如果你希望提升大型科技公司的知名度，且拥有1000万美元预算，你会如何花费？是投放超级碗广告、赞助F1赛事，还是用来训练生成式AI模型？
虽然训练模型不属于传统营销范畴，但生成式模型能有效吸引注意力，并日益成为供应商核心产品与服务的引流渠道。
Databricks发布开源模型DBRX
Databricks今日宣布推出新一代生成式AI模型DBRX，对标OpenAI GPT系列及Google Gemini。该模型已在GitHub和Hugging Face上线，支持研究及商业用途。其基础版（DBRX Base）与微调版（DBRX Instruct）均可在公开、自定义或专有数据上运行调整。
Databricks生成式AI副总裁Naveen Rao表示：“DBRX旨在提供广泛主题的有用信息。虽针对英语优化，但也支持法语、西班牙语、德语等多语言对话与翻译。”
Databricks将DBRX定义为“开源”模型，类似Meta Llama 2及Mistral模型。不过，关于此类模型是否真正符合开源定义，业界仍存激烈争论。
据悉，Databricks耗时约两个月、投入约1000万美元训练DBRX，并称其在标准基准测试中表现优于所有现有开源模型。
高昂的硬件门槛与使用限制
然而，除非是Databricks客户，否则普通用户极难部署DBRX。标准配置要求服务器至少配备4块Nvidia H100 GPU（或总显存达320GB的其他配置）。单块H100成本高达数千美元，这对独立开发者而言难以承受。
第三方云平台虽可运行，但硬件要求依然严苛（如Google Cloud仅特定实例集成H100），整体成本不菲。
此外，活跃用户超7亿的企业将面临使用限制，所有用户均需同意“负责任使用”条款。目前，Databricks尚未公布具体条款细节。
Mosaic AI：降低门槛的解决方案
为应对上述障碍，Databricks推出了Mosaic AI Foundation Model产品，除运行DBRX外，还提供基于自定义数据的微调训练栈。Rao建议客户通过Model Serving服务私有托管，或与Databricks合作在自有硬件上部署。
“我们致力于使Databricks平台成为定制模型构建的首选。DBRX展示了一流的预训练与微调能力，客户可借此从头构建模型。这是接入Mosaic AI工具的便捷入口，且DBRX开箱即用性能卓越，微调后性价比优于大型封闭模型。”
技术架构与性能对比
得益于混合专家（MoE）架构，DBRX运行速度比Llama 2快多达2倍。不同于多数MoE模型的8个专家，DBRX拥有16个专家，通过将任务分解委派给专业子模型来提升质量。
尽管在语言理解、编程及逻辑等基准测试中优于Llama 2和Mistral，但在大多数领域，DBRX仍不及行业标杆GPT-4。两者差异显著，直接比较或许并不恰当。需注意的是，DBRX面向企业受众且被标榜为“开源”，这与GPT-4定位不同。
同时，因运行成本高企、训练数据不透明且严格意义上非完全开源，DBRX仅在某种程度上接近旗舰模型水平。
局限性与潜在风险
Rao承认，DBRX与其他生成式AI一样存在“幻觉”风险。尽管进行了安全测试和红队演练，但由于模型本质是基于关联预测，回答未必总是准确。
此外，DBRX不具备多模态能力，仅能处理文本。训练数据来源方面，Rao透露使用了大量社区熟知的开放数据集，未使用任何客户数据，但未明确回应是否包含受版权保护内容或偏见数据，仅强调“对数据非常谨慎并进行了红队演练”。
对于商业用户而言，若模型复述了未经授权或有偏见的数据，可能引发法律与道德风险。目前，部分公司会提供侵权法律费用保障政策，而Databricks表示正在“探索”此类场景。
未来展望
鉴于当前不足及竞争对手的高性价比策略，DBRX除现有客户外较难推广。许多竞品更接近普遍认可的开源定义。
Rao承诺，Mosaic Labs团队将持续完善DBRX并发布新版本，包括提升可靠性、安全性及减少偏见的变体。“我们将开源模型视为平台，供客户利用我们的工具构建自定义功能，并推动行业以更高效方式构建模型。”
从现状来看，DBRX追赶顶尖同行仍有漫长道路要走。
注：本文已更正模型训练时长为两个月，并删除了关于Llama 2的错误引用，对此深表歉意。