RISC-V跑大模型（一）

在我写本文时，刚好是WAIC 2023举行的时候，感觉无处不是大模型。所以，RISC-V怎么能不刷刷大模型呢？废话不多说，先上图：

去年，ChatGPT的出现震惊了全世界，在短短几个月的时间内，ChatGPT的月活跃用户达到了1亿。ChatGPT的成功让许多人第一次知道了大语言模型（Large Language Model）的概念，而今年Meta发布的LLaMA则在ChatGPT的基础上又往前跨了一大步，它大大降低了LLM的使用难度，让LLM真正“走进基层”。那LLaMA是什么呢？

1. LLaMA介绍

在介绍LLaMA之前，首先要介绍一下LLM（Large Language Model）。我们可以将LLM看成一位知识渊博的老师，在经过大量的知识学习（大量文本数据的训练）后，LLM会基于它的知识库，给出问题的最佳答案，我们可以使用LLM来完成文本总结、翻译、情感分析等工作。最近几年，是LLM的高速发展期，很多科技巨头都在LLM投入大量的资金。下面是这几年LLM的成果图：

近年来现有大型语言模型（大小大于10B）的时间表

但对于个人研究者而言，LLM的使用是有一定的门槛，一般的LLM模型对硬件的要求比较高，而一些开发公司出于商业的目的，并不打算将项目的源码进行开源，这都限制了个人研究者从更深的层次去了解LLM，在一定程度上这影响了LLM的发展（Android能有今天地位，离不开开源和方便使用，这为它后来的迅速发展打下了良好的基础）。好在今年Meta发布的LLaMA（Language Learning through Multimodal Autoregressive Models）给了对LLM感兴趣的开发者另一个选项，相较于其他的LLM模型而言，LLaMA优势在于它足够亲民且开源。

从亲民的角度来说，LLaMA的规模仅为ChatGPT的“十分之一”，但性能却优于OpenAI的GPT-3模型，而且LLaMA只是一个基础模型，它完全可以使用公开的数据模型进行训练，这都使得LLaMA的使用门槛被大大降低；从开源的角度来说，LLaMA可以说是被迫开源，因为技术方面的问题，Meta暂缓了开源过程，但在发布后的不久，LLaMA的模型文件就被泄露了，那么，问题来了，这究竟是故意的还是不小心的呢？

2. llama.cpp

llama.cpp是由保加利亚索非亚的Georgi Gerganov基于LLaMA模型开发的纯C版本。Georgi Gerganov是一位资深的开源社区开发者，曾经还为OpenAI的自动语音识别模型开发了whisper.cpp。llama.cpp可以让使用者在没有GPU的情况下也能运行LLaMA模型。所以它一经发布，就吸引了大量对LLaMA感兴趣的人下载使用，很快就有人找到了在Windows上运行LLaMA的方法，之后又实现了在手机上的运行。llama.cpp大大降低了LLaMA的使用门槛，通过llama.cpp，LLaMA展现了它无与伦比的语言学习能力，为我们打开了一座探索语言世界的新大门。
值得一提的是，Georgi Gerganov在公布llama.cpp后的几个月就自主创业，成立了ggml.ai公司，这个公司的合伙人有GitHub前CEO Nat Friedman和Y-Combinator的Daniel Gross。ggml.ai的成立也引起了许多业内大佬的注意，或许它之后会为AI的发展带来一些不一样的东西。

3. 硬件平台简介

3.1 RISC-V简介

澎峰科技联合创始人王军辉说“2023年是RISC-V高性能计算元年”。因为2023年算能推出了全球第一颗已量产的RISC-V服务器级64核CPU，这意味RISC-V进入高性能计算领域的未来已经不远了。那么，RISC-V到底是什么？

简单来说，RISC-V和我们熟悉的X86、ARM一样，都是指令集架构，但X86属于复杂指令集（CSIC），RISC-V和ARM属于精简指令集（RISC）。虽然CISC指令丰富功能强大，但随着CISC的逐步发展，过于复杂的指令不仅会导致指令使用率不均衡（效率低），也加大了超大规模集成电路实现的难度。相对的，RISC的优势在于指令简单，使用率均衡，执行效率高。同时，通常基于RISC的芯片易于实现电路设计和大规模集成。

正如文章开篇所展示的，我在基于SG2042的RISC-V平台上完成了LLaMA的移植。LLM和RISC-V都是近两年比较热门的东西，同时又有很大的空白供开发者们探索和建设，所以我觉得把两者结合这是一件很有意思也很有意义的事情。下面简单介绍一下我使用的开发平台。

3.2 平台

RISC-V服务器主板（搭载全球第一颗量产的服务器级64核RISC-V芯片SG2042）

3.3 基本配置

4. 结束语

本系列文章估计会分为四期：

第一期：RISC -V跑大模型（引言）。

第二期：LLaMA零基础移植教程。

第三期：软件优化进行LLaMA加速

第四期：更多性能优化策略。