20230227-大模型时代，AI技术向效率提升演进.pdfVIP

投资逻辑

我们2022年12月发布的报告《深度学习算法：从多样到统一》中，阐述了自Google2017年提出Transformer以

来，深度学习开始进入大模型时代。大模型时代的前沿技术发展围绕着提升效率而展开，包括：1）提升训练方法效

率：向无监督和半监督学习发展；2）提升数据效率：从追求数据规模向追求数据质量发展；3）提升开发效率：通过

“预训练基础模型+微调”，挖掘现有大模型潜力，降低具体下游任务的开发成本；4）提升算力效率：从稠密机构向

稀疏结构发展；5）提升训练的工程化效率：向并行训练和混合精度训练发展

训练方法：AI模型的训练方法主要包括监督学习和无监督学习两种典型方式，后随模型训练数据量的增加，衍生

出使用大量未标注数据+少量标注数据的半监督学习方法。AI训练方法的发展历经“监督-无监督-监督-无监督/

半监督”4个阶段，在目前的大模型阶段，无监督/半监督训练再次成为主流。

数据效率：随参数规模的增加，大模型在知识密集型任务中的效果提升显著。此外，当模型参数超过特定阈值后，

模型会对特定任务表现出“涌现”现象。目前学界和业界已意识到数据质量的重要性或高于数据数量，AI大模型

需要在保证数据质量的前提下进行数据数量和参数规模的扩充。

开发效率：AI大模型的流行提出了“基础模型+微调”的AI开发新范式。相较于过去“一场景、一任务、一模型”

的开发模式，“基础模型+微调”具有数据需求量小、训练时间短、落地边际成本低等优点。微调技术的发展带动

大模型由“以参数规模取胜”向“以高质量学习取胜”转变。

算力效率：AI架构可分为稠密结构和稀疏结构，其中稀疏结构可有效降低大模型对算力的消耗。2017年Google

提出了混合专家方法MoE，使得模型在计算过程中只需激活部分神经网络；2022年6月Google发布的基于稀

疏结构的多模态模型LimoE，已经在降低算力消耗的同时取得不亚于稠密结构的成绩。

工程化效率：伴随AI大模型参数量的不断提升，并行训练、混合精度训练等技术发展迅速。其中，国产AI框架

百度PaddlePaddle提出的4D混合并行策略在MLPerf发布的稠密结构AI训练性能榜单中位列第一；通过使用

16位浮点数代替32位浮点数进行训练，能够在同等模型表现的情况下实现训练时间减半。

投资建议

建议关注受益于AI算法进步，并能成功进行商业化应用的科大讯飞、商汤科技等公司；以及受益于AI算力需求、微

调技术发展的海光信息、浪潮信息、海天瑞声等公司。

风险提示

海外基础软硬件使用受限；骨干网络创新放缓；应用落地不及预期

敬请参阅最后一页特别声明1

行业深度研究

内容目录

1.训练方法演进：无监督、半监督训练再次成为主流3

2.训练数据演进：从追求规模到追求质量6

3.开发方式演进：微调技术受到重视7

4.架构设计演进：从稠密结构到稀疏结构8

5.训练技术演进：并行训练与混合精度训练9

6.投资建议10

7.风险提示10

图表目录

图表1：监督学习与无监督学习方式对比3

图表2：LeNet-5卷积神经网络典型结构4

图表3：逐层无监督+BP有监督可解决梯度消失问题4

图表4：计算机视觉领域经典开源数据集5

图表5：自然语言处理领域的无监督学习方法5

图表6：MAE无监督学习方法在多个下游任务中优于监督方法6

图表7：知识密集型任务表现随参数规模提升7

图表8：AI大模型在复杂任务中表现出“涌现”现象7

图表9：InstructGPT/ChatGPT中的人类反馈强化学习技术8

图表10：稠密结构与稀疏结构对比9

图表11：混合专家方法示意9

图表12：百度PaddlePaddle4D混合并行策略示意10