Quantizzazione
La quantizzazione riduce un modello di intelligenza artificiale memorizzando i suoi numeri con una precisione inferiore, quindi un modello che necessitava di una GPU per data center a volte può essere eseguito su un laptop o un telefono.
Panoramica
It is the main trick that makes large language models cheap and fast enough to deploy widely.
Immersione profonda
Una rete neurale è principalmente una gigantesca pila di numeri chiamati pesi, normalmente archiviati come valori in virgola mobile a 16 o 32 bit. La quantizzazione ripristina tali pesi utilizzando meno bit, comunemente numeri interi a 8 bit (INT8) o anche a 4 bit. Passare da 16 bit a 4 bit riduce la memoria di circa quattro volte, quindi un modello da 70 miliardi di parametri che richiede circa 140 GB a 16 bit può contenere circa 35 GB a 4 bit. Inoltre, i numeri più piccoli si spostano più velocemente nella memoria, il che di solito accelera la generazione. Il problema è la precisione: comprimere un ampio intervallo di valori in pochi livelli introduce un errore di arrotondamento. I buoni metodi riducono al minimo tale perdita scegliendo attentamente i fattori di ridimensionamento e proteggendo i pesi più sensibili, quindi il modello si comporta in modo quasi identico mentre utilizza una frazione delle risorse.
Approfondimento tecnico
A ciascun gruppo di pesi viene assegnato un fattore di scala che mappa i valori reali su un piccolo insieme di numeri interi; moltiplicando per la scala si ricostruisce approssimativamente il numero originale. I metodi di quantizzazione post-addestramento come GPTQ e AWQ analizzano un piccolo set di dati di calibrazione per decidere quali pesi contano di più e impostano le scale per ridurre al minimo l'errore di output, anziché arrotondare tutto alla cieca. Le attivazioni vengono spesso mantenute con una precisione maggiore perché variano maggiormente in fase di esecuzione. Il risultato è un modello che memorizza numeri interi a 4 bit ma calcola risultati estremamente vicini alla versione a precisione completa.
Impatto strategico
Velocità e scala
I flussi di lavoro linguistici possono muoversi più velocemente senza sacrificare la coerenza.
Accedere e raggiungere
Espande l'accesso attraverso lingue e stili di comunicazione.
Decisioni più chiare
I team possono dedicare più tempo al giudizio mentre l'automazione gestisce la ripetizione.
Il futuro della quantizzazione
Aspettatevi che la quantizzazione diventi l'impostazione predefinita anziché un'ottimizzazione. I fornitori di hardware stanno aggiungendo il supporto nativo a 4 bit e anche a bit inferiori e tecniche come l'addestramento basato sulla quantizzazione incorporano la tolleranza per la bassa precisione nel modello fin dall'inizio, riducendo ulteriormente la perdita di precisione. È attiva la ricerca sulle rappresentazioni a 2 e 1 bit (binarie), con l'obiettivo di eseguire modelli capaci su telefoni e chip incorporati. Con la crescita dell’intelligenza artificiale sui dispositivi e privata, modelli quantizzati efficienti saranno fondamentali per eseguire gli assistenti localmente senza inviare dati al cloud.
Implementazione nel mondo reale
Esecuzione di un modello di chat come Llama localmente su una GPU consumer utilizzando file GGUF o GPTQ a 4 bit invece di aver bisogno di più schede data center.
Assistenti sul dispositivo sui telefoni, dove i modelli a 8 o 4 bit consentono l'esecuzione delle funzionalità vocali e di testo senza una connessione di rete.
Ridurre i costi di inferenza del cloud per un bot di assistenza clienti servendo un modello INT8, adattando più richieste a ciascuna GPU.
Dispositivi edge come fotocamere intelligenti o sensori IoT che eseguono modelli compatti di linguaggio di visione quantizzato entro limiti di memoria ristretti.
Rischi e guardrail
Fatti allucinati possono tranquillamente entrare nei rapporti, nei flussi di supporto o nei risultati della ricerca.
La sensibilità tempestiva può creare risultati incoerenti tra richieste simili.
I dati di testo sensibili potrebbero essere esposti se i controlli di accesso sono deboli.
Tabella di marcia per l'implementazione
Definisci il formato di output, il tono e gli standard di qualità prima dell'implementazione.
Risposte concrete con fonti attendibili ogni volta che la precisione è importante.
Mantenere un checkpoint di revisione umana per i risultati ad alto rischio.
Tieni traccia dei modelli di errore e riqualifica regolarmente le richieste o i flussi di lavoro.
Continua a esplorare
Free newsletter
Get the daily AI briefing
Three verified AI stories every weekday morning, written in plain English. Free forever, no ads.
One email each weekday. Unsubscribe in one click. We never sell or share your address.
Test yourself
Take the Quantization quiz
Instant feedback on every answer, and a shareable certificate with a verifiable ID once you pass a course.
Support free AI education. AI Understanding is a 501(c)(3) nonprofit — no ads, no paywall, ever. Make a donation
Prossima guida
Quantizzazione del vettore residuo
Domande frequenti
What is Quantization?
La quantizzazione riduce un modello di intelligenza artificiale memorizzando i suoi numeri con una precisione inferiore, quindi un modello che necessitava di una GPU per data center a volte può essere eseguito su un laptop o un telefono. È il trucco principale che rende i modelli linguistici di grandi dimensioni economici e abbastanza veloci da poter essere distribuiti su larga scala.
Cosa cambia principalmente la quantizzazione in una rete neurale?
La quantizzazione ripristina i pesi del modello con una precisione numerica inferiore, come numeri interi a 8 o 4 bit anziché in virgola mobile a 16 o 32 bit.
Quanta memoria viene risparmiata approssimativamente spostando i pesi da 16 bit a 4 bit?
4 bit sono un quarto di 16 bit, quindi la memorizzazione del peso scende a circa un quarto, una riduzione di circa 4 volte.
Qual è il principale svantaggio della quantizzazione aggressiva?
La rappresentazione dei valori con meno livelli introduce errori di arrotondamento, che possono ridurre la qualità dell'output se non gestiti con attenzione.
Per cosa metodi come GPTQ e AWQ utilizzano un piccolo set di dati di calibrazione?
Questi metodi post-formazione analizzano alcuni input campione per impostare fattori di ridimensionamento e proteggere i pesi sensibili, mantenendo gli output vicini all'originale.
Perché la quantizzazione spesso rende un modello più veloce e non solo più piccolo?
I valori a precisione inferiore richiedono meno larghezza di banda della memoria per essere caricati e spostati, il che spesso costituisce il collo di bottiglia durante la generazione, quindi l'inferenza risulta più veloce.