近日，中國科學(xué)院自動(dòng)化研究所李國齊、徐波團(tuán)隊(duì)在發(fā)表原創(chuàng)內(nèi)生復(fù)雜性理論系列論文的工作基礎(chǔ)上，與沐曦MetaX合作，打造了類腦脈沖大模型“瞬悉1.0”（SpikingBrain-1.0），在國產(chǎn)千卡GPU算力平臺(tái)上完成全流程訓(xùn)練和推理，實(shí)現(xiàn)了大模型在超長序列推理上數(shù)量級的效率和速度提升，展示了構(gòu)建國產(chǎn)自主可控的新型非Transformer大模型架構(gòu)生態(tài)的可行性。研究團(tuán)隊(duì)開源了SpikingBrain-1.0-7B模型并開放SpikingBrain-1.0-76B測試網(wǎng)址，同步公開了經(jīng)工業(yè)界大規(guī)模驗(yàn)證的類腦脈沖大模型SpikingBrain-1.0中英文技術(shù)報(bào)告。

基于內(nèi)生復(fù)雜性的非Transformer架構(gòu)

當(dāng)前，基于Transformer架構(gòu)的大模型在Scaling law驅(qū)動(dòng)下，通過增加網(wǎng)絡(luò)規(guī)模、算力資源和數(shù)據(jù)量提升模型智能水平，但模型的基本計(jì)算單元為簡單的點(diǎn)神經(jīng)元模型，我們將此路徑稱為“基于外生復(fù)雜性”的通用智能實(shí)現(xiàn)方法。Transformer架構(gòu)的固有缺點(diǎn)訓(xùn)練時(shí)開銷隨序列長度呈平方級增長以及推理時(shí)顯存占用也隨序列長度線性增加，構(gòu)成了資源消耗的主要瓶頸，導(dǎo)致其處理超長序列的能力受限。

研發(fā)團(tuán)隊(duì)借鑒大腦神經(jīng)元內(nèi)部復(fù)雜工作機(jī)制提出“基于內(nèi)生復(fù)雜性”的大模型構(gòu)架方式，打造類腦脈沖大模型“瞬悉1.0”（ SpikingBrain-1.0），在理論上建立了脈沖神經(jīng)元內(nèi)生動(dòng)力學(xué)與線性注意力模型之間的聯(lián)系，揭示了現(xiàn)有線性注意力機(jī)制是樹突計(jì)算的特殊簡化形式，從而清晰地展示了一條不斷提升模型復(fù)雜度和性能的新型可行路徑。研發(fā)團(tuán)隊(duì)進(jìn)而構(gòu)建并開源了基于脈沖神經(jīng)元、具有線性（SpikingBrain-1.0-7B）及混合線性復(fù)雜度（SpikingBrain-1.0-76B，激活參數(shù)量12B）的新型類腦基礎(chǔ)模型，開發(fā)了面向國產(chǎn)GPU（沐曦MetaX曦云C550）集群高效訓(xùn)練和推理框架、Triton 算子庫、模型并行策略以及集群通信原語。

兼具效率與性能，實(shí)現(xiàn)多個(gè)核心突破

SpikingBrain-1.0在多個(gè)核心性能上實(shí)現(xiàn)突破。

第一，極低數(shù)據(jù)量上的高效訓(xùn)練：訓(xùn)練階段具有線性或近線性復(fù)雜度，顯著提升長序列訓(xùn)練效率，并能依托高效轉(zhuǎn)換訓(xùn)練范式，以約為主流大模型2%的預(yù)訓(xùn)練數(shù)據(jù)量實(shí)現(xiàn)與眾多開源Transformer模型在多任務(wù)語言理解（MMLU）,中文多任務(wù)語言理解（CMMLU、Ceval）, 常識(shí)推理能力（ARC、HS）任務(wù)上相媲美的性能。

第二，推理效率的數(shù)量級提升：推理階段結(jié)合脈沖神經(jīng)元事件驅(qū)動(dòng)特性，SpikingBrain具有常數(shù)或部分層常數(shù)級別的復(fù)雜度和存儲(chǔ)開銷，SpikingBrain-7B模型在100萬Token長度下TTFT（生成第一個(gè)Token所需時(shí)間）相比Transformer架構(gòu)加速達(dá)到26.5倍，400萬Token長度下加速超過100倍。同時(shí)在手機(jī)CPU端64k-128k-256k長度下較Llama3.2的同規(guī)模模型Decoding速度提升4.04x-7.52x-15.39x，在超長序列處理能力上展現(xiàn)出數(shù)量級的效率和速度提升。

第三，國產(chǎn)自主可控類腦大模型生態(tài)的構(gòu)建：SpikingBrain適配了面向國產(chǎn)GPU集群的高效訓(xùn)練和推理框架、Triton算子庫、模型并行策略以及集群通信原語，表明了構(gòu)建國產(chǎn)自主可控的新型非Transformer大模型架構(gòu)生態(tài)的可行性。

第四，基于動(dòng)態(tài)閾值脈沖化的多尺度稀疏機(jī)制：設(shè)計(jì)細(xì)粒度的兩階段動(dòng)態(tài)閾值脈沖化策略，結(jié)合粗粒度的混合專家模型（MoE）方案，在7B模型上實(shí)現(xiàn)了超過69.15%的稀疏度，長序脈沖占比約1.85%，為低功耗的類腦大模型運(yùn)行提供有力支撐。

這是我國首次提出大規(guī)模類腦線性基礎(chǔ)模型架構(gòu)、并首次在國產(chǎn)GPU算力集群上構(gòu)建類腦脈沖大模型的訓(xùn)練和推理框架。提出的模型解決了脈沖驅(qū)動(dòng)限制下的大規(guī)模類腦模型性能退化問題，其超長序列處理能力在法律/醫(yī)學(xué)文檔分析、復(fù)雜多智能體模擬、高能粒子物理實(shí)驗(yàn)、DNA序列分析、分子動(dòng)力學(xué)軌跡等超長序列任務(wù)建模場景中具有顯著的潛在效率優(yōu)勢。本次發(fā)布的大模型為新一代人工智能發(fā)展提供了非Transformer架構(gòu)的新技術(shù)路線，并將啟迪更低功耗的下一代神經(jīng)形態(tài)計(jì)算理論和芯片設(shè)計(jì)。

關(guān)于沐曦

沐曦致力于自主研發(fā)全棧高性能GPU芯片及計(jì)算平臺(tái)，為智算、通用計(jì)算、云渲染等前沿領(lǐng)域提供高能效、高通用性的算力支撐，助力數(shù)字經(jīng)濟(jì)發(fā)展。