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
广告声明：文内含有的对外跳转链接（包括不限于超链接、二维码、口令等形式），用于传递更多信息，节省甄选时间，结果仅供参考，IT之家所有文章均包含本声明。
“掌”握科技鲜闻 （微信搜索techsina或扫描左侧二维码关注）
