AI终于能替我写论文了

编 | 小舟、陈萍
源 | 机器之心

Meta AI 提出了一个可以总结学术文献，解决数学问题的新模型，该模型还能生成百科文章，编写科学代码，注释分子和蛋白质等等。

近年来，随着各学科领域研究的进步，科学文献和数据呈爆炸式增长，使学术研究者从大量信息中发现有用的见解变得越来越困难。通常，人们借助搜索引擎来获取科学知识，但搜索引擎不能自主组织科学知识。

现在，来自 Meta AI 的研究团队提出了一种新的大型语言模型 Galactica，可以存储、组合和推理科学知识。

论文地址：
https://galactica.org/static/paper.pdf

试用地址：
https://galactica.org/

Galactica 模型有多强大呢，它可以自己总结归纳出一篇综述论文：

也可以生成词条的百科查询：

对所提问题作出知识性的回答：

这些任务对于人类学者来说尚且是具有挑战性的任务，但 Galactica 却很好地完成了。图灵奖得主 Yann LeCun 也在推特上发文称赞：

我们来看一下 Galactica 模型的具体细节。

模型概述

Galactica 模型是在大量的论文、参考资料、知识库和许多其他来源的科学语料库上进行训练的，包括超过 4800 万篇论文、教科书和讲义、数百万种化合物和蛋白质知识、科学网站、百科全书等。与依赖于未经整理的、基于网络爬虫文本的现有语言模型不同，Galactica 训练所用的语料库是高质量且经过高度整理的。该研究在不过拟合的前提下对模型进行多个 epoch 的训练，其中在上游和下游任务上的性能通过使用重复的 token 得到改善。

Galactica 的性能在一系列科学任务上优于现有模型。在 LaTeX 方程式等技术知识的探索任务上，Galactica 与 GPT-3 的性能是 68.2% VS 49.0%。Galactica 在推理方面也表现出色，在数学 MMLU 基准上的表现显著优于 Chinchilla。

尽管没有接受过通用语料库的训练，Galactica 在 BIG-bench 上的性能也优于 BLOOM 和 OPT-175B。此外，它还在 PubMedQA 和 MedMCQA 开发等下游任务上创下了 77.6% 和 52.9% 的性能新高。

简单来说，该研究将逐步推理封装在特殊的 token 中，以模仿内部工作原理。这允许研究人员使用自然语言与模型进行交互，下图是 Galactica 的试用界面。

值得一提的是，除了文本生成，Galactica 还可以执行涉及化学公式和蛋白质序列的多模态任务。这将为药物发现领域做出贡献。

实现细节

本文的语料库包含 1060 亿个 token，这些 token 来自论文、参考文献、百科全书以及其他科学资料。可以说该研究将自然语言资源（论文、参考书）与自然界中的序列（蛋白质序列、化学形式）都囊括了。表 1 和表 2 中显示了语料库的细节。

语料库有了，接下来是对数据怎么操作。一般来讲，对 tokenization 的设计是非常重要的。例如，蛋白质序列是根据氨基酸残基来编写的，那么基于字符的 tokenization 是合适的。为了实现 tokenization，该研究对不同的模态进行了专门的 token 化。具体表现在（包括但不仅限于）：

引用：用特殊的参考 token[START_REF]和 [END_REF] 来包装引用；
逐步推理：用 working memory token 来封装逐步推理，模拟内部 working memory 上下文；
数字：把数字分成单独的 token。例如， 737612.62 → 7,3,7,6,1,2,.,6,2；
SMILES 公式：用 [START_SMILES] 和[END_SMILES]包装序列，并应用基于字符的 tokenization。同样，该研究使用 [START_I_SMILES] 和[END_I_SMILES]来表示异构体 SMILES。例如：C(C(=O)O)N→C，(，C，(，=，O，)，O，)，N；
DNA 序列：应用一种基于字符的 tokenization，将每个核苷酸碱基视为一个 token，其中起始 token 为 [START_DNA] 和[END_DNA]。例如，CGGTACCCTC→C, G, G, T, A, C, C, C, T, C。

如下图 4 显示了对一篇论文的引用进行处理的示例。在处理引用时使用全局标识符和特殊 token[START_REF]和 [END_REF] 来表示引用的地方。

数据集处理好之后，接下来就是怎么实现。Galactica 在 Transformer 架构的基础上进行了以下修改：

GeLU 激活：将 GeLU 激活用于各种大小的模型；
上下文窗口：对于不同大小的模型，使用 2048 长度的上下文窗口；
无偏置：遵循 PaLM，在密集内核或层规范中不使用偏置；
学习位置嵌入：学习位置嵌入用于模型；
词汇表：使用 BPE 构建一个包含 50k token 的词汇表。

表 5 列出了不同大小模型以及训练超参数。

实验

重复的 token 被认为是无害的

从图 6 可以看出，在经过四个 epoch 的训练之后，验证损失继续下降。拥有 120B 参数的模型在第五个 epoch 开始时才开始过拟合。这是出乎意料的，因为现有的研究表明重复的 token 可能对性能有害。该研究还发现，30B 和 120B 的模型在 epoch-wise 后表现出双下降效应，即验证损失达到平稳(或上升)，然后是下降。这种效果在每个 epoch 后都变得更强，最明显的是 120B 模型在训练结束时。

图 8 结果显示实验没有出现过拟合迹象，这表明重复 token 能够提高下游和上游任务性能。

其他结果

键入公式太慢了，现在用提示就能生成 LaTeX：

在化学反应中，要求 Galactica 在化学方程 LaTeX 中预测反应的产物，模型仅根据反应物就能进行推理，结果如下：

表 7 中报告了一些其他结果：

Galactica 的推理能力。该研究首先在 MMLU mathematics 基准上进行评估，并在表 8 中报告了评估结果。Galactica 与较大的基础模型相比表现强劲，并且使用 token 似乎可以提高 Chinchilla 的性能，即使对于较小的 30B Galactica 模型也是如此。

该研究还对 MATH 数据集进行了评估，以进一步探索 Galactica 的推理能力：

从实验结果可以得出：Galactica 在思维链和提示方面都大大优于基础 PaLM 模型。这表明 Galactica 在处理数学任务上是个更好的选择。

在下游任务的评估结果如表 10 所示。Galactica 显着优于其他语言模型，并且在大多数任务中优于更大的模型（Gopher 280B）。与 Chinchilla 相比，性能表现差异更大，Chinchilla 在子集任务上似乎更强：特别是高中科目以及数学较少、记忆密集型任务。相比之下，Galactica 往往在数学和研究生水平的任务中表现更好。