新智元報(bào)道

編輯：KingHZ Aeneas

【新智元導(dǎo)讀】炸裂！就在剛剛，一位MIT博士，在Transformer里造出個(gè)計(jì)算機(jī)?，F(xiàn)在，模型一舉洗刷「9.11與9.9哪個(gè)大」的恥辱，幾秒內(nèi)運(yùn)行數(shù)百萬步程序，世界最難數(shù)獨(dú)準(zhǔn)確率100%！大模型的能力邊界，從此徹底改變。

就在剛剛，AI圈被一項(xiàng)暴力美學(xué)般的突破，徹底震碎了三觀。

一位MIT博士，在Transformer里，直接造出了個(gè)計(jì)算機(jī)！

注意，不是外掛插件，不是調(diào)用工具（Tool Use），而是通過一種近乎瘋狂的硬編碼方式，將一個(gè)WebAssembly (WASM) 解釋器無損地（Losslessly）嵌入到了Transformer模型的權(quán)重之中。

這位博士老哥，是真的把LLM玩出硬件感了

這意味著，從此LLM不再是靠概率預(yù)測(cè)下一個(gè)智元（Token）的文字游戲機(jī)，而是進(jìn)化成了一臺(tái)真正的數(shù)字計(jì)算機(jī)。

如果你以為，LLM現(xiàn)在還算不清「9.11與9.9哪個(gè)大」，現(xiàn)在，你的認(rèn)知將被徹底粉碎！

現(xiàn)在，這篇帖子已經(jīng)在X上熱轉(zhuǎn)，引來眾多開發(fā)者大神的瘋狂點(diǎn)贊。

可以說，它一舉洗刷了大模型3年以來的「恥辱」。

「Vibe Coding」之父、大神Karpathy直接驚呼：這項(xiàng)研究太棒了，實(shí)在是令人深受啟發(fā)！

LLM終極弱點(diǎn)，被徹底攻破

作為一種新類型的智能，大模型能解研究級(jí)難題，但不借助外部工具，卻幾乎不可能完成兩個(gè)數(shù)相乘或解個(gè)小數(shù)獨(dú)。

那么，如何讓LLM本身變得像計(jì)算機(jī)一樣可靠高效？

答案是：在Transformer內(nèi)部實(shí)實(shí)在在地構(gòu)建一臺(tái)計(jì)算機(jī)。

雅典大學(xué)副教授、MIT博士Christos Tzamos及其Percepta團(tuán)隊(duì)將任意C代碼轉(zhuǎn)化為智元（Token），讓模型自己能可靠執(zhí)行，在幾秒內(nèi)運(yùn)行數(shù)百萬步。

鏈接：https://www.percepta.ai/blog/can-llms-be-computers

通過匈牙利算法，它解決了一個(gè)多步優(yōu)化問題，即求解最小成本完美匹配，運(yùn)作方式如下。

在這個(gè)過程中，AI并不調(diào)用外部工具。

所有計(jì)算都是在Transformer內(nèi)部以自回歸的方式完成的！

這里的難點(diǎn)在于，對(duì)于任何實(shí)際計(jì)算來說，LLM的標(biāo)準(zhǔn)注意力機(jī)制太慢了。

為了繞過這一限制，他們發(fā)明了一種新的解碼路徑，實(shí)現(xiàn)了指數(shù)級(jí)加速的注意力機(jī)制，讓每智元（Token）生成所需的幾乎所有計(jì)算量智元（Token），并在CPU上以超過每秒3萬個(gè)智元（Token）的速度流式輸出結(jié)果。

要知道MacBook M2 Pro的解碼速度才每秒27個(gè)智元（token），每秒33000個(gè)智元（Token）堪稱火箭般的速度，讓人難以想象！

當(dāng)然，用LLM的計(jì)算速度無法與CPU相比，這項(xiàng)研究的關(guān)鍵意義在于賦予LLM內(nèi)在計(jì)算能力，真正教會(huì)AI算數(shù)，讓它更聰明。

而這項(xiàng)能力與自動(dòng)研究相結(jié)合，未來探索空間更是遠(yuǎn)超想象。

網(wǎng)友贊嘆：這才是真正的原生智能！

傳統(tǒng)attention

可以退出歷史舞臺(tái)？

注意，這項(xiàng)工作，并不是讓模型更會(huì)算，而是讓模型在內(nèi)部真正執(zhí)行程序！

不靠外掛，不調(diào)用Python，所有計(jì)算，都發(fā)生在Transformer里。

更離譜的是，這臺(tái)「計(jì)算機(jī)」幾秒就能跑完百萬步的程序。連做最難的數(shù)獨(dú)，正確率都是100%。

在3分鐘內(nèi)，它就實(shí)現(xiàn)了100%的精確求解

這種方法不僅可用于速度，它可以用于執(zhí)行任意代碼——就像在AI腦子中塞入了一臺(tái)電腦。

按照大V「Rainier」的說法，這個(gè)思路有點(diǎn)類似于TI的dsp芯片：ARM負(fù)責(zé)邏輯思維，dsp專門負(fù)責(zé)高速數(shù)據(jù)計(jì)算，各取所長。

這也意味著，一種Hybrid LLM架構(gòu)的全新范式開始出現(xiàn)，其中神經(jīng)網(wǎng)絡(luò)負(fù)責(zé)推理和理解，嵌入式解釋器/計(jì)算引擎負(fù)責(zé)高精度計(jì)算。

于是可以同時(shí)兼顧推理能力和確定性計(jì)算精度，徹底解決「9.11和9.9哪個(gè)大」這個(gè)問題。

這個(gè)方向走通的話，數(shù)值計(jì)算、物理模擬、金融建模、密碼學(xué)運(yùn)算，都會(huì)發(fā)生極大變革。

傳統(tǒng)Attention太慢，根本不適合做計(jì)算，而這項(xiàng)研究，直接引爆了Transformer的范式躍遷！

AI最大的恥辱，如今被終結(jié)了

三年了。

三年來，每個(gè)頂級(jí)AI經(jīng)歷過同一個(gè)社死時(shí)刻：當(dāng)你在臺(tái)上信心滿滿地演示大模型的超強(qiáng)推理能力，臺(tái)下忽然有人舉手提問：「那請(qǐng)問，9.11和9.9哪個(gè)大？」

模型回答「9.11 > 9.9」，全場哄堂大笑。

這不是段子，這是真實(shí)發(fā)生過無數(shù)次的事。

2024年，在記者M(jìn)att Barnum測(cè)試中，基于ChatGPT的學(xué)習(xí)輔導(dǎo)工具Khanmigo，有時(shí)連算術(shù)題的答案都拿不準(zhǔn)

原因不難理解：Transformer本為理解語言設(shè)計(jì)的，并非為精確計(jì)算設(shè)計(jì)。

讓大模型做算術(shù)，就像讓莎士比亞做會(huì)計(jì)——他能把財(cái)報(bào)寫成十四行詩，但數(shù)字八成對(duì)不上。

AI行業(yè)的補(bǔ)丁方案是「外掛工具」：算不了？那就調(diào)Python。

這相當(dāng)于給莎士比亞旁邊放了個(gè)計(jì)算器。雖然能用，但并不優(yōu)雅，而且每次調(diào)用都打斷推理鏈、增加延遲、引入安全風(fēng)險(xiǎn)。

現(xiàn)在，MIT博士說：別給莎士比亞放計(jì)算器了，直接讓他天生就會(huì)算數(shù)！

他們把一臺(tái)完整的WebAssembly虛擬機(jī)，硬編碼進(jìn)了Transformer的權(quán)重里。

也就是說，神經(jīng)網(wǎng)絡(luò)的前向傳播過程本身，就等價(jià)于執(zhí)行一臺(tái)計(jì)算機(jī)。

過去AI的恥辱，如今終結(jié)了。

不過，但就數(shù)獨(dú)問題而言，這不是LLM第一次突破。

工程師Aviraj認(rèn)為Percepta的方法很酷，但他們采取了不同的、更面向具體問題的路徑。

核心區(qū)別在于：不將通用編譯產(chǎn)物（如C->WASM）作為模型的學(xué)習(xí)目標(biāo)，而是為特定任務(wù)設(shè)計(jì)一個(gè)極簡的、領(lǐng)域?qū)Ｓ玫闹噶罴≒SVM）。

不過，這次看看Christos Tzamos團(tuán)隊(duì)如何在Transformer內(nèi)部跑起來一臺(tái)電腦的。

這個(gè)過程的關(guān)鍵，就是找到一種方法，來編碼一臺(tái)可工作的計(jì)算機(jī)。

計(jì)算：一條只增不減的軌跡

要理解Transformer如何在內(nèi)部執(zhí)行程序，不妨用一種稍微不同的方式來思考計(jì)算。

想象一個(gè)筆記本，計(jì)算的每一步都寫在下一行。一旦寫下，前面的行就不能更改；筆記本只會(huì)越來越厚。

這驚人地接近自回歸Transformer的工作方式：提示詞是輸入，生成的智元形成不斷增長的軌跡，每個(gè)新智元都是通過注意力機(jī)制回看少量位置后產(chǎn)生的。

比如，給定一個(gè)句子，統(tǒng)計(jì)其中動(dòng)詞的數(shù)量是奇數(shù)還是偶數(shù)。每個(gè)軌跡智元恰好關(guān)注兩個(gè)位置：對(duì)應(yīng)的輸入詞（檢查它是否是動(dòng)詞）和前一個(gè)軌跡智元（讀取當(dāng)前的奇偶狀態(tài)）。

請(qǐng)注意，無論句子有多長，每一步都只需要兩次回看（一次看提示詞，一次看軌跡）。

這正是其中的核心洞察：許多算法都可以表示成這種只增不減的軌跡，每一步只需讀取少量、固定數(shù)量的先前位置。

那么，計(jì)算能否被表示成一條只增不減的軌跡，且每一步只需回看少量次數(shù)呢？

答案是肯定的。

在Christos Tzamos的系統(tǒng)中，AI模型明確地生成了這樣的軌跡。

它生成的智元代表了一個(gè)虛擬機(jī)的動(dòng)態(tài)狀態(tài)：指令指針、內(nèi)存和棧操作、算術(shù)運(yùn)算、控制流以及輸出。

AI只需通過回看相關(guān)的先前步驟，就能重構(gòu)出當(dāng)前狀態(tài)。

這幾乎就是圖靈機(jī)！

圖靈機(jī)是一種抽象的計(jì)算機(jī)模型，它通過在一個(gè)無限長的紙帶上進(jìn)行讀寫操作來執(zhí)行計(jì)算。

但即使Transformer能表示這種執(zhí)行軌跡，隨著軌跡變長，標(biāo)準(zhǔn)的解碼過程仍然會(huì)付出越來越高的成本。

然而，Christos Tzamos等提出了快速解碼路徑，消除了這一障礙，而二維注意力頭限制，正是實(shí)現(xiàn)這一快速路徑的關(guān)鍵。

總的來說，這件事真正有價(jià)值的地方，不在于「模型更會(huì)算了」，而有些能力，可以直接以「系統(tǒng)」的形式嵌入進(jìn)去。

當(dāng)Transformer內(nèi)部開始運(yùn)行真正的程序，LLM就不再只是一個(gè)概率模型，而更像一個(gè)由推理系統(tǒng)和計(jì)算引擎組成的混合體。

AI，正在變成一整套可以執(zhí)行、可以組合、可以擴(kuò)展的系統(tǒng)。

這，可能就是下一代AI的真正方向。

參考資料：

https://x.com/mtrainier2020/status/2033640996337291482

https://www.percepta.ai/blog/can-llms-be-computers