聲明:本文來自于（ID:ykqsd.com）授權轉載發(fā)布。

**嘉賓：鐘怡然**

**整理工作由劉倩和程曼祺共同完成**

**上期播客中，我們與清華大學的兩位博士生，肖朝軍和傅天予，就稀疏注意力機制的改進展開了討論，并順著這一線索梳理了大模型優(yōu)化的歷史脈絡。**

**除了稀疏注意力機制，我們還探討了另一個重要的改進方向：線性注意力。**

**今年1月，Minimax發(fā)布了參數(shù)為4560億的開源大模型Minimax-01，該模型正是采用了他們開發(fā)的線性注意力機制“Lightning Attention”。**

**為了深入了解這一技術的開發(fā)歷程，我們邀請了該項目負責人、Minimax高級研究總監(jiān)鐘怡然先生，與我們一同探討線性注意力的研發(fā)歷程。鐘怡然在Minimax負責大模型網絡架構設計工作，目前正致力于開發(fā)多模態(tài)深度推理模型。**

**鐘怡然曾擔任過上海人工智能實驗室的青年科學家，是新架構探索組的負責人；他在澳洲國立大學獲得了博士學位，師從李宏東教授和Richard Hartley院士。他的研究團隊已在多個國際頂級學術會議和期刊上發(fā)表了超過20篇關于新模型架構的論文，涵蓋了包括線性注意力機制、長卷積和線性循環(huán)網絡等在內的多種非Transformer架構。**

**2021年，隨著線性注意力仍是一個充滿希望但也充滿挑戰(zhàn)的領域，鐘怡然和團隊開始系統(tǒng)性地探索這一技術的實現(xiàn)路徑。**

**到了2024年下半年，隨著計算能力的提升，團隊決定大規(guī)模投入線性架構的研究。**

**在訓練過程中，團隊通過3700次預訓練測試，驗證了這一新架構在更大規(guī)模模型上的可行性，盡管這一探索過程充滿了不確定性和風險。**

在效率方面，從計算方式分析，當處理的序列變得非常長，線性注意力在效率上的優(yōu)勢將越來越顯著地超過稀疏注意力。

但從實際效果來看，也就是線性注意力架構的模型是否能與 Transformer 模型一樣具有智慧，甚至更聰明。目前還沒有人能夠給出一個令人信服的答案。

這也是 MiniMax 技術后續(xù)進展的一個懸念。

* 這里是本期播客實錄，有文字精簡。正文中的（注：……）為編者注。

“線性注意力在更大規(guī)模的模型上，優(yōu)勢更加明顯。”

晚點：怡然，可以先和我們的聽眾簡單介紹一下自己？

鐘怡然：我目前是 MiniMax 的高級研究總監(jiān)，主要負責模型結構設計和多模態(tài)理解大模型。我主導設計了 MiniMax-01 新一代的網絡架構，此前曾在上海人工智能實驗室擔任青年科學家，負責新一代非 Transformer 架構的研發(fā)及視聽多模態(tài)融合工作。

我們還在新架構的工程實現(xiàn)上進行了一些探索，比如并行策略的應用。針對國產集群通信系統(tǒng)效率問題，我們推出了異步優(yōu)化器，并在計算機視覺和自然語言處理領域進行了有效性驗證。

晚點：其實不只是我們，各家公司都在優(yōu)化注意力機制，這個背景是什么？

鐘怡然：因為 Transformer 存在顯存和計算復雜度的缺陷：顯存和計算的開銷呈二次復雜度增長。FlashAttention 解決了顯存問題，但計算復雜度問題依然存在。

學術界最早提出稀疏注意力機制以降低計算量，但這一方法無法從根本上解決二次復雜度問題。然而，算力的提升在一定程度上掩蓋了這一問題的緊迫性：從英偉達的V100到A100再到H100（第三代高性能GPU），計算能力的增加非常顯著。因此，許多大模型仍然采用Transformer架構，這種架構的序列長度可以擴展到一定的規(guī)模，例如達到128K、256K等。

我們一直致力于解決計算復雜度的二次問題。2021年，當線性注意力剛進入研究階段時，我們開始探索這一方向。線性注意力的機制非常簡單：注意力計算涉及Q、K、V三個矩陣的乘積。

如果按照QK乘以V的方式計算，計算復雜度為二次；如果按照K乘以V再乘以Q的方式，計算復雜度則為一次方，不會顯著增加。因此，線性注意力本質上是將左乘轉換為右乘的形式。

晚點：你們當時嘗試過稀疏注意力方向嗎？

鐘怡然：我們2021年時確實嘗試過，但當時的效果和效率都不太理想。其實和線性注意力面臨的挑戰(zhàn)是一樣的：稀疏注意力的效果并沒有Softmax Attention顯著，速度也只能快一點點。

此外，我注意到稀疏注意力存在逼近上的損失。因為注意力矩陣是一個完整的N×N矩陣，而稀疏注意力僅計算其中有限個注意力得分。這會顯著降低計算量，但這種近似方法得不償失。

晚點：你們對NSA、MoBA以及最近微軟亞研院SeerAttention等稀疏注意力方向的研究效果和效率表現(xiàn)有何看法？帶來了哪些新的認知？

鐘怡然：目前我們還在進行進一步的實驗。從我們的實驗來看，Lightning Attention（MiniMax-01中采用的混合注意力機制）隨著模型參數(shù)的增加，其優(yōu)化效果更為顯著。

我們還測試過兩種改進方法：DeepSeek提出的MLA（一種減少顯存開銷的注意力改進方法）和清華提出的TPA（注：清華提出的一種減少顯存開銷的注意力改進方法）。但發(fā)現(xiàn)這些方法隨著模型規(guī)模的擴大，優(yōu)勢逐漸減小，也就是說，它們對模型大小有一定的限制。

相比之下，Lightning Attention在模型規(guī)模擴大時，其優(yōu)勢更加明顯。目前發(fā)表的NSA、MoBA、SeerAttention等方法，我們認為這些成果尚未真正實現(xiàn)工業(yè)級的規(guī)模擴大（Scale Up）。

晚點：MOBA游戲的代碼是否公開了？它在服務器上運行了一年多。

鐘怡然：在幾百百萬參數(shù)的模型上，我們希望了解稀疏注意力機制與Transformer的相對優(yōu)勢。目前，它們的性能對比主要集中在7B參數(shù)規(guī)模。而在2023年中期，我們對Lightning Attention機制的驗證工作已經完成7B參數(shù)規(guī)模的測試。

晚點：在參數(shù)規(guī)模較小時，稀疏注意力機制與線性注意力機制的表現(xiàn)有何不同？

鐘怡然：7B以上規(guī)模的模型中，這種差異會更加明顯。此外，MiniMax-01是一個總參數(shù)量為4560億、激活459億參數(shù)的混合專家模型。

晚點：在學術界和工業(yè)界，目前更傾向于研究稀疏注意力機制還是線性注意力機制？

鐘怡然：這兩個方向的研究者都不少。2023年之后，線性注意力研究變得熱門，這得益于Mamba模型的興起。

晚點：從Transformer模型的全注意力機制改進程度來看，稀疏注意力機制的改動相對較小，而線性注意力機制的改動則更為顯著。

鐘怡然：對，稀疏注意力機制本質上還是基于Transformer架構，只是對注意力得分的計算方式進行了改進。而線性注意力機制則是改變了QxKxV矩陣的乘法運算。學術界對這一機制的稱呼較多，既可以將其稱為線性注意力機制，也可以稱之為線性Transformer。

晚點：線性注意力機制與傳統(tǒng)的循環(huán)神經網絡（RNN）有何區(qū)別？

鐘怡然：它本質上也是一種循環(huán)機制，但與傳統(tǒng)RNN不同的是，線性循環(huán)網絡能夠實現(xiàn)大規(guī)模的并行化。

80%的資源投入，50%的把握

等一下，我們可以從頭開始聊一聊。你們從2021年開始關注線性注意力，到如今，這個過程是一個怎樣的演變？

鐘怡然：2021年7月，我們在cosFormer項目中啟動，這也是我們首次接觸線性注意力領域。相關研究成果發(fā)表在ICLR上。如今，cosFormer在線性注意力領域的知名度依然不錯。

當時的想法很簡單：一方面，Transform領域已經有了許多優(yōu)秀的研究者，即便在這一領域做到極致，也只能算是跟在他人后面。但另一方面，線性注意力作為一個新興方向，關注者相對較少，與其跟隨他人的步伐，不如另辟蹊徑。

其實，線性注意力領域的一些論文早在2021年之前就已經出現(xiàn)，幾乎與Transformer同時推出。然而，這些方法的效果并不理想，運行速度也很慢，因此大家當時認為這是一個“空中樓閣”，即理論上很有吸引力，但實際應用效果不佳。

2021年至2022年期間，我們在這一領域進行了密集探索，提出了一系列方法，包括線性注意力機制、長卷積和線性循環(huán)網絡。我們幾乎涵蓋了當時所有相關的線性方案。到2022年底，我們的研究成果在語言建模任務中，已經與Transformer達到了近乎相同的水平。

等一下，你們當時是如何判斷線性架構已經與Transformer差不多了？

鐘怡然：當時我們主要測試了學術數(shù)據(jù)集，關注點包括困惑度、建模精度等指標。此外，我們還在一些大型語言模型基準測試中，將線性方法與Transformer進行了對比，甚至測試了Long Range Arena這樣的長文本基準。

在實驗室階段，我們首先解決了線性注意力的建模精度問題，接著是速度問題。線性注意力雖然在理論上具有線性復雜度，但在實際運行時卻表現(xiàn)得很慢。這是因為右乘操作涉及大量循環(huán)操作，這對GPU來說并不友好，導致運行效率遠低于理論復雜度。為此，我們在2020年推出了TLN和Lightning Attention算法。Lightning Attention通過優(yōu)化，使實際效率更接近理論計算復雜度。

因此，這段經歷在我們的實驗室期間，我們認為已經達到了"Scale Up ready"的狀態(tài)。我們相信，我們不僅在精度上已經解決了一個大問題，還在推理效率上取得了突破。

當我們實現(xiàn)了這個Scale-up ready狀態(tài)時，最大的模型測試規(guī)模是哪一個？

鐘怡然表示，當時訓練的最大模型規(guī)模是15B參數(shù)。

你們當時沒有繼續(xù)進行更大的Scaling-up測試，是否是因為實驗室資源有限？

鐘怡然表示，要實現(xiàn)真正的Scaling-up，需要引入外部資金或技術支持，這確實是一項挑戰(zhàn)。

那時我是比較著急的，因為我判斷，最遲在2024年底，基于線性注意力的大模型必然會誕生，不是我們做出來，就是Google、OpenAI等其他機構。既然要誕生，為什么不在我們自己手里了？我們是當時最懂線性注意力的人。這一判斷，我們團隊的成員還包括了松林（楊松林），他在我們組內工作過。

晚點問，最懂指中國還是指全球？

鐘怡然表示，基本上是全球。包括現(xiàn)在比較活躍的松林（楊松林）之前也是我們組員。

晚點問，你最終找到的投資者是MiniMin嗎？

鐘怡然表示，這其實是一個雙向的過程。我在商湯工作時，曾在俊杰手下。

晚點問，你是否想過自己創(chuàng)業(yè)？

鐘怡然：我考慮了一下，但這確實很難?；A架構方面的創(chuàng)新需要投入非常大的資金，而我們目前在算法上并沒有明顯的優(yōu)勢。

大模型確實挺復雜的，首先架構要好，其次訓練數(shù)據(jù)要好，最后訓練方式也要對，這三個環(huán)節(jié)缺一不可。任何一個環(huán)節(jié)出了問題，都無法證明你真正想要證明的東西。首先我得確保這家公司能在預訓練方面做到一流，這一點已經淘汰了很多公司。

晚點：你當時問了一些投資人，他們的反饋是怎樣的？

鐘怡然：他們的反饋是，你當時需要明確你的應用方向是什么？變現(xiàn)渠道是什么？未來如何盈利？

晚點：在公司方面，你當時了解的能做一流預訓練的公司有哪些？

鐘怡然：包括大小公司的話，我覺得第一個是字節(jié)跳動，第二個是Minimax。

晚點：Kimi（月之暗面）不是嗎？

鐘怡然：關于Kimi，我得到的信息不多，所以在當時看來，只有兩個選擇，要么海外發(fā)展。

晚點：你和字節(jié)聊了之后，得到了什么反饋？

鐘怡然：我覺得字節(jié)的興致不是很高。雖然作為一家大公司有數(shù)據(jù)和人才，但要讓他們真正轉型去投資一個未知的方向，還是比較困難的。

在某個時間點，讓我們回到2023年下半年，你和閆俊杰聊，他的反饋是什么？

鐘怡然：早在2021年時，我和俊杰就非常了解。經過交流，我們發(fā)現(xiàn)他對這個工作非常有信心，并且愿意投入大部分精力。

研發(fā)工作需要公司80%-90%的人力資源投入，涉及數(shù)據(jù)、工程和算法等多個部門，需要多部門緊密合作才能完成。

在某個時間點，你比閆俊杰更認可我，可能是因為我們之前在線性注意力機制上有一些共同的探索。

鐘怡然：當時他們在下一代模型技術選型階段，工作量還不大。俊杰可能覺得我的工作扎實可靠，值得信任。

當然，俊杰看待這個問題的角度和我不同。我認為我們對關鍵點的把握非常到位，因此相信能夠成功 scalability。

在某個時間點，你認為閆俊杰有50%成功的把握，卻愿意投入80%的資源，這個賭性是不是有點大？

鐘怡然：這確實需要一定的賭性。但我們有 scaling laws 的測試，通過分階段驗證來逐步推進。我們不是一開始就投入全部資源，而是先在一個成本可控的小規(guī)模模型上進行測試，再逐步擴大規(guī)模。

在某個時間點，我們一共進行了3700次預訓練驗證，從“美好的泡泡”到4560億參數(shù)的MiniMax-01。

在某個時間點，你們在一步步驗證的過程中，又看到了什么？

鐘怡然：2023年底，我們采用的依然是一個線性架構，訓練出了一款15B規(guī)模的模型。從實驗結果來看，其性能與Transformer模型基本持平。

然而，當我們擴大模型規(guī)模后，發(fā)現(xiàn)無論是采用Lightning注意力機制，還是其他線性方法，都存在一個顯著的問題——在檢索（Retrieval）能力上表現(xiàn)欠佳。

基于上述問題，我們不得不采取一個權衡方案。具體來說，我們在模型架構中采用混合機制：每隔7層的線性注意力之后，插入1層Softmax注意力進行優(yōu)化。

鐘怡然：可以簡單介紹一下，Retrieval能力指的是什么呢？"大海撈針"任務又是怎么回事？

鐘怡然：Retrieval能力，簡單來說，就是模型在長文本中發(fā)現(xiàn)異常片段的能力。以"大海撈針"任務為例，給定一篇長文，其中有一段話或一句話與其他內容格格不入，模型需要通過定點召回能力找出這些異常片段。這是一項基礎能力。

線性注意力在執(zhí)行這一任務時表現(xiàn)出明顯局限性。這是因為線性注意力的KV緩存是一個固定大小的存儲，無論輸入文本長度如何，都會被壓縮到固定大小。這種壓縮過程導致檢索能力顯著下降。

鐘怡然：當時壓力很大嗎？因為我們已經在擴規(guī)模了。

鐘怡然：當時確實有保底方案，就是混合架構。但我們當時覺得這個方案不夠美觀。

鐘怡然：所以你們最后采取的改進方案是，在技術報告中提到每隔十四層或十六層插入一層Softmax注意力？

鐘怡然：對，我們還嘗試了不同的混合比例，測試發(fā)現(xiàn)，檢索能力受到最大影響，而語言建模能力在不同比例下的表現(xiàn)差異不大。

晚點：在實際操作中，具體采用何種混合比例作為理論指導或依據(jù)？是否有一些理論依據(jù)或預測值可以用來提前預判效果？

鐘怡然：這個方案我們是自己探索出來的，沒有現(xiàn)成的理論指導。甚至嘗試過極端情況——僅使用一層Softmax Attention（注：指在大幾十層的模型中，只有一層是Softmax，其他都是線性注意力），結果也還行。

我們最終選擇這個方案，主要是因為已經對架構進行了較大的調整，擔心這樣可能會對效果產生負面影響，因此選擇了一個相對穩(wěn)妥的1:7的比例。例如，之前采用的Jamba模型也是1:8、1:7這樣的設置。

（注：Jamba是由AI21 Labs于2024年推出的首個狀態(tài)空間模型-Transformer混合架構大模型，支持256K上下文窗口。）

晚點：最開始是如何想到采用混合策略的？

鐘怡然：這其實是非常符合直覺的一種嘗試。

晚點：在采用了這個混合方案之后，你們的Scaling Laws實驗是如何進行的？

鐘怡然：開展Scaling Laws實驗的主要目的是驗證這一技術路線是否存在潛在問題，混合方案的實驗與Scaling Laws測試是同時進行的。

我們對多種線性方案進行了測試，除了Lightning Attention，還測試了HGRN2、Mamba等。

晚點：這么多實驗，所需資源會非常龐大嗎？

鐘怡然：我們總共訓練了3700個模型，最終才發(fā)表了這篇文章?？紤]到Scaling Up是一項重大的決策，沒有哪個投資者愿意投入數(shù)千萬資金去訓練一個大模型，最后卻以失敗告終。

尤其是這類具有開拓性的研究工作，必須確保在基礎工作上做得非常扎實。我們需要仔細選擇參數(shù)和注意力結構，每個方案都需要進行一系列基準測試。最終必須在速度和效果之間找到一個平衡點。因此，一套完整的、嚴格的對比實驗是必不可少的。如果隨意地決定參數(shù)設置，雖然可以節(jié)省部分實驗成本，但必然會導致后續(xù)項目失敗的概率增加。

晚點：你們提到訓練了3700個模型，是指全部從頭訓練，即3700次預訓練嗎？

鐘怡然：是的，所有的模型都是從頭訓練的，采用不同大小和不同參數(shù)設置。因此，開展Scaling Law實驗是一個非常昂貴的過程。

晚點：你們最初預估需要訓練這么多次嗎？整個過程究竟耗費了多少資源？

鐘怡然：我們早在項目初期就有預估，總共需要進行3700次預訓練。我們根據(jù)需要的卡數(shù)量、資源數(shù)量和要訓練的模型數(shù)量制作了一個Excel表格，按照這個計劃去執(zhí)行。

晚點：你們的混合線性注意力結構在實際效率上有怎樣的提升？

鐘怡然：在序列長度為100萬的情況下，相較于全注意力模型，整體處理速度提升了2700倍。

晚點：在速度和效果之間如何保障模型性能？例如，在MiniMax-01、Kimi-k1.5以及DeepSeek-R1發(fā)布之后，我在朋友的電腦上測試了實際效果，輸入了一篇約2萬字的英文文章，詳細描述了海外社交媒體的使用方式，其中包含許多功能。我們希望模型回答一個具體問題——人們如何使用社交媒體上的短視頻功能。測試結果顯示，MiniMax-01和DeepSeek-R1的表現(xiàn)都不及Kimi-k1.5，它們會回答一些其他的問題。造成這種差距的原因是什么？

鐘怡然：這主要是由于MiniMax-01和DeepSeek-R1在某些關鍵組件上的設計差異導致的。盡管它們在某些方面表現(xiàn)出了更高的靈活性，但在處理復雜的邏輯關系時，卻未能達到Kimi-k1.5的水平。

鐘怡然：實際上，您提到的那種能力，與訓練數(shù)據(jù)密切相關。我們只能確保模型具有展現(xiàn)這種能力的潛力，但要真正擁有這種能力，訓練數(shù)據(jù)的作用至關重要。您提出的問題，正是我們下一代模型需要解決的。

晚點：目前 MiniMax-01 不是一個推理模型，像 R1 還有 1.5 它是推理模型。那你們現(xiàn)在這個架構去做推理，就是去結合強化學習，它的潛力、方法是怎樣的？

鐘怡然：我 “盜用” 一下另一家國內大模型公司的結論，他們認為 Linear 架構在推理上會更強一點，他們也在線性架構模型上開展過深度推理的相關實驗，結果顯示線性模型表現(xiàn)更為出色。

晚點：那你們自己看到的是什么？

鐘怡然：我們正在做，現(xiàn)在還不能說得更詳細。因為最開始我們并沒有選擇去馬上跟 o1（這個方向），當時國內有一大批追隨者，但我們的想法是先扎實提升自身技術能力。我們認為單純強調推理能力，可能僅會在某些特定方面增強模型性能。然而，R1 發(fā)布后，我們發(fā)現(xiàn)融入這些推理能力，模型的外推能力顯著提升，泛化能力更好。

晚點：你們當時研判要把技術基礎先做扎實，這些指的是什么？

鐘怡然：我們希望這個模型能在內部榜單上跟 4o 差不多，或者跟世界頂尖模型差不多。當時的話 4o 是最先進的模型。

晚點：你們會比較去追求多模態(tài)嗎？4o 是一個混合模態(tài)的模型。

鐘怡然：后來我也接手了多模態(tài)理解大模型相關工作。當時在構建多模態(tài)模型方面，存在兩條可行路徑：一是原生多模態(tài)，二是基于 adapter（適配器）形式的多模態(tài)。經過考量，我判斷我們當時應采用 adapter 形式。因為在那時，原生多模態(tài)的實現(xiàn)路徑尚未完全打通，比如 Gemini-2.0 還未發(fā)布。

這個方案優(yōu)勢明顯。其一，我們能夠快速驗證數(shù)據(jù)是否存在問題；其二，效果能夠迅速顯現(xiàn)。只需投入較小成本，就能獲得性能較好的模型。從我們發(fā)布的 VL01 來看，benchmark 結果還是不錯的。

晚些時候：可以這樣理解，MiniMax-01 在 MiniMax 主線模型中確實是一次重大的轉型或升級。此前的 ABAB 系列采用的是 Transformer 架構，而 MiniMax-01 則采用了線性架構——它涵蓋了語言處理、多模態(tài)內容以及未來模型進展的各個方面。

張遠：對，這段模型的升級確實進展得比較快。

晚些時候：為什么 MiniMax 選擇投入研發(fā)這個技術要求相對較高、變革較大的項目？

張遠：首先，我們想通過這個項目展現(xiàn)自身的技術實力。我們是一家勇于創(chuàng)新的公司，敢于押注新技術。目前，我們已經將序列長度提升到了 4 million（400 萬），并且我們也能夠承受將序列長度提升到 10 million（1000 萬）。

不過（如果要做 10 million 的序列長度）：當下需要考慮的有兩個問題，一是如何構建 10 million 級別的數(shù)據(jù)集，二是提升到 10 million 序列長度后，模型在實際應用中又能實現(xiàn)什么價值。目前，我們的計劃是先把 1 million 以內的相關工作做到極致，然后再向外進行推廣。

晚些時候：經過推理，你們希望探索什么？具體來說，是從 o1 之后全面引入強化學習到 Transformer 的整個流程中，接下來可能會有什么樣的技術變化？

張遠：目前，行業(yè)還在做深度推理，這一領域的應用剛剛起步，我們還處于跟跑階段。但我們認為，長文本處理在未來將會是一個重要的趨勢。我們欣喜地看到，像 kim、DeepSeek 這樣的公司，都已經推出了各自針對長文本優(yōu)化的模型架構，這意味著大家已經開始進入這條賽道。

在我看來，俊杰也比較清楚：我們走的是長線戰(zhàn)略，短期內在應用效果上可能會落后一些。因為我們采用了新的架構，同樣的計算能力和資源下，我們的人力有限，無法像其他公司那樣進行深度推理。這會導致我們在深度推理的道路上步履維艱。

但另一方面，當我們專注于進行深度推理研究時——我們前進的步伐會很快。因此，在這場競爭中，我們實際上參與的是長跑的后半段。我們押注的正是未來長文本處理的需求。當線性注意力模型在規(guī)模達到一定程度時，在長文本賽道上就很難再有對手了。

做技術的“道心”之爭

小北：對稀疏注意力進行優(yōu)化后，DeepSeek、Kimi 等公司的效率和效果都有所提升，你覺得這個方向如何？

鐘怡然：他們的主要創(chuàng)新點在于通過極致的工程優(yōu)化，解決了稀疏注意力在速度上不足的問題。但稀疏注意力的上限其實并不高，我不認為 DeepSeek 會繼續(xù)沿用這種策略。因為當模型尺寸增大，線性注意力相比稀疏注意力的優(yōu)勢會更加明顯，他們在進行大規(guī)模模型實驗時也會注意到這一點。

小北：線性注意力的上限較高，而且在實際應用中也能發(fā)揮作用，那么這個觀點在行業(yè)內是被廣泛接受的，還是存在爭議？

鐘怡然：這是一個爭議性的觀點。目前，很多人的共識是，認為線性注意力在原理上是有損的優(yōu)化。畢竟，從計算復雜度上看，使用一次計算去近似二次計算，似乎是有損的。但有人認為，二次計算的復雜性可能在實際應用中是冗余的，而線性注意力其實可以作為一種無損優(yōu)化，尤其是在混合架構中，效果甚至會更好。

小北：有人擔心這點，可能是因為 MiniMax-01 的宣傳力度不夠，導致很多人沒注意到。目前很多人的共識是，認為線性注意力屬于有損的優(yōu)化。畢竟從原理上看，用一次計算去逼近二次計算，好像是有損的。但有沒有可能這種二次計算復雜度本身就是冗余的呢？而我們認為，它就是一個無損架構、一個無損優(yōu)化，特別是變成混合架構以后，它的效果甚至還有增強。

鐘怡然：這屬于學術界的一個“道心之爭”——技術判斷和你的信仰是什么。

小北：據(jù)我所知，像 OpenAI、Anthropic 這樣的國外頂尖 AI 公司，他們在嘗試使用線性架構嗎？

鐘怡然：他們的架構很可能基于 Sliding Window Attention（滑動窗口注意力），這也是一種稀疏注意力。而像 Google 這樣的公司，通常采用的方法可能是滑動窗口加全注意力（Sliding Window Attention + Full Attention）。

小北：所以，他們對線性的信任，也不完全來自全球頂尖公司是否真的做了什么或者沒有做？

鐘怡然：對，他們的信任更多是基于現(xiàn)有的實驗結果和方法論的創(chuàng)新，而不僅僅是是否采用過某種架構。

鐘怡然：是的，我們不僅將論文轉化為產品，現(xiàn)在 MiniMax 的產品已經開始采用這一架構設計，這表明我們的技術確實具有先進性。這篇論文發(fā)表于 24 年初，而產品（開始采用這一架構）則是在 24 年底推出。

晚點：你剛才提到，認可線性注意力上限大且可行，在業(yè)界這是一個非共識?，F(xiàn)在你愿意討論這一觀點嗎？

鐘怡然：不需要介意，我們希望更多人能夠采用線性注意力技術，也希望更多人共同開發(fā)長文本應用。我們選擇開源 MiniMax-01，正是出于這一考慮。

晚點：那么你們對 MiniMax-01 這次開源的反饋和影響力滿意嗎？

鐘怡然：有朋友認為這份報告寫得不錯，工作也扎實，但為什么沒有更多人知道呢？我覺得這恰恰是需要加強傳播的原因。同時，我們下一代模型將會做得更好。

晚點：在開源 MiniMax-01 時，你們只發(fā)布了最大參數(shù)版本的模型，沒有發(fā)布不同尺寸版本。這是因為較小尺寸的模型更適合學界、個人開發(fā)者以及小型機構使用，從而讓更多人能夠參與進來。

鐘怡然：我們確實有不同尺寸的模型，但俊杰認為更應該重視效果，建議先開源效果較好的模型，再考慮開源小模型。此外，開源不同模型需要維護不同的版本，這也增加了管理上的復雜性。

晚點： DeepSeek 春節(jié)期間大肆營銷后，你們的內部氛圍有什么變化嗎？

鐘怡然： DeepSeek 并沒有讓我們過年（笑）。我們正在加快推理模型的研發(fā)進度，并計劃在性能上超越 R1 模型，甚至達到 o1 或 o3 水平。

我們選了一個較為激進的方案：它將是一個原生多模態(tài)的深度推理模型，最大的挑戰(zhàn)在于如何平衡文本理解和視覺理解能力，使得兩者都能達到很強的水平。目前的實驗結果已經證明了這一設想的可行性。

晚點：這次你有多大把握能順利推進工作？

鐘怡然：大概七成左右。

晚點：預計什么時候能將這個模型推向市場？

鐘怡然：目前我們把全部精力都投入到提升模型的上限，我們認為，相比維護現(xiàn)有產品，提升上限更為重要。

晚點：你如何看待DeepSeek雖然沒有真正落地 usable 的產品，但聲勢浩大？

鐘怡然：我 personally believe，雖然模型效果非常出色，是出圈的基礎，但另一方面，它的火爆還與多方面因素有關。

我們難以預判這類突然發(fā)生的事情，但如果有一項新技術，希望讓更多人了解，該怎么做呢？最好的方法就是將其轉化為產品。

晚點：所以你仍然認為，一個正常的技術公司，只靠技術本身，難以實現(xiàn)長時間的正面反饋和護城河。

鐘怡然：對。到了2023年，我們想推出線性注意力模型，也借助了上海人工智能實驗室的一些資源進行推廣。但當時我發(fā)現(xiàn)，要說服大家確實很難。

當時我就想，我該怎么辦？我只能去找一個愿意相信這個架構的人，把它放到產品里——驗證一個新技術有說服力的最好方式就是讓它進入市場。

晚點：你對人工智能的追求是什么？

鐘怡然：我希望創(chuàng)建一個能夠真正自我學習、自我進化的模型。通過將人類所能感知到的所有信息作為輸入，該模型將能夠自主探索不同模態(tài)之間的關系，并具備文本處理等技能，這些能力也是通過自監(jiān)督學習實現(xiàn)的。

如果要實現(xiàn)這一目標，首先需要構建文本模型，接著是多模態(tài)模型，最后探索如何讓模型自主學習不同模態(tài)之間的關系。這一過程與人類的學習方式相似，人類也是通過類似的步驟逐步掌握知識的。

附：文中提到的主要工作的 GitHub 或 arXiv 鏈接：

MiniMax-01：

https://github.com/MiniMax-AI/MiniMax-01

Lightning Attention：

https://github.com/OpenNLPLab/lightning-attention

cosFormer：

https://github.com/OpenNLPLab/cosFormer

項目信息如下：

官方GitHub存儲庫：https://github.com/state-spaces/mamba

GitHub個人存儲空間：https://github.com/kyegomez/Jamba

題圖來源：《美麗心靈》電影截圖

注：所有鏈接均已正確轉換，保持了原文的信息完整性和準確性。