第243章 小芯3.0大模型训练瓶颈

  中央研究院人工智慧大楼的负三层，是未来科技最耗电、最烧钱的地方。四排黑色的机柜整齐排列，每排十六个，共六十四台定製化ai训练伺服器昼夜不停地运转。机柜表面贴著温度传感器，实时数据显示在墙上的监控大屏：45.3c，46.1c，47.8c……空调系统在全功率运行，但依然压不住这些“算力怪兽”散发的热量。

  赵静站在监控屏前，已经盯著那条曲线看了二十分钟。那是“小芯”3.0大模型过去七天训练损失的下降曲线。按照计划，曲线应该平滑地向右下方延伸，显示模型正在持续学习。但现实是，曲线在三天前开始剧烈震盪，昨天下午甚至出现了罕见的反向上升，这意味著模型不但没有进步，反而在某些方面退步了。

  她身后站著五名核心算法工程师，每个人都脸色凝重。空气里除了伺服器风扇的低频嗡鸣，就只有空调出风口的气流声。

  “还是没有找到原因？”赵静没有回头，声音在空旷的机房里显得格外清晰。

  站在最左边的年轻工程师扶了扶眼镜：“我们排查了所有可能：数据清洗流程没问题，训练代码没有bug，硬体监控显示所有gpu都在正常工作，內存和显存使用率都在安全范围內。”

  “但损失函数就是震盪。”赵静转过身，目光扫过每个人的脸，“而且震盪幅度越来越大。昨天下午那个峰值，损失值回升到了十天前的水平。这意味著我们过去一周的训练，可能白费了。”

  这句话让所有人都打了个寒颤。过去一周，这六十四台伺服器消耗的电费就超过八十万，更別说研发人员的工时成本。如果训练真的出了问题需要回滚，损失远不止金钱，更是宝贵的时间。

  “张博到了。”一名助理从电梯间小跑过来，压低声音说。

  赵静眼睛一亮：“快请他进来。”

  被称为张博的男人四十出头，穿著朴素的白衬衫和牛仔裤，背著一个磨损严重的双肩包。他叫张景明，国內顶尖的机器学习理论学者，三个月前被赵静以“访问学者”名义请来，专门研究大模型训练中的稳定性问题。此人性格孤僻，不善交际，但论文被引用次数在亚洲区排前三。

  “数据。”张景明走到监控屏前，只说了一个词。

  工程师立刻调出详细日誌：每一轮训练的参数更新幅度，梯度分布统计，激活函数输出范围，权重矩阵的奇异值分解结果……数十个维度的监控数据以图表形式展开，密密麻麻布满了八块屏幕。

  张景明没有看屏幕，而是从背包里掏出自己的笔记本电脑，连接上內部网络。他的电脑桌面上没有任何花哨的壁纸，只有几个命令行终端和一个自製的数据可视化工具。

  “给我过去两周的完整梯度歷史，按层、按头、按batch分別导出。”他的手指在键盘上飞舞，敲击声又快又轻。

  机房里的气氛变得更加紧张。所有人都知道，张景明正在尝试一种很少有人用的诊断方法，分析训练过程中梯度的微观动態。大多数团队只关心损失函数这个宏观指標，但张景明认为，大模型训练中的很多问题，早在损失函数震盪之前，就已经在梯度层面显露徵兆。