梦晨 发自 凹非寺量子位 | 公众号 QbitAI
什么AI应用每秒处理20000个AI推理请求，达到2024年谷歌搜索流量的1/5？
答案是独角兽Character.ai，由Transformer作者Noam Shazeer（后面简称沙哥）创办。
刚刚，沙哥公布了推理优化独门秘诀，迅速引起业界热议。
![]()
具体来说Character.ai在整个服务堆栈中实现了如下成绩：
内存高效架构设计：将KV缓存大小减少20倍以上，而不会降低质量
Attention状态缓存：95%请求无需重算
直接用in8精度量化训练：推理零损失还省显存
Character.AI通过以上种种优化，已经把推理成本降低到最初的1/33，如果用市场上最好的商业API来支撑这种级别的流量，成本会比现在高出13.5倍!
众多公布的方法中，原生int8训练是最受关注的。
![]()
虽然大多数技巧都来自公开研究，但是正如网友所说，知道如何把它们高效整合在一起实现的团队才是真正的护城河。
![]()
秘诀1：高效利用显存，attention 参数量降低20倍
大模型的一大痛点是显存占用高，导致无法支持大批量推理。Attention 层中的 Key-Value(KV)缓存便是罪魁祸首之一。
为了降低显存占用，Character.AI在Attention层大动手术:
全面采用MQA（Multi-Query Attention）
与大多数开源模型中采用的GQA（Grouped-Query Attention）相比，将KV缓存大小减少了 8 倍。
而MQA正是沙哥本人2019年在谷歌期间提出的，有网友评价“当一个人能在生产环境中引用自己的论文，就达到了一个新的高度”。
![]()
混合注意力视野
将局部注意力与全局注意力层交织在一起，使用滑动窗口训练局部注意力，将复杂度从 O(length^2 ) 降低到 O(length)。
团队发现，将大多数注意力层的注意力范围减少到1024不会对评估指标产生重大影响，包括长上下文大海捞针基准。在Character.ai生产模型中，每6层中只有1层使用全局注意力。
跨层KV共享
团队将KV缓存绑定在相邻的注意力层上，这进一步将 KV缓存大小减少了 2-3 倍。
对于全局注意力，跨块绑定多个全局层的KV缓存，因为全局注意力层在长上下文用例中主导KV缓存大小，团队发现跨层共享KV不会降低质量。
下图中左半部分是标准Transformer设计，每个注意力都是全局注意力。右半部分为Character.ai的设计，蓝色框表示全局注意力，绿色框表示局部注意力，连线表示KV共享。
![]()
这一套组合拳下来，KV缓存大小减少20倍以上，显存再也不是瓶颈了。
秘诀2：巧用状态缓存，95%请求无需重算
Character.AI还有一招神来之笔，就是在不同对话之间缓存Attention状态。
作为聊天机器人角色扮演服务，Character.AI上大部分对话都是连续多轮的，平均每个对话包含180条消息。如果每次都要重新计算前面的状态，成本可想而知。
于是团队设计了一个缓存机制，把每个对话的Prefix和生成的消息都缓存在内存中，供后续调用。
借鉴RadixAttention的思路，树状结构的LRU缓存组织缓存的KV张量。缓存的KV值由前缀token的Rolling Hash速检索最长匹配的缓存，即使前缀只有部分匹配也能命中。
更妙的是，他们还用会话保持(Sticky Session)把同一对话路由到同一个服务器，进一步提高缓存命中率。最终做到95%的请求都能复用已有缓存，大幅降低了计算成本。
下图中，蓝色框表示主机内存上的缓存张量。绿色和黄色框表示CUDA内存上的KV缓存。当新查询到达时，它检索最长匹配前缀的KV缓存，Rolling Hash系统允许检索部分匹配消息的缓存。
![]()
秘诀3：直接量化训练，推理零损失还省显存
最后一招，Character.AI没有采用常见的“训练后量化”，而是直接用Int8精度训练模型。
这种格式虽然表达精度降低，但通过精心设计定制的矩阵乘和 Attention 内核，不仅把训练效率提高了好几倍，而且还能无损用于推理。
不过沙哥在这里暂时留了一手，表示“量化训练本身就是一个复杂的话题，将在以后的文章中继续讨论。”
沙哥其人
最后再来介绍一下传奇人物Noam Shazeer本人。
![]()
他1994年拿了信息学奥赛IOI金牌，后来毕业于杜克大学。
2000年加入谷歌，当时全公司只有200人左右，他参与了谷歌搜索的拼写纠正功能，后来也负责过早期广告系统。
据知情人透露，在当初面试谷歌时，沙哥就被问到如何实现拼写纠正。他描述了一种根据其他用户的输入输入记录，进行统计验证的方法。
面试官Gmail之父Paul Buchheit意识到，沙哥的方案比谷歌当时使用的要好。沙哥成功入职之后就把他的面试方案写出来了。
![]()
在Transformer开山之作《Attention is All You Need》研究中，沙哥最后一个加入团队，一来就负责重新编写了整个代码。
在沙哥出手之前，Transformer早期原型性能并没有超越当时流行的LSTM方案，是他把早期设计中的卷积等模块都拿掉，给出了一个极简主义方案。最终破了BLEU测试的记录，同时计算效率也更高。
队友用“他是一个巫师”来评价他的工程和代码能力。
除此之外，沙哥还有惊人的远见。在Transformer架构问世不久，他就给谷歌高层写信，提议公司放弃整个搜索索引，并用Transformer架构训练一个巨大的神经网络替代。
2021年，沙哥离开谷歌后创办了Character.AI，让玩家简单自创个性化AI陪聊，目前估值约50亿美元。
![]()
最近有消息称，Meta与马斯克的𝕏都在争取与他们合作，把聊天机器人引入社交平台。
参考链接：[1]https://research.character.ai/optimizing-inference/[2]https://x.com/NoamShazeer/status/1803790708358410380
— 完 —
量子位年度AI主题策划正在征集中！
欢迎投稿专题 一千零一个AI应用，365行AI落地方案
或与我们分享你在寻找的AI产品，或发现的AI新动向
![]()
点这里👇关注我，记得标星哦～
一键三连「分享」、「点赞」和「在看」
科技前沿进展日日相见 ~
![]()
什么AI应用每秒处理20000个AI推理请求，达到2024年谷歌搜索流量的1/5？
答案是独角兽Character.ai，由Transformer作者Noam Shazeer（后面简称沙哥）创办。
刚刚，沙哥公布了推理优化独门秘诀，迅速引起业界热议。
具体来说Character.ai在整个服务堆栈中实现了如下成绩：
内存高效架构设计：将KV缓存大小减少20倍以上，而不会降低质量
Attention状态缓存：95%请求无需重算
直接用in8精度量化训练：推理零损失还省显存
Character.AI通过以上种种优化，已经把推理成本降低到最初的1/33，如果用市场上最好的商业API来支撑这种级别的流量，成本会比现在高出13.5倍!
众多公布的方法中，原生int8训练是最受关注的。
虽然大多数技巧都来自公开研究，但是正如网友所说，知道如何把它们高效整合在一起实现的团队才是真正的护城河。
秘诀1：高效利用显存，attention 参数量降低20倍
大模型的一大痛点是显存占用高，导致无法支持大批量推理。Attention 层中的 Key-Value(KV)缓存便是罪魁祸首之一。
为了降低显存占用，Character.AI在Attention层大动手术:
全面采用MQA（Multi-Query Attention）
与大多数开源模型中采用的GQA（Grouped-Query Attention）相比，将KV缓存大小减少了 8 倍。
而MQA正是沙哥本人2019年在谷歌期间提出的，有网友评价“当一个人能在生产环境中引用自己的论文，就达到了一个新的高度”。
混合注意力视野
将局部注意力与全局注意力层交织在一起，使用滑动窗口训练局部注意力，将复杂度从 O(length^2 ) 降低到 O(length)。
团队发现，将大多数注意力层的注意力范围减少到1024不会对评估指标产生重大影响，包括长上下文大海捞针基准。在Character.ai生产模型中，每6层中只有1层使用全局注意力。
跨层KV共享
团队将KV缓存绑定在相邻的注意力层上，这进一步将 KV缓存大小减少了 2-3 倍。
对于全局注意力，跨块绑定多个全局层的KV缓存，因为全局注意力层在长上下文用例中主导KV缓存大小，团队发现跨层共享KV不会降低质量。
下图中左半部分是标准Transformer设计，每个注意力都是全局注意力。右半部分为Character.ai的设计，蓝色框表示全局注意力，绿色框表示局部注意力，连线表示KV共享。
这一套组合拳下来，KV缓存大小减少20倍以上，显存再也不是瓶颈了。
秘诀2：巧用状态缓存，95%请求无需重算
Character.AI还有一招神来之笔，就是在不同对话之间缓存Attention状态。
作为聊天机器人角色扮演服务，Character.AI上大部分对话都是连续多轮的，平均每个对话包含180条消息。如果每次都要重新计算前面的状态，成本可想而知。
于是团队设计了一个缓存机制，把每个对话的Prefix和生成的消息都缓存在内存中，供后续调用。
借鉴RadixAttention的思路，树状结构的LRU缓存组织缓存的KV张量。缓存的KV值由前缀token的Rolling Hash速检索最长匹配的缓存，即使前缀只有部分匹配也能命中。
更妙的是，他们还用会话保持(Sticky Session)把同一对话路由到同一个服务器，进一步提高缓存命中率。最终做到95%的请求都能复用已有缓存，大幅降低了计算成本。
下图中，蓝色框表示主机内存上的缓存张量。绿色和黄色框表示CUDA内存上的KV缓存。当新查询到达时，它检索最长匹配前缀的KV缓存，Rolling Hash系统允许检索部分匹配消息的缓存。
秘诀3：直接量化训练，推理零损失还省显存
最后一招，Character.AI没有采用常见的“训练后量化”，而是直接用Int8精度训练模型。
这种格式虽然表达精度降低，但通过精心设计定制的矩阵乘和 Attention 内核，不仅把训练效率提高了好几倍，而且还能无损用于推理。
不过沙哥在这里暂时留了一手，表示“量化训练本身就是一个复杂的话题，将在以后的文章中继续讨论。”
沙哥其人
最后再来介绍一下传奇人物Noam Shazeer本人。
他1994年拿了信息学奥赛IOI金牌，后来毕业于杜克大学。
2000年加入谷歌，当时全公司只有200人左右，他参与了谷歌搜索的拼写纠正功能，后来也负责过早期广告系统。
据知情人透露，在当初面试谷歌时，沙哥就被问到如何实现拼写纠正。他描述了一种根据其他用户的输入输入记录，进行统计验证的方法。
面试官Gmail之父Paul Buchheit意识到，沙哥的方案比谷歌当时使用的要好。沙哥成功入职之后就把他的面试方案写出来了。
在Transformer开山之作《Attention is All You Need》研究中，沙哥最后一个加入团队，一来就负责重新编写了整个代码。
在沙哥出手之前，Transformer早期原型性能并没有超越当时流行的LSTM方案，是他把早期设计中的卷积等模块都拿掉，给出了一个极简主义方案。最终破了BLEU测试的记录，同时计算效率也更高。
队友用“他是一个巫师”来评价他的工程和代码能力。
除此之外，沙哥还有惊人的远见。在Transformer架构问世不久，他就给谷歌高层写信，提议公司放弃整个搜索索引，并用Transformer架构训练一个巨大的神经网络替代。
2021年，沙哥离开谷歌后创办了Character.AI，让玩家简单自创个性化AI陪聊，目前估值约50亿美元。
最近有消息称，Meta与马斯克的𝕏都在争取与他们合作，把聊天机器人引入社交平台。
参考链接：[1]https://research.character.ai/optimizing-inference/[2]https://x.com/NoamShazeer/status/1803790708358410380
— 完 —
量子位年度AI主题策划正在征集中！
欢迎投稿专题 一千零一个AI应用，365行AI落地方案
或与我们分享你在寻找的AI产品，或发现的AI新动向
点这里👇关注我，记得标星哦～
一键三连「分享」、「点赞」和「在看」
科技前沿进展日日相见 ~