年初看到ChatGPT掀起生成式AI热潮时，蚂蚁集团百灵代码大模型(开源名称CodeFuse)负责人技术总监李建国迫不及待地想找合作伙伴NVIDIA聊聊。
李建国所在的办公楼与NVIDIA北京办公室仅一路之隔，步行几分钟就能到达。
来到NVIDIA北京办公室，接待李建国的是NVIDIA开发与技术部门亚太区总经理李曦鹏。
两位AI圈里的资深人士一见面，就讨论起了生成式AI落地的工程化问题。更具体的说，是CodeFuse的推理加速。
与GitHub在3月份发布的代码编写助手Copilot X类似，CodeFuse是蚂蚁集团自研的代码生成专属大模型。
算法和应用优化是李建国团队擅长的。算法和应用层优化完成之后，CodeFuse的体验还是不够理想，需要擅长底层硬件和软件的NVIDIA帮忙。
自从年初的那次见面之后，李建国的团队和李曦鹏的团队不仅有了双周会，有时候问题很紧急，周末还会有临时的会议，目标就是让CodeFuse的体验达到理想状态。
靠着两个团队相互的信任和支持，CodeFuse突破了推理中的量化难题，在大幅节省推理的成本的同时，极大提升了使用体验。
如今，借助CodeFuse，简单几条文字指令就能在线制作贪吃蛇小游戏，CodeFuse距离为程序员提供全生命周期AI辅助工具的目标越来越近，变革也将悄然而至。
“传统的软件研发人员的思维需要做一些改变。”李建国认为这是生成式AI将带来的变化。
这种变化未来将发生在千行百业，“有了大模型，接下来就是如何把这些模型“变小”，让它在各种环境中应用。今年底或者明年初，会有大量AI推理的需求。”李曦鹏判断。
蚂蚁集团和NVIDIA一起摸索出了生成式AI落地的路径，这两家走在生成式AI最前列的公司同时做了一件对整个AI业界非常有价值的事情，将合作的细节和成果开源到NVIDIA TensorRT-LLM社区。
这给正在探索AI推理加速的团队提供了一个参考，即便这不是万能公式，但一定能激发AI创新，也将加速AI无处不在的进程。
单打独斗很难落地大模型
想要占领生成式AI时代的先机，即便是业界领先的公司，靠单打独斗还不够，和生态伙伴合作成了必选项。
“蚂蚁集团和业界一样，对于研发效率的提升都有非常大的诉求，这是我们研发CodeFuse的初衷。”李建国对雷峰网说，“去年开始，我们就开始用插件的方式来提升研发效率，后来ChatGPT让我们意识到我们不仅可以通过插件的方式提升效率，还可以借助大模型让CodeFuse有更多的功能。”
有探索精神的蚂蚁集团去年开始自研的代码生成专属大模型，要实现根据开发者的输入，帮助开发者自动生成代码、自动增加注释、自动生成测试用例、自动修复和优化代码、自动翻译代码等，达到提升研发效率的终极目标。
简单说，CodeFuse的目的是重新定义下一代AI研发，提供全生命周期AI辅助工具。
上半年，蚂蚁从0训练了多个十亿和百亿级参数的CodeFuse代码大模型训练，CodeFuse又适配加训了一系列开源模型，比如LLaMA、LLaMA-2、StarCoder、Baichuan、Qwen、CodeLLaMA等。
图片来自github
训练好的模型到了推理落地阶段，出现了不一样的难题。
“模型的推理部署分很多层，有最底层的软件优化，往上还有算法优化和服务优化。”李建国知道，“算法和服务优化是自己团队擅长的，底层的软件优化我们也能做，但最好的选择还是NVIDIA。”
之所以说NVIDIA是最好的选择，有两方面的原因，一方面是因为李建国和他的团队在通过插件提升研发效率的时候，经过综合评估，选择了最适合他们的NVIDIA开源项目FasterTransformer。“为了实现一些定制化功能，我们为开源端口贡献了上千行代码。”李建国团队超前的需求没得到完全的满足，需要和NVIDIA有更深度的合作。
另一方面，作为GPU加速硬件提供方，NVIDIA更加擅长结合底层的硬件和软件优化，强强联合能更快速探索出AI推理的路径。
这个合作其实是典型的双向奔赴，CodeFuse遇到落地难题的时候，NVIDIA也非常需要蚂蚁集团一起协同设计出好产品。
FasterTransformer是NVIDIA2018年推出的开源项目，目标是解决生成式AI模型推理的问题，2018年之后AI技术有了很大的进步，但FasterTransformer为了效率，很多实现写得比较固定，2023年则走到了产品转型的时期。
“蚂蚁集团非常有探索精神，从FasterTransformer到如今的TensorRT-LLM，蚂蚁集团都是我们最早的用户和贡献者，也最早提出了需求，TensorRT-LLM有很多我们的协同设计。”李曦鹏深深感受到蚂蚁集团的信任。
对于NVIDIA这家数据中心级全栈AI平台公司，面对每年各类AI国际学术会议上，成千上万篇论文讨论AI的训练和推理加速，要兼顾所有方向其实不太容易，只有和最终的用户合作，才能最大化NVIDIA软硬件的价值。
通过与客户合作，将其正向需求结合到产品迭代，NVIDIA从而在今年正式推出了加速大模型推理的开源解决方案NVIDIA TensorRT-LLM，TensorRT-LLM提供了Python接口，有灵活的模块化组件，丰富的预定义主流模型，能够极大地方便开发者在NVIDIA平台上部署基于大模型的服务。
图片来自NVIDIA官网
大模型推理落地的关键——低成本，大吞吐量
蚂蚁集团的CodeFuse从训练到推理，NVIDIA的AI推理加速方案从FasterTransformer到TensorRT-LLM，双方要一起解决的是低延迟的响应，还有能回答更长的问题。
“自动生成代码特别是在IDE里面的代码补全对延时有很高要求，如果代码一个字符一个字符蹦出来，程序员肯定受不了，一般来说代码补全的响应时间在200毫秒以下才会有好的体验，更长的时延程序员一般受不了。”李建国指出了CodeFuse落地的一个难题。
解决这个问题的一个好办法是量化。模型量化，就是将使用高精度浮点数比如FP16训练的模型，使用量化技术后，用定点数比如INT4表达。量化的关键点是对齐两个精度(FP16和INT4)的输出，或者说让两个精度输出的数据分布尽可能保持一致。量化的好处是可以有效的降低模型计算量、参数大小和内存消耗，提高处理吞吐量。
“我们内部做了一些评估，8比特量化损失的精度比较少，基本是无损，同时可以带来30%左右的加速。如果是量化到4比特，一般量化方法的精度损失会达到7-8%，但如果能把精度损失做到1%以内，可以带来2倍左右的加速。”李建国说，“要实现量化到4比特的同时精度损失小于1%，我们需要在核心的算法层面创新，也同时需要NVIDIA TensorRT-LLM的软件优化确保推理加速。”
量化的价值显而易见，CodeFuse-CodeLLama-34B模型在FP16和INT8精度下，至少需要4张A10 GPU做最小配置部署。量化到INT4之后，模型占用显存从64.9G显著减小到19G，一张A10 GPU即可部署。
从需要4张A10减少到只需要1张A10，成本的降低显而易见，速度也让人满意。
使用GPTQ或者NVIDIA TensorRT-LLM early access版本量化部署，实测发现A10上的INT4优化后的推理速度，已经和A100上FP16推理速度持平。
在程序生成的HumanEval评测和几个NLP任务（CMNLI/C-EVAL）的评测中表现也非常出色。
结果让人满意，但过程中难免出现意外，李建国和团队同事将CodeFuse量化部署到A100运行正常，但部署到A10 GPU上时，输出出现了乱码，但没有找到问题根因，而此时恰逢周末。
“了解到我们的问题之后，NVIDIA的伙伴说可以马上来帮我们一起解决问题。”李建国印象深刻，“后来NVIDIA的伙伴发现其实问题很简单，就是容器的一个配置错了，物理机并没有问题，改完容器的配置就正常了。”
李曦鹏对这件事情也印象深刻，“周末一起调试，是建立在双方通过长期合作信任的基础上。彼此愿意相信，相互协同才能更快达成目标。”
想要达到双方技术团队默契配合，必须要有充分的沟通和信任，还要有优先级。
“为了快速响应蚂蚁集团的需求，以前我们的软件更新一般3个月才更新一次，现在不到一个月就会给他们一版。”李曦鹏感叹这种变化，“我们的代码拿过去也会有bug，蚂蚁的伙伴给了我们包容。”
至于如何适应客户的快节奏，李曦鹏认为关键在于要有优先级，“NVIDIA所有产品，最重要的优先级都来自于客户的需求。”
对于AI推理来说，与量化一样影响体验的是推理长度。
更大的推理长度意味着用户可以一次性输入更长的文档，也可以实现多轮对话，目前业界标准的推理输入长度是4K、16K，并朝着1Million的长度在努力。
CodeFuse-CodeLLama-34B模型目前在A10上，4比特量化支持总长为3K 长度的输入和输出。
“如果只是单纯加长输入长度，挑战非常大，因为计算量需求会出现O(n^2)增长。”李曦鹏介绍。
要解决客户的问题，还要求NVIDIA有极强的技术敏感度和技术创新能力。“最近有一个Flash-Decoding的技术，可以更好的加速长序列的推理。而实际上，我们早已经在TensorRT-LLM中独立的实现了这个特性，叫做multi-block mode，目前还在对更多模型进行测试，下个版本会放出来。”李曦鹏表示。
李建国有些惊喜，“上周末知道TensorRT-LLM已经支持Flash-decoding时非常开心，NVIDIA有前瞻性，能够快速支持最新的技术，这对于提升CodeFuse的体验非常重要。”
蚂蚁集团和NVIDIA依旧在继续优化CodeFuse的部署，目标就是提供低成本、低时延、高吞吐量的AI大模型使用体验。
CodeFuse正在变得越来越强大，这会带来一个问题，AI会带来怎样的变革？
大模型落地没有万能公式，但很快会无处不在
就像电刚发明的时候人们会担心会产生事故一样，大模型也处于这样的时刻。“未来五年或者十年，人工智能大模型会深入我们生活的各个角落。”这是李建国的判断。
就拿他在负责的CodeFuse来说，软件研发人员的思维需要前移或者后移，前移的意思是要考虑整个APP的概念设计、创意，后移是考虑APP后续的运维和增长。
“当写重复代码的工作被AI提效之后，软件研发人员有更多时间需要思考更复杂、更有创意的东西。而不仅仅只是关心算法、数据，要去兼顾更多内容，要有技能的增长。”李建国观察认为，“前端设计比较标准化，可能会更快受到影响。”
“但现在看来AI依旧是提升效率的辅助工具。”李建国和李曦鹏都认为。
这种影响会随着AI模型的成熟逐步影响到越来越多行业和领域。蚂蚁集团和NVIDIA就将其在CodeFuse方面的合作进行了非常细节的开源，这对于TensorRT-LLM开源社区来说是一个巨大的贡献，也将深刻影响生成式AI的落地和普及。
比如生成式AI落地部署非常关键的量化，有NVIDIA和蚂蚁集团实践开源的例子，基于TensorRT-LLM量化就会更加容易。
“论文介绍了一些方法，但还需要算法工程师针对具体的场景和模型去做调整和测试的。”李曦鹏说，“NVIDIA要做的是做好绝大部分底层的工作，让整个业界在此基础上做更多的创新。”
李建国看到了开源对于AI无处不在的重要价值，“就像数学分析里有个万能公式，它不是所有场景都能用，但开源可以让更多的场景使用，相当于普惠大众。”
李曦鹏表示，TensorRT-LLM开源两周，就有超过200个issue，大家热情非常高涨。
NVIDIA也在通过2023 TensorRT Hackathon生成式AI模型优化赛这样的赛事完善TensorRT-LLM，加速生成式AI的落地和普及。
比尔·盖茨曾说，“我们总是高估未来两年的变化，低估未来10 年的变革。”
以CodeFuse为例，NVIDIA和蚂蚁集团的合作和成果，将会对未来10年的变革产生深远影响。雷峰网
