMP（MosaicMLransformer研發(fā)的開源可商用模型。MPT-7B在2023年5月發(fā)布，有MPT-7B-StoryWriter-65k+65K20236月，MPT-30BMPT-7B更強(qiáng)大的性能，超過了原Chat方面表現(xiàn)出色。MPT-30B8,000字符長度的上下文窗ERNIE2019年，百度將大規(guī)模知識與海量數(shù)據(jù)融合學(xué)習(xí)的方法，在超90GLUE、SuperGlue20究和產(chǎn)業(yè)發(fā)展。ERNIE3.0[97]1000億，首次GLMGLM[98]AI等合作研發(fā)的開源語言大模型。GLM采用了自回歸填空作為預(yù)訓(xùn)練任務(wù)，并且使用多任務(wù)為了能夠更好地進(jìn)行預(yù)訓(xùn)練，GLM采用了二維位置編碼，第一維表息。此外，為了能夠盡量推理和訓(xùn)練所占用的顯存，GLM-130B可以使用INT4進(jìn)行量化并且不會明顯影響模型效果。通過優(yōu)化，GLM-130B4張RTX3090Ti（24G）8張RTX2080Ti（11G）的顯卡上進(jìn)行推理。ChatGLM是基于GLM1萬億字符的中英文語料進(jìn)行訓(xùn)練，能夠支持中文和英文兩種語言的ChatGLM擁有強(qiáng)大的生成能力，能夠生成更符合人類偏好的內(nèi)容。與GLMINT4量化和P-Tuningv2[99]等高效微調(diào)的算法，ChatGLM7GChatGLM的基礎(chǔ)上，ChatGLM21.4FlashAttention技術(shù)，ChatGLM23.2通過Multi-QueryAttention技術(shù)，ChatGLM2能夠進(jìn)一步地提升推理BaichuanBaichuan的中文和英文benchmark上均取得同尺寸最好的效果，其基于Transformer解碼器架構(gòu)。Baichuan-7B1.2萬億字符上訓(xùn)練704096的上下文窗口長度。Baichuan-13B在Baichuan-7B的基礎(chǔ)上進(jìn)一步擴(kuò)大參數(shù)量到1301.4LLaMA-13B40%，是當(dāng)前開源13B尺寸下訓(xùn)練數(shù)據(jù)量最多的模型。其支持中英雙語，使用ALiBi4096的上下文窗口長度，使用INT8INT4了部署的機(jī)器資源需求。Baichuan2-7B和Baichuan2-13B2.6萬億高質(zhì)量多語言數(shù)據(jù)進(jìn)行訓(xùn)練，在保留了上一代開源模型良好CPMCPM系列模型由北京智源人工智能研究院和清華大學(xué)的合作研發(fā)，目前包括了CPM-1、CPM-2，CPM-3和CPM-Bee典型模型。CPM-1[33]26億參數(shù)。100GB數(shù)據(jù)為基礎(chǔ)，等類型。在多個(gè)公開的中文數(shù)據(jù)集上的實(shí)驗(yàn)表明，CPM-1在對話、練模型訓(xùn)練的計(jì)算開銷對應(yīng)用的使用限制。CPM-3是基于BMTrain預(yù)訓(xùn)練技術(shù)，在零樣本和少樣本場景中表現(xiàn)出色。CPM-Bee的是一個(gè)完全開源、允許商用的百億參數(shù)中英文基座模型。它采用Transformer自回歸架構(gòu)，通過對預(yù)訓(xùn)練預(yù)料進(jìn)行嚴(yán)格后處理提升數(shù)鵬程盤古α[100]由以鵬城實(shí)驗(yàn)室為首的技術(shù)團(tuán)隊(duì)聯(lián)合協(xié)作開20482000閱讀理解等，并且擁有很強(qiáng)的小樣本學(xué)習(xí)能力。鵬程.盤古α收集了80TB的原始數(shù)據(jù)，包括開源數(shù)據(jù)集、commoncrawl網(wǎng)頁數(shù)據(jù)、電1.1TB的高質(zhì)量中文語料數(shù)據(jù)集。研究對比了智源研究院發(fā)布的首個(gè)26億參數(shù)的中文預(yù)訓(xùn)練語言模型「悟道·文源」CPM1.1TB數(shù)據(jù)中策略抽樣100GB2.6B參數(shù)規(guī)模的「鵬程.盤古α」模型，16個(gè)下游任務(wù)上進(jìn)行了對比。實(shí)驗(yàn)結(jié)果表明，鵬程.盤古α-2.6BCPM-2.6B模型具有更強(qiáng)的語言學(xué)習(xí)能力，特別是在生成任務(wù)和小樣本學(xué)習(xí)方面。實(shí)驗(yàn)還對比了鵬程.盤古α-13B和鵬程.盤古α-2.6BPPL任務(wù)上，13B2.6B，說明鵬程.盤古α-13B模型具有較強(qiáng)的小OPT,7B,LLaMA-AdapterViT,CPM-KOSMOS-2[101]是微軟亞洲研究院在KOSMOS-1模型的基礎(chǔ)上開發(fā)的多模態(tài)大模型。其中，KOSMOS-1是在大規(guī)模多模態(tài)數(shù)據(jù)集（即零樣本學(xué)習(xí)KOSMOS-2KOSMOS-1相同的模型架構(gòu)和訓(xùn)練目標(biāo)對模型進(jìn)行訓(xùn)練,并在此基礎(chǔ)上新增了對圖像局部區(qū)域OpenFlamingo[102]DeepMindFlamingo模型的開源復(fù)現(xiàn)版，可實(shí)現(xiàn)多模態(tài)大模型的訓(xùn)練和評估。OpenFlamingo使用交叉注在大型多模態(tài)數(shù)據(jù)集（MultimodalC4）上進(jìn)行訓(xùn)練，可以實(shí)現(xiàn)以交錯(cuò)的圖像/文本為輸入來進(jìn)行文本生成。例如，OpenFlamingo可BLIP-2[82]通過一個(gè)輕量級的查詢轉(zhuǎn)換器彌補(bǔ)了模態(tài)之間的差生成學(xué)習(xí)。BLIP-2在各種視覺語言任務(wù)上實(shí)現(xiàn)了最先進(jìn)的性能，盡管與現(xiàn)有方法相比，可訓(xùn)練的參數(shù)明顯更少。例如，BLIP-2模型在8.7%BLIP-2模型，對視覺語言指令進(jìn)行微調(diào)。具體地，InstructBlipBLIP-2的結(jié)構(gòu)，有一個(gè)圖像編碼器，一個(gè)語言大Q-Former覺特征提取過程,指令不僅會指導(dǎo)語言大模型生成文本，同時(shí)也會指力與圖像能力結(jié)合。其利用視覺編碼器和語言大模型Vicuna[109]進(jìn)行結(jié)合訓(xùn)練。具體地，MiniGPT-4使用一個(gè)投影層來將來自BLIP-2的凍結(jié)視覺編碼器與凍結(jié)的Vicuna（LLaMA指令微500萬個(gè)圖像-文本對進(jìn)行視覺-語言對齊訓(xùn)練。第二個(gè)微調(diào)階段進(jìn)行多模態(tài)指令微調(diào)以提高其生成可靠性和整體可用性。MiniGPT-4能夠產(chǎn)生許多類似于GPT-4中展示的新興視覺語言能力。LlaMA-AdapterV2[105]是一種參數(shù)高效的視覺指令模型。具體LlaMAAdapterLLaMA模型該模型將額外的專家模型（例如字幕/OCR系統(tǒng)）合并到LLaMA-Adapter中，以進(jìn)一步增強(qiáng)其圖像理解能力。ImageBind[106]是Meta（3D習(xí)能力，接下來是多任務(wù)的指令微調(diào)，使其與用戶的意圖對齊。VisualGLM-6B[107是由語言模型ChatGLM-6B與圖像模型BLIP2-Qformer結(jié)合而得到的一個(gè)多模態(tài)大模型，其能夠整合視覺和文圖像文本對進(jìn)行預(yù)訓(xùn)練。這種方法使視覺信息能夠很好地與ChatGLM的語義空間對齊。在微調(diào)階段，該模型在長視覺問答數(shù)據(jù)VisCPM-Paint模型支持文到CPM-Bee基座的雙語能力，VisCPMmPLUG-Owl[110]大模型可以支持多種數(shù)據(jù)模態(tài)，各種多模態(tài)任務(wù)。與傳統(tǒng)的多模態(tài)模型相比，mPLUG-Owl有更高的Qwen-VL[111]是支持中英文等多種語言的視覺語言模型。Qwen-VL以通義千問70億參數(shù)模型Qwen-7B為基座語言模型，了具備基本的圖文識別、描述、問答及對話能力之外，Qwen-VL還PyochPyorch[27]gradients communication）以及在梯度累積（gradientsynchronizationPyTorch分布式數(shù)據(jù)并行可以用256個(gè)GPU達(dá)到接近線性的可擴(kuò)展性程度。在DP的基礎(chǔ)上，原生支持DDP，每個(gè)節(jié)點(diǎn)都有自己的本DDP都顯著快于DP，能達(dá)到略低于卡數(shù)的加速比，但要求每塊GPU卡都能裝載完整輸入維度的參數(shù)集合在1.11版本后Pyorch開始支持FSDP技術(shù)，可以更加高效的將部分使用完畢的參數(shù)移至TensorFlowTensorFlow在多個(gè)領(lǐng)域有廣泛的應(yīng)CPU、GPU和TPU等。TensorFlow還提供了高級API，使開發(fā)者可以快速構(gòu)建、訓(xùn)練和部署深度學(xué)習(xí)模型。（PaddlePaddle[13]ParallelERNIE等處理（NLP）模型訓(xùn)練場景，又覆蓋了有著龐大的Embedding層模深度學(xué)習(xí)訓(xùn)練/推理框架。MindSpore能很好匹配昇騰處理器算力，AIMindSpore還習(xí)框架。Jittor集成了算子編譯器和調(diào)優(yōu)器，可以為模型生成高性能的代碼。Jittor與PyTorch兼容，可以方便地將PyTorch程序遷移Jittor框架上。JittorCPU、GPU、TPU等。Jittor在框架層面也提供了許多優(yōu)化功能，如算子融合、自動混OneFlow：OneFlow[116][116]能夠較好適用于多機(jī)多卡訓(xùn)練場景，是國內(nèi)較早發(fā)布的并行計(jì)算框架。OneFlow會把整個(gè)分布式集設(shè)備。最新版本的OneFlow和TensorFlow一樣，實(shí)現(xiàn)了同時(shí)對動兼容了PyTorch，支持?jǐn)?shù)據(jù)+模型的混合并行方式，可提升并行計(jì)AI[117]機(jī)PyTorch代碼快速擴(kuò)展到并行計(jì)算機(jī)集群上，無需關(guān)心并行編程Megatron-LMMegratron[118]是NVIDIA提出的一種基于PyTorch分布式訓(xùn)練大規(guī)模語言模型的架構(gòu)，用于訓(xùn)練基于Transformer架構(gòu)的巨型語言模型。針對Transformer進(jìn)行了專門的Megatron設(shè)計(jì)就是為了支持超TransformerTensorPipeline并行兩種模型并行方式。同時(shí)提出了更加精細(xì)的pipeline結(jié)構(gòu)與communication模式。通過多種并行方式的結(jié)合，可以讓大模型的訓(xùn)LayerNormDropout安裝輸入維度進(jìn)一步切DeepSpeed2021年2月份，微軟發(fā)布了一款名為ZeROZeRO-1，ZeRO-2，ZeRO-3ZeRO-3OffloadGPU規(guī)Offload512顆V100上訓(xùn)練萬億參數(shù)規(guī)模的大模型。law7B的小規(guī)?！敖炭茣═extbooks）”高質(zhì)量的代碼訓(xùn)練數(shù)據(jù)（包括從web上篩選的“教科tokensGPT3、PaLM[17]和GLaM[120]模型在訓(xùn)練數(shù)據(jù)構(gòu)造時(shí)都使用了基于鍵詞過濾，如BLOOM和Gopher[121]都采用了基于啟發(fā)式的方法。要對數(shù)據(jù)進(jìn)行冗余去除。文本冗余發(fā)現(xiàn)（TextDuplicateDetection）也方法使用了基于Transformer的模型，并結(jié)合機(jī)器翻譯技術(shù)，可以處100種語言的文本，消除其中的隱私信息。（Plainshotbased1語言大模型預(yù)38G,RedditURLWeb3CommonThe語言大模型指52000條指令數(shù)據(jù)，涵蓋創(chuàng)作、生成、設(shè)Ontocord.ai這三個(gè)機(jī)構(gòu)共同制作，用于對1.8G，ShareGPT數(shù)據(jù)集是一個(gè)由用戶共享SFT1億條來語言大模型強(qiáng)化學(xué)習(xí)微調(diào)數(shù)16M52MRLHF數(shù)據(jù)集，包3020007774個(gè)問題。helpfulharmless圖片-文本多模COCO330K，圖片/1.5MConceptual12M視頻-文本多模136M，視頻標(biāo)題對/1345002.5M，視頻標(biāo)題對/130001.8M圖文音多模態(tài)1M，視頻-音頻-5AI模型相比，非常依賴分布式技術(shù)提升效率。因此，大模型開發(fā)的示的梯度檢查點(diǎn)（Checkpointing）方法，以及內(nèi)存優(yōu)化的ZeRO-Offload[142]方法，即通過將數(shù)據(jù)和計(jì)算從GPUCPU，GPU內(nèi)存占用的方法。二是多設(shè)備優(yōu)化方GPU一起數(shù)據(jù)并行[143]后，對參數(shù)梯度做AllReduce聚合，然后每個(gè)處理器獨(dú)立進(jìn)行參數(shù)更張量并行8]但需要設(shè)計(jì)高效的并行算法和通信機(jī)制來確保計(jì)算的正確性和高效1F1BInterleaving1F1B“通信-計(jì)算”重疊的方式隱藏通信時(shí)間，的是基于PyTorch進(jìn)行進(jìn)一步封裝形成單獨(dú)的工具，如微軟的DeepSpeed-Megatron[147]、NVIDIA的Megatron-LM[118]、清華大學(xué)的BMTrainPaddePaddle硬件資源異構(gòu)性，進(jìn)一步發(fā)展出了端到端自適應(yīng)分布式訓(xùn)練架構(gòu)5-15-2如：FasterTransformer、TensorRT-LLM、vLLM、TextGenertionInference、HuggingFaceTG等實(shí)現(xiàn)，這些工具已經(jīng)針對大模型推理進(jìn)ChatGPT30多倍；騰訊混元大模型，通40%。從而減少Attention層的參數(shù)量，提高模型的效率。ALBERT[152]采用了權(quán)重共享數(shù)轉(zhuǎn)換為低位數(shù)的技術(shù)。通常情況下，量化的精度可被降低到8位難以量化的問題[155]。自適應(yīng)Shift-SmoothQuant[156]大模型量化方Hardwarewareness，協(xié)同優(yōu)化模型推理效率[102][103]。TokenGeneration階段則屬于訪存密集型。針對這種計(jì)算特點(diǎn)，可以通過協(xié)同硬件開展優(yōu)化，研發(fā)LLM.INT8()[67]WeightOnly量化混合的推理方案。這種方案能夠快速進(jìn)行量化，GPU資源的利用目前國際上主要的大模型訓(xùn)練芯片有英偉達(dá)GPU，如H100、A100，以及谷歌的TPU（TensorProcessingUnit，國內(nèi)主要有華為AI芯片的技術(shù)棧提供差層硬件SDK支持硬件算子庫。NVIDIACUDAC開發(fā)語言，然后深度學(xué)習(xí)框架通過高級開發(fā)間表示（IntermediateRepresentation，IR）對接硬件的代碼生成器（CodegenSDK支持代碼生成的硬件。算子融合優(yōu)化等技術(shù)，并通過接入硬件Transformer大算子庫，針對TPU（TensorProcessingUnit）CPU和GPU不同，TPU型訓(xùn)練的特殊需求。ASIC（Application-SpecificIntegratedCircuit）加個(gè)特定應(yīng)用場景而設(shè)計(jì)制造。ASIC的優(yōu)勢在于能夠?qū)崿F(xiàn)高度優(yōu)化的電路結(jié)構(gòu)和算法，從而提高性能和能效。除了ASICFPGA（Field-ProgrammableGateArray）加速也是一種重要的硬件加速技另外，云服務(wù)也為大模型訓(xùn)練提供了強(qiáng)大的計(jì)算能力和存儲資zueoleCud6和少樣本學(xué)習(xí)能力,可以快速掌握新的任務(wù),實(shí)現(xiàn)對不同領(lǐng)域、不同數(shù) （年來的向量索引。在在線階段，檢索系統(tǒng)接收到用戶查詢后，首先如經(jīng)典的B5pK以索引為核心的“索引—召回—精排”檢索架構(gòu)被廣泛應(yīng)用在各種信息檢索系統(tǒng)中。ChatGPT為代表的生成式大模型和以搜索引擎為代表的檢索6-1NewBing6-2中國科學(xué)院自動化研究所基于自主研發(fā)的音視頻理解大模型“聞AI技術(shù)在視頻配音、語音播報(bào)、標(biāo)題生成、海報(bào)設(shè)計(jì)Talk2Car任務(wù)中。具體地，用戶通過給出一個(gè)指令，比如“在223年7月7CtGT“市-園區(qū)-商圈-社區(qū)-網(wǎng)點(diǎn)級別的智能計(jì)算與研判，為線上線下數(shù)實(shí)融AI“空間AI專家顧”6-3AIDeepMindCalicoDNA遠(yuǎn)端交互進(jìn)行基因表達(dá)和染色質(zhì)狀態(tài)預(yù)測的神經(jīng)網(wǎng)絡(luò)架構(gòu)Enformer[159]20萬個(gè)堿基對，大幅提高了根據(jù)DNA序列預(yù)測基因表達(dá)的準(zhǔn)確性。為進(jìn)一步研究疾病中的基因調(diào)控“EVE”[160]基因突變是“致病”還是“良性”AI模型可幫助遺AlphaFold2使得6-4AlphaFold2微軟推出的新一代辦公軟件Copilot,將大模型應(yīng)用于辦公場景,實(shí)現(xiàn)智能化協(xié)助用戶提高工作效率。在文字處理軟件Word中,Copilot戶只需用自然語言提出需求,Copilot即可以快速生成或修改文檔內(nèi)PowerPoint中,Copilot可以根據(jù)用戶的要求,Excel中,Copilot可以完成數(shù)6-5在影視行業(yè)，大模型技術(shù)為內(nèi)容制作和影視創(chuàng)作帶來了新的變6-6新應(yīng)用,以智能化手段提升教與學(xué)效果。7月,K12模型能夠較好地因材施教,為學(xué)生提供全方位知識支持。8月,好未來MathGPT，可自動出題并給出解答,涵蓋小學(xué)到2023年6月,恒生電子發(fā)布多款大模型金融應(yīng)用,其中金融行業(yè)LightGPT4000億字節(jié)的金融領(lǐng)域數(shù)據(jù)進(jìn)行預(yù)訓(xùn)練,風(fēng)險(xiǎn)控制等能力。在模型訓(xùn)練規(guī)模不斷擴(kuò)大的背景下,金融行業(yè)大模20235月,MedGPT，實(shí)現(xiàn)從預(yù)防到康復(fù)的全流程智能診療,7月,谷歌DeepMind研發(fā)Med-PaLM[89]醫(yī)療大模型,其在醫(yī)學(xué)考試和開放式問答上達(dá)到專家水平,86.5%,大幅超過早期版本。非專業(yè)評估者也阿里巴巴的多模態(tài)大模型M6已經(jīng)在眾多民生服務(wù)領(lǐng)域產(chǎn)生了影響。首先，M6除了提供文本到圖像生成的能力，還被改進(jìn)為可根據(jù)可以保留其領(lǐng)子并進(jìn)一步進(jìn)行個(gè)性化調(diào)整。M6改進(jìn)后每次可以只生M6還被用于生成營銷文案，傳統(tǒng)方法需要十萬到百萬級別訓(xùn)練數(shù)據(jù)才能達(dá)到工業(yè)級可用，M6只需要使用原來5%左右的樣本，即可實(shí)包括題目，還可以輸入圖，大大增加了模型的預(yù)測效率。M6模型還M6，這一過程已經(jīng)成功地上線實(shí)現(xiàn)。20221213GoogleRoboticTransformer-1[162]，框Transformer直接EverydayRobots公司機(jī)器人的機(jī)械臂狀態(tài)和移動底盤狀態(tài)2023124日，Microsoft發(fā)布了ControlTransformer[163]，在氣象方面，大模型也取得了突破。202376當(dāng)。與IFS1000072023428須由各國展開協(xié)調(diào)設(shè)定紅線”，需要“AI有助于人類幸福，而不會成為人類威脅的環(huán)境”。OpenAI首席執(zhí)行官山姆阿爾特曼呼吁美AI社會威脅的擔(dān)憂日益底，眾多AIAI領(lǐng)袖發(fā)表公開聲明，呼吁防范AI的生存風(fēng)險(xiǎn)應(yīng)該與流行病和核戰(zhàn)爭等其他大規(guī)模風(fēng)險(xiǎn)一樣，成為全球優(yōu)先議題。20236Geoff