量子化
量子化により AI モデルの数値が低精度で保存されるため、データセンターの GPU が必要だったモデルがラップトップや携帯電話で実行できる場合があります。
概要
It is the main trick that makes large language models cheap and fast enough to deploy widely.
ディープダイブ
ニューラル ネットワークのほとんどは重みと呼ばれる巨大な数値の山であり、通常は 16 ビットまたは 32 ビットの浮動小数点値として保存されます。量子化では、より少ないビット (通常は 8 ビット (INT8) または 4 ビットの整数) を使用して、これらの重みを再格納します。 16 ビットから 4 ビットに移行するとメモリが約 4 倍に削減されるため、16 ビットで約 140 GB を必要とする 700 億パラメータのモデルは、4 ビットでは約 35 GB に収まります。数値が小さいほどメモリ内をより速く移動できるため、通常は生成が高速化されます。問題は精度です。広範囲の値をいくつかのレベルに詰め込むと、丸め誤差が生じます。優れた方法では、スケーリング係数を慎重に選択し、最も機密性の高い重みを保護することで損失を最小限に抑えることができるため、リソースの一部を使用してもモデルはほぼ同じように動作します。
技術的な洞察
重みの各グループは、実際の値を小さな整数セットにマッピングするスケール係数を取得します。スケールを逆乗すると、元の数値がほぼ再構成されます。 GPTQ や AWQ などのトレーニング後の量子化手法は、すべてをやみくもに丸めるのではなく、小さなキャリブレーション データセットを分析してどの重みが最も重要かを判断し、出力誤差を最小限に抑えるスケールを設定します。アクティベーションは実行時により大きく変化するため、多くの場合、より高い精度が保たれます。結果は、4 ビット整数を格納しながら、完全精度バージョンに非常に近い結果を計算するモデルになります。
戦略的影響
速度とスケール
言語ワークフローは、一貫性を犠牲にすることなく、より高速に移行できます。
アクセスと到達範囲
言語やコミュニケーション スタイルを超えてアクセスが拡張されます。
より明確な判決
自動化が繰り返しを処理する間、チームは判断により多くの時間を費やすことができます。
量子化の未来
量子化が最適化ではなくデフォルトになることが予想されます。ハードウェア ベンダーは、ネイティブ 4 ビットおよびさらに下位ビットのサポートや、低精度に対する量子化対応トレーニング ベイク許容値などの手法を最初からモデルに追加し、精度の損失をさらに削減しています。 2 ビットおよび 1 ビット (バイナリ) 表現の研究が活発に行われており、電話や組み込みチップ上で有能なモデルを実行することを目指しています。オンデバイス AI やプライベート AI が成長するにつれて、効率的な量子化モデルは、データをクラウドに送信せずにローカルでアシスタントを実行する上で中心となるでしょう。
現実世界の実装
複数のデータセンター カードを必要とせずに、4 ビット GGUF または GPTQ ファイルを使用して、消費者向け GPU 上で Llama などのチャット モデルをローカルに実行します。
電話機のオンデバイス アシスタント。8 ビットまたは 4 ビット モデルでは、ネットワーク接続なしで音声およびテキスト機能を実行できます。
INT8 モデルを提供し、各 GPU により多くのリクエストを適合させることで、カスタマー サポート ボットのクラウド推論コストを削減します。
スマート カメラや IoT センサーなどのエッジ デバイスは、厳しいメモリ制限内でコンパクトな量子化ビジョン言語モデルを実行します。
リスクとガードレール
幻覚のような事実が、レポート、サポート フロー、または研究結果に静かに組み込まれる可能性があります。
迅速な対応により、同様のリクエスト間で一貫性のない結果が生じる可能性があります。
アクセス制御が弱いと、機密テキスト データが漏洩する可能性があります。
実装ロードマップ
展開する前に、出力形式、トーン、品質基準を定義します。
正確さが重要な場合は常に、信頼できる情報源を使って地上対応を行ってください。
一か八かの成果物については人間によるレビュー チェックポイントを維持します。
失敗パターンを追跡し、プロンプトやワークフローを定期的に再トレーニングします。
探検を続けましょう
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
次のガイド
残差ベクトル量子化
よくある質問
What is Quantization?
量子化により AI モデルの数値が低精度で保存されるため、データセンターの GPU が必要だったモデルがラップトップや携帯電話で実行できる場合があります。これは、大規模な言語モデルを安価かつ高速に作成し、広く展開できるようにするための主なトリックです。
量子化によってニューラル ネットワークに関して主に何が変わるのでしょうか?
量子化により、モデルの重みが、16 ビットまたは 32 ビットの浮動小数点数ではなく、8 ビットまたは 4 ビットの整数など、より低い数値精度で再格納されます。
重みを 16 ビットから 4 ビットに移動すると、おおよそどのくらいのメモリが節約されるでしょうか?
4 ビットは 16 ビットの 4 分の 1 なので、ウェイト ストレージは約 4 分の 1、つまり約 4 分の 1 に減少します。
積極的な量子化の主な欠点は何ですか?
より少ないレベルで値を表現すると丸め誤差が生じ、慎重に管理しないと出力品質が低下する可能性があります。
GPTQ や AWQ などのメソッドは、小規模なキャリブレーション データセットを何に使用しますか?
これらのトレーニング後のメソッドは、いくつかのサンプル入力を分析してスケーリング係数を設定し、敏感な重みを保護して、出力をオリジナルに近づけます。
量子化によってモデルが小さくなるだけでなく、高速になることが多いのはなぜですか?
精度の低い値は、読み込みと移動に必要なメモリ帯域幅が少なくて済むため、生成中にボトルネックになることが多く、推論が高速化されます。