![#007 [Multimodal Large Language Models]](https://listen.s3.isk01.sakurastorage.jp/p/01hpy8fxrskjkhggdj967g9kqw/images/ULKdOyftQfZBLEzl2Urd2Out9BzYO8ccYrtjvFif.jpg)
マルチモーダルLLMの概要
Kento KAWAKAMi
ここにタイトルを入れるは、鈴木 忠、川上の3人で経験を言葉にして伝えることを目的としたポッドキャストです。
Kento KAWAKAMi
今週は川上のターンです。まず、緊急報告なんですけど、なんとですね、30手前でついに婚活を始めました。イエーイ、パチパチ!
Kento KAWAKAMi
パチパチ!パチパチ! 婚活やってますか、皆さん?
まあ、ぼちぼち。 このぼちぼち感の中に、俺もぼちぼちに入っていきました。これでやっていないのは、ただ先生だけになるかな。
はいはい。ということでね、婚活始めたんですけど、婚活始めてね、いくつか気づいたことがありますと。まあ、それをちょっと雑談と喋ろうかなって思うんですけど、
これ一番大きい気づきなんですけど、川上くんはですね、なんかの外観と比べて喋りがめっちゃポップだってことに最近分かりました。
それは確かにわかるかもしれない。 外観、結構なんかもうちょっと落ち着いた感じとか、なんかそういうイメージが多いらしくてですね。
喋り始めると思ったより声が高くてポップだなっていう感想がですね、多数寄せられております。 こちらはどうですかね?
Kohei Suzuki
でも確かに初対面で、思ったより喋るなっていうのは思ったので、穴がち反応としては
間違ってないんじゃないかなとは思います。 ですかね。
Kento KAWAKAMi
田田先生とはちょっと我々長い付き合いになってきましたが、どうですか?初対面のこと覚えてます?
でも確かに、外観だけで見たら、そんなによく喋るっていうタイプには見えない気がする。
でもなんか喋り始めるとすげー喋るやつじゃん?こいつ。 そうなんだよね。喋り始めると…
Kento KAWAKAMi
あ、関西の人ですか?みたいな気持ちになる。 そうなんですよね。なんか実は関西の人で、なんか忘れがちな設定なんですけど大阪出身なんですよね。
大阪出身だって喋ると、あーっていう反応をすごいもらうんで、なんかこう、そういうイメージもありながら喋り方ポップらしいんで、
Kento KAWAKAMi
ちょっともしかして外観もポップにした方がいいのかもしれないっていうことを考え始めたんですけど、あんまポップな外観が思いついてないですね。
Kohei Suzuki
おそらく逆効果なので、今のままの方は良いのではなかろうかという雑な感想。
Kento KAWAKAMi
ですか。じゃあちょっと、まぁこのままちょっと何か、何ヶ月か続けてみようかなって思ってます。で、なんかまた気づくことがあったらこういうとこで喋って共有できたらなーっていうふうに思ってますと。
Kento KAWAKAMi
はい。で、今日はちょっとですね本編が長いかもしれないんで早めに本編に入っていきたいんですけど、ちょっと皆さんちょっと最初に聞いてみたいことがあるんですけど、
Kento KAWAKAMi
チャットGPとかTとか、ギターボコパイルとかって使ったりとかしてますか?
あの困った時に、アイディア保守さんに話す人がいない時に聞いたりしてます。
話せませんとか使います?
これは使った方がいいのかなと思いつつ、永遠に使えてない勢として未だにいますね。
自分もなんかチャットGPTはたまに使うかなっていうぐらいなんですけど、やっぱり今手放さないのはGitHubコパイロットってやつなんですけど、
こいつがですね絶妙に便利なわけなんですね。
で、こういうのってランゲージモデルって言われてるやつなんですけど、ランゲージモデルって何なのかっていうと、何かご存知のことってあります?ランゲージモデルって何なの?って知っている方います?
なんか生成AIの文脈でよく聞くけどよくわかってないっていうのが正直なところです。
Kento KAWAKAMi
ですよね。自分も結構ちょっとは学生時代に機械学習っぽいことをやっていたのでわかるんですけど、結局何なの?っていうことは分からなかったんで、
Kento KAWAKAMi
今回はちょっとランゲージモデルを調べつつ、さらにその中で分からないものについて追加で調べたのでしゃべっていこうかなと思っています。
Kento KAWAKAMi
で、自分は主にさっき言ったようにChatGPTとかCopilotとか使ってるんですけど、これだって基本的に何かLLM、ラージランゲージモデルって言われてるんですね。
で、ラージランゲージモデルって何なのかって言うと、もうでかいランゲージモデルのことなんですけど、
LLMの基本的な使い方
Kento KAWAKAMi
じゃあランゲージモデルって何なの?って言うと、これはもうすごい発想としては簡単で、
ある文字列があったときにその次の文字列が何かっていう推測をする形で学習されたものをランゲージモデルって言います。
例えばどういうものなのかって言うと、例えばさっき言ったようにChatGPTっていう文字列があったとして、
Chatっていう文字列が呼ばれるときに次後ろは何が来るでしょうっていうのを推測するように学習するモデルっていうことをランゲージモデルって言います。
Kento KAWAKAMi
で、ラージランゲージモデルはその通りでかいニューラルネットワークでいっぱいのデータを使って学習したでかいモデルのことを
LLM、ラージランゲージモデルっていうふうに呼ばれてるっていう感じですね。
なんで結局のところを言うと、めっちゃでかいデータでディープライニングで頑張ってこのランゲージモデルを学習しましたよって感じですね。
で、このLLMでChatGPTとかCopilotとかって言われるものはおそらくですがトランスフォーマーっていうモデルを利用していますと。
Kento KAWAKAMi
このトランスフォーマーをめっちゃでかく使って今LLMっていうのが発達してるって感じなんですね。
Kento KAWAKAMi
で、LLMどういう感じで使われてるのかっていうのはわかりやすく軽くしゃべっていくと、
例えばさっき言ったようにランゲージモデルっていうのは次にある出力を推測するモデルになっています。
Kento KAWAKAMi
例えばどういう例なのかというと、あるこういう入力を考えますと1たす1は2開業、2たす2は4開業、3たす3イコールっていうとこまで入力をして続きをランゲージモデルに推測してもらおうっていうことをします。
これで我々はランゲージモデルに6って推測っていう出力が出されることを期待しているっていう感じに使い方をします。
これが6って出てくるとどういうことなのかと我々受け手が認識するかっていうと、
Kento KAWAKAMi
あれなんかランゲージモデルって考えてんじゃねっていうふうに認識をするっていうのが主な使われ方ですね。
で、このランゲージモデルっていうのは基本的には次の文字列を出力するように学習されているので、
さっき言ったような感じでいくつかの入力パターンを書いてその次に出てくるのは何っていうような形で使われるっていうことが多くあります。
これはフューショットラーニングみたいな感じで言われるようなとか、あとはプロンプトエンジニアリングって言われるような文脈で使われるような技術になっています。
なのでプロンプトエンジニアリングって言われたらこんな感じでALMに入力する前の基本的な文字列のところを用意するみたいな感じのことっていうのを頑張って考えておく、
事前に考えておくっていうのがその技、そのプロンプトエンジニアリングって言われるようなものになっていきます。
マルチモーダルLLMの具体的な用途
Kento KAWAKAMi
これが基本的なLMなんですけど、じゃあそれだったらチャットってどうなってんのって話なんですけど、これは対話を出力しやすくファインチューニングされたモデルっていうのがチャット向けのモデルになっています。
これが俗に言われるチャットGPTとかってやつですね。
Kento KAWAKAMi
チャットGPTっていうのは何なのかっていうとGPTって言われるプレトレーニングのモデルに対して人間が頑張ってこれは対話っぽいとか対話っぽくないみたいな感じのやつとかを評価しまくりまして作成したモデルをベースにいろいろラベル付けをしてチャットっぽい会話をするようにファインチューンされたモデルっていうことになっています。
Kento KAWAKAMi
ここまでは結構わかりやすいじゃないですか。入力に対する出力をするように学習したんだなーっていうのはわかりやすいんですけど、最近ですね、マルチモーダルLLMっていうのが結構一般的に出てきてるんですけど、マルチモーダルLLMってご存知のことあったりします?どんなものかなってイメージあったりします?
Kohei Suzuki
わかりません。
マルチモーダルが何かがわかりません。
Kento KAWAKAMi
そこから解決をしていこうと思います。
マルチモーダルLLMって何なのかっていうと、一番有名なのがGPT-4VっていうものだったりとかGoogleのGeminiみたいなやつが有名だったりするんですけど、要は画像も入力として扱えるLLMっていうことになっています。
マルチモーダルの何なのかっていうと、主には画像とか音声とかいろんなメディアをLLMに対して入力できるように変換してLLMとして扱ってあげようっていうのがマルチモーダルLLMになっています。
例えば、チャットGPTとかに画像を入力して、この画像に犬が何匹写ってますか?みたいなのを聞くと、犬が何匹写ってるかをカウントして返してくれたりするっていうのが基本的なマルチモーダルになります。
これはちょっとあんま直感的じゃないなって個人的に思っていて、なぜなのかっていうと、ランゲージモデルって言語の次を推定するモデルだったはずなのに、
なんで画像についての情報を取ってこれてんのっていうのが正直、あまり理由がよくわかってないんですね。
ということで、ちょっとマルチモーダルよくわからんなと思って適当に調べてきたなっていうのが今日の回になっています。
なんで今回はほぼヤジウマ精神で調べてきた内容になっているので、ヤジウマ程度の理解力というふうに思って聞いてください。
ヤジウマ程度なんですけど、それなりにそんなに大外れしたファーボールみたいな状態ではなくて、それなりのところにボールは投げられてるんじゃないかなというふうには自分で思っていますが、
Kento KAWAKAMi
あくまでもヤジウマぐらいだなと思ってください。ということで、マルチモーダルLLMについてしゃべっていきたいと思います。
Kento KAWAKAMi
質問とかあったら随時してもらっても大丈夫なのでお願いします。
まずマルチモーダルLLMって何なのかっていうと、先ほど説明したんですけど、マルチモーダル主に言語を用いて画像とか動画とかを扱うことができるモデルっていうのがマルチモーダルLLMっていう形になっています。
主に行われるタスクっていうのが画像の中の情報の抽出だったり、あとは画像の分類。この画像は中に何が写ってますかみたいな感じの分類問題を解いたりだとか、
Kento KAWAKAMi
あとは中に入ってある文字列を抽出するみたいな感じのことも行われたりするみたいです。
Kento KAWAKAMi
どういうふうに使われるかというと、例えばジム内のチャットの画面に行って画像をアップロードして、これって何ですかみたいな感じのことを聞くと、
Kento KAWAKAMi
それなりに回答をしてくれるっていうような使い分かり方になっています。
Kento KAWAKAMi
実際、自分が気になったのは画像とMLってどう関連して学習されてるんですかねみたいなことが気になったので調べてみて、
LLMって何なのかというと雰囲気を感じた方に思い浮かぶものがあると思うんですけど、スティーブルディフュージョンってご存知ですか?
Kohei Suzuki
わかりません。
Kento KAWAKAMi
スティーブルディフュージョンって言いますと、拡散モデルっていうのを基本的に使って、テキストから画像を生成してくれるモデルのことなんですけど、
画像とテキストの対応
Kento KAWAKAMi
よくAIエシとか言っていろいろ話題になっている、著作権の問題とかでいろいろ話題になっているやつがいると思うんですけど、
そういうのによく使われているモデルで、こいつは入力されたテキストに応じた画像を生成してくれるっていうものになっています。
このスティーブルディフュージョンに使えるようなテキストと画像を対応すける技術っていうのは、マルチモデルLLMの中でも使われているんですけど、
ちょっと一旦こいつのことは忘れていきたいなと思っています。なぜなのかというと、こいつの話だけで無限に話が進んでしまうので、
Kento KAWAKAMi
一旦こいつも自分の中ではマルチモデルLLMの一部なんですけど、一旦ちょっと今回は画像を入力する方についてちょっと集中して調べてみましたっていう感じです。
Kento KAWAKAMi
今回やったような感じの技術をちょっと使って、例えばLLM対話の結果の情報から画像を生成するっていう方向にも使う場合には、
Kento KAWAKAMi
スティーブルディフュージョンみたいな感じのことも使えると思っています。
Kento KAWAKAMi
自分が基本的にこういう機械学習とか調べる上で一番何が気になるかっていうと、じゃあ一体何を学習してるんだいっていうのが一番気になるんですよね。
基本的にそこを中心に調べてみました。
まずベースとしてLLMなんですよね。基本的なものとしては。
なのでテキストによる対話を用いてユーザーが使いたいという前提があります。
なので最も古典的な手法って何があるのかっていうと、画像をテキストにいい感じに変換してやればいいじゃんっていうのが最も古典的な方法です。
具体的に言うと、昔からの画像の中の物体認識とかっていろんなタスクがあったんですけど、
物体認識したものをテキストとしてLLMに入力しちゃえばいいじゃん。
そしたらそれについての説明もできるじゃんってのが一番古典的なマルチモデルLLMの手法になっています。
でも結構なものがこれで解決できる気がするんですけど、
Kento KAWAKAMi
これはやっぱりそういう画像に対して特別な認識をするっていうのがエキスパートモデルみたいな感じのことを多数用意して初めて実際成り立つ手法になっているんじゃないかなというふうに思っています。
Kento KAWAKAMi
それはちょっと使い勝手が悪いよねっていうことで、最近は結構どういうふうに自然言語に入力するのかLLMに入力するのかみたいな感じのところも機械学習を用いてやっている。
Kento KAWAKAMi
機械学習というかLLMのような技術に近いものを用いてやっているっていうのが現在らしいです。
はい、ということで今までちょっと背景これから入るのですが、何か質問とかあったりします?
Kohei Suzuki
もうそろそろ難しいです先生。
Kento KAWAKAMi
どの程度難しいですか?
Kento KAWAKAMi
難しいです。
Kento KAWAKAMi
声で喋るのが一番難しいという説がある?
Kohei Suzuki
確かに。
Kento KAWAKAMi
ポッドキャスト向きじゃないかもしれないですね。
Kento KAWAKAMi
頑張ってついてきて、分からなかったらまた後で喋りましょう。
まず基本的な考え方を説明する前に、ランゲージモデルとかの基本のモデルってどういうふうに動いているのかというのを軽く紹介したいなと思うんですけど、
これはディープランニングの基本的な考え方なんですけど、
Kento KAWAKAMi
入力をある空間に落とし込んで、その空間をもとに再出力するというのが基本的なディープランニングの使われ方になっています。
Kento KAWAKAMi
例えばある画像を別の画像に変換するとか、ある画像からデータを取ってくるとなったときに、
その画像をニューラルネットワークっぽいネットワークのベクトル空間の中に落とし込んで、
その結果を用いて分類とかをするというのがディープランニングの基本的な考え方になっています。
LLMとかでは、ある入力のテキストに対して、そのテキストをLLMの空間に落とし込んだ、ベクトル化するということを行って、
そのベクトルからさらに続きのテキストを出力したりだとか、そのテキストの分類をしたりという使われ方をします。
画像をベクトルとして扱う手法
Kento KAWAKAMi
この空間に落とし込む方というのをエンコーダー、その落とし込まれたベクトル空間から持ち列とか出力に得るものというのをエンコーダーという言われ方をします。
こういうLLMのエンコーダーとかで一番有名なのは、たぶんBERTとか、そう言われるものだったりするんですけど、
皆さん、ワードトゥーベックってご存知ですか?
Kohei Suzuki
その単語しか知らないです。
僕も単語だけ聞いたことあるなって感じです。
Kento KAWAKAMi
ワードトゥーベックっていうのは結構、ランゲージモデルの結構元祖みたいなやつで、
Kento KAWAKAMi
ある文章、これも文章を学習するんですけど、ある文章を考えるときに、
Kento KAWAKAMi
ある文章をまず単語に分割しますと。
単語の列に対してある単語を隠しますと。
Kento KAWAKAMi
その隠された単語が何ですかというふうに学習をします。
Kento KAWAKAMi
そういうふうにいろんな言語、いろんなテキストを用いて学習していくと、
ある単語を入力したときに、その単語を表す特徴っていうのが得られるようになるんじゃないかっていうので、
得られたベクトルを得るっていうのがワードトゥーベックなんですね。
要はあるシークエンスに対して、そのシークエンスが周りにどういう影響を与えているのかっていうのを得ることができるっていうモデルなんですけど、
一番有名なのが、
Kento KAWAKAMi
東京から、フランスから東京を引いたら大阪になるみたいな感じのテキストの演算ができるみたいな感じなんですよね。
どういうことなのかっていうと、ある単語の人間が捉えている意味空間っていうのを取り出すことができたんじゃないかみたいな感じの研究なんですけど、
Kento KAWAKAMi
それからちょっと発展して、じゃあワードトゥーベックのベクトルをいっぱい集めたら、
文章そのものの意味を数値的に扱えるんじゃないかっていうふうにいろいろみんな頑張ってたわけなんですけど、
結構それっぽいことがLLMの世界でも起きていて、LLMを用いてある長い文章を入力しました。
その入力された文章を元に生成された中間ベクトル、要はエンコーダーによって生成されたベクトルっていうのは、
ある文章の意味を表してるんじゃないかっていう考え方ができるんじゃないかっていうふうに使われています。
これがエンコーダーの機能で、例えばBERTとかっていうモデルでは、ある文章を入力したときにその文章があるスペクトルっていうのを
中間表現として出すことができるっていう問題になっています。
このあるLLMの入力に対して特徴量を得ることができるっていう機能を用いて、
画像をテキスト空間にいい感じにマップしてあげようみたいな感じの試みが行われていました。
それでその試行が一番有名なのが、オープンAIが開発したCLIPってやつなんですけど、
これは何なのかっていうと、さっき言った言語モデルの中間表現、埋め込み表現に対して、
埋め込み表現ってどっちなのか、中間表現、エンコーダーに使われたベクトルに対して画像がそれになるように学習したモデルになっています。
どういうことなのかっていうと、まず画像とその画像を説明するテキストの組みっていうのをいっぱい用意します。
例えば犬が写っている画像だったら、この画像の中には犬が3匹いる、猫が何匹いるみたいな感じのテキストをいっぱい用意しますと。
それをテキストをまずLLMに入力してベクトル化しますと。
画像はパーセプトロンか何かを用いた機械学習の層にかませて、
Kento KAWAKAMi
そのテキスト結果の出力に近くなるようにニューラルネットワークを学習していくという風に学習をしますと。
これはするとどういうことになっているかというと、画像をニューラルネットワークのテキストの表現の空間にマッピングするっていう学習をしているっていうことになるんですね。
Kento KAWAKAMi
これどういうことなのかというと、つまり画像を自然言語の空間で説明するように変換できているっていうことになるんですね。
ちょっとイメージ湧きますかね。
Kohei Suzuki
ぼんやりと。
Kento KAWAKAMi
軽く何を学習しているのかっていうのはわかりやすいですよね。
なんでそれをいっぱい学習していけば、ある画像をテキストの空間に変換してくれそうなモデルが出来上がるっていう寸法なんですね。
なんでどういうことになっても、LLMの空間がある程度表現できていると仮定をして画像を説明するモデルを作ったっていうことなんですね。
これって結構面白くないですか。
例えば、画像の中にいてそれが猫に眠っているっていう画像を説明するテキストと機械学習されたモデルが同じ空間を指すようになるっていう。
Kohei Suzuki
うん、なんか賢いなっていう。
Kento KAWAKAMi
そう、これ思いついたのが結構賢いですよね。
こういうモデルに対して、こういうモデルがまずベースとして画像のエンコーダーっていうのが作られましたと。
MLMでは、マルチモデル、ランゲージモデルでは、この画像のエンコーダーとLLMをどうやって繋げてあげようかっていうのが基本的に行われているタスクになっています。
具体的にはどういう処方法が行われているのかっていうと、
Kento KAWAKAMi
例えばですけど、この画像を説明された空間ベクトルがあるんで、そっからうまく説明するようなクエリっていうのを生成してあげようっていうのがひとまず一大分野ですと。
Kento KAWAKAMi
なんか画像からテキスト生成と何が違うのかって言われると思うんですけど、こっちに関しては画像をまずテキストの空間ベクトルに変換してあって、
さらにそれをランゲージモデルに入力しやすいクエリ形式に変換してあげるっていうところを学習してあげるっていう手法になっています。
Kento KAWAKAMi
これは結構ちょっとわかりやすいですよね。なんか説明できる空間に対してその説明テキストをいい感じに生成してあげるモデルをさらに学習してマルチモデルにするっていう、これは結構直感的かなと思いますね。
で、あとはもう一個の手法としては、画像をベクトルにできたんだったら、そのベクトルをもうそのままLLMのトークンみたいな感じで扱ってあげて、画像トークンをLLMの一単語と同じような扱いにしてLLMに入力するっていう方法があります。
これちょっと何言ってるか意味わかんないなって思うんですけど、俺も結構何言ってるか意味わかってなくてこのあたりって。
どういうことなのかっていうと、ある画像とその画像を説明するテキストっていう連続表現があると仮定しています。
例えば猫の画像が前にあって、その猫の画像はこれは猫ですっていう文字列が連結して表示されるようなテキストファイルをいっぱい作ります。
Kento KAWAKAMi
で、この画像を多分何分割かにして、それぞれをトークン化してLLMに入力をしてあげて、LLMの学習を再度やり直して、ある画像のトークンに対しても反応できるモデルを作ってあげようっていうことをやったりとかしますと。
どうですか、これが一番もう言葉で説明しづらすぎて、今日どうしようかなって頭がかかえてきたんですけど。
マルチモダルのLLMの研究
そう、めちゃくちゃ分かりづらいですよね。どういうことを行っているのかというと、要は画像もテキストと同じような感じに分割してLLMに入力しちゃって、そのまま学習しちゃおうぜっていうだけなんですよね。
画像のその時のトークン化に、例えば元のLLMの空間にマッピングできているのであればそれを使ってあげればいいし、もしくはそのまま直接学習しちゃってもいいよねみたいな感じのいくつかのパターンがあるみたいですね。
Kento KAWAKAMi
という感じにですね、LLM、マルチモダルのLLMを調べてきたんですけど、正直ここから先はですね、ヤジウマ精神では限界がある。
Kento KAWAKAMi
ちょっともう、マルチモダル論文、サーベイ論文を1個読んでですね、その後なんか論文5、6本読んだんですけど、ちょっと俺のディープラーニング知識ではですね、立ち打ちできないところになってきたので、
Kento KAWAKAMi
これ以上の質問内容に関してはちょっとあの3ヶ月後ぐらいにもしかしたら追加で学習してくるかもしれないんで、俺が。
なんかちょっと今回の内容としてはここまでになってるんですけど、どういうことなのかっていうと、まずランゲージモデルの空間って意外と柔軟性やっぱり高いですよねっていうのはやっぱりこの論文読んで、この論文とか色々調べて分かったことなんですけど、
なんかLLMって結構自分の中では、まあまあどうせ次の文字列予測してるだけだよねっていうぐらいの雑な認識だったんですけど、なんかマルチモダルとか対応できるっていうふうに思うと、なんかLLMが表している空間って意外と人間の思考プロセスに近くて、思ったよりもなんか情報を情報として処理できてるんじゃないかなっていうふうなちょっと気分になったりとかしましたね。
なんか意外とLLM、筋がいいんじゃないかっていう気持ちになって、この頃ちょっと色々調べてなりましたっていう感じのが今日の内容になってますね。
なんか質問とかあったりしますか?
Kohei Suzuki
それが、なんか実用化するとしたらどういう世界になるかなとかって考えてることってありますか?すごい素人質問なんですけど、どういうアプリが出てくるとか。
Kento KAWAKAMi
いやもう、これらについては基本的にはもう実用化されている前提になっていて、それこそChatGPTとかGimniとかはある程度使える潜在だなと思うんですけど、やっぱりちょっと便利だなって思ったのは、複数の企画集のモデルっていうのがLLMで統一して扱えるようになっているっていうのが正直、面白いところであれ面白くないところですよね。
Kento KAWAKAMi
専門のことをやる人に比べれば性能は落ちるかもしれないけど、汎用性が上がるっていうのなんで。なんですけど、ちょっとあるといいなって思ったのは、思考のプロセスがある程度モデルの中で表現されてるんじゃないかっていうふうに思うと、それこそ例えば、人生の胸元にカメラをつけて、1日の要約とかしてもらいたいですね。
Kento KAWAKAMi
そうそう。要はその人の行動とか音声を含めて、推察して想像ができるのがあるとすると、1日の日記サービスのような感じのことを個人的にはすごい欲しいなって思ったりしてますね。
物作るのは楽しいからやりたいじゃないですか。せせえいって言われているんですけど、物作り楽しいししたいなと思って。自分が欲しいのはやっぱり自分がやりたくないことをやってくれる奴だなっていうふうには思っちゃいますね。
Kento KAWAKAMi
田田先生とかなんかあります?
Kohei Suzuki
なんかちょっと話は変わるんですが、今やディープランニングの演算8ビットでいいじゃんっていう時代になったっていうのを最近知って、何年か前からの進化を感じましたね。
Kento KAWAKAMi
そうですね。特にLLMとかだと8ビットでいいじゃん流れはありますね。ただ8ビットでいいんですけど、元のモデルがデカすぎてよくわかんないですよね。
Kento KAWAKAMi
例えばですね、GPT-3とかって、GPT-3のモデルサイズってだいたい170億パラメータみたいな感じらしいんですよ。
Kohei Suzuki
もう想像つかないね。
Kento KAWAKAMi
そう。もうデカすぎて、そんな8ビットでいくって言っても結構無駄だっただけでは?みたいな。
170億パラメータとかだと、メモリサイズ的には?
Kohei Suzuki
それも壁になってきそうだよね。
Kento KAWAKAMi
何十ギガとかいくんじゃないのかな?130とか。ちょっと計算できないんですけど、そんなデカいところだったらパラメータちょっと削減してもなぁみたいな気持ちはありますね。
あとは最近だと実は2ビットでいいんじゃね?っていう説も出てきてます。
なるほど。面白いね。
Kento KAWAKAMi
でも、LLMの学習に特化するのであれば、1、0、-1の3パターンで学習しても性能出るし、むしろそれで学習した方が性能良くね?っていう論文が出たりとかします。
Kohei Suzuki
面白いなぁ。
Kento KAWAKAMi
なので、パラメータの持つ値とは何なのかっていうのは結構よりよくわかんなくなってきたなっていう感じには最近ちょっと思ったりとかしますね。
ということで、ちょっと30分なりそうなんで今日はこんなところで終わりたいと思います。
インフラエンジニアの矢島なんで、LLMについての知識は雑なんですけど、結構楽しく調べられたかなと思ってますね。
では、最後にここにタイトルを入れるではXツイッターにてご意見ご感想をお待ちしています。
ハッシュタグシャープここにタイトルを入れるでご意見ご感想をお待ちしています。
それではまた。バイバイ。
