一个「always」站在大模型技术C位的传奇男子

西风 衡宇 发自 凹非寺
量子位 | 公众号 QbitAI

• 怎么老是你？？？（How old are you）

这是最近网友不断对着Transformer八子之一的Noam Shazeer（为方便阅读，我们称他为沙哥）发出的灵魂疑问。

尤其是最近Meta FAIR研究员朱泽园分享了他们《Physics of Language Models》项目的系列新进展后，有网友发现，其中提到的3-token因果卷积相关内容，沙哥等又早在三年前就有相关研究。

是的，“”。

因为你只要梳理一遍他的工作履历，就不难发现，AI界大大小小的突破背后，总是能发现他的名字。

“不是搞个人崇拜，但为什么总是Noam Shazeer？”

△网友称右下角沙哥图由GPT-4o生成

朱泽园也自己也站出来表示，沙哥成果超前：

• 我也觉得Shazeer可能是个时间旅行者。
• 我原本不相信他们的gated MLP（在写第3.3部分的时候，因为门控多层感知机让训练不稳定），但现在我信服了（在添加了Canon层之后，我们在第4.1部分对比了多层感知机和门控多层感知机）

正式认识一下，沙哥是谁？

他是Transformer八位作者中被公认是“贡献最大”的那位，也是半路跑去创业Character.AI，又被谷歌“买回来”那位

他并非OpenAI的明星科学家，也不似DeepMind创始人般频繁曝光，但若细察当今LLM的核心技术，其奠基性贡献隐然贯穿始终。

从引用量超17万次的《Attention is all you need》，到将MoE引入LLM的谷歌早期研究，再到Adafactor算法、多查询注意力、用于Transformer的门控线性层（GLU）……

有人感慨，其实我们现在就是生活在“Noam Shazeer时代”。

因为如今主流模型架构的演变，就是在其奠定的基础上持续推进。

所以，他都做了什么？

Attention Is All You Need是其一

在AI领域，昙花一现的创新者众多，但能持续定义技术范式者凤毛麟角。

沙哥恰恰属于后者，他的工作不仅奠定了当今大语言模型的基础，还频频在技术瓶颈出现时提供关键突破。

其影响力最大的一项工作当属2017年的《Attention Is All You Need》

2017年的一天，已加入谷歌数年的沙哥在办公楼走廊里偶然听到Lukasz Kaiser、Niki Parmar、Ashish Vaswani等几人的对话。

他们正兴奋地谈论如何使用自注意力，沙哥当时就被吸引了，他觉得这是一群有趣的聪明人在做有前途的工作。

而后，沙哥被说服加入了这个已有七人的团队，成为第八位成员，也是最后一位。

但这个最后到场的人，却在短短几周内根据自己的想法，重新编写了整个项目代码，把系统提升到了新的水平，使得Transformer项目“拉开了冲刺的序幕”。

沙哥实力超群却不自知，当看到论文草稿中自己被列为第一作者时，他还有些惊讶。

在讨论一番后，八位作者最后决定打破学术界一作二作通讯作的规则，随机排序，并给每个人名字后都打上星号，脚注标明都是平等贡献者

但大家都知道，沙哥加入发挥了举足轻重的作用。后来《Attention Is All You Need》这篇论文引起轰动。

而沙哥的恐怖之处，在于他似乎总能比行业提前数年看到技术趋势，不只是Transformer。

在《Attention Is All You Need》前后，沙哥还作为一作同三巨头之一、图灵奖得主Geoffrey Hinton以及谷歌元老级人物、第20号员工Jeff Dean等合作发表了另一篇具有代表性的工作——

《Outrageously Large Neural Networks: The Sparsely-Gated Mixture-of-Experts Layer》

早在那时就为现今大火的新范式Mixture of Experts（MoE）埋下了伏笔。

这项工作创造性地引入了Sparsely-Gated Mixture-of-Experts，将MoE应用于语言建模和机器翻译任务，提出了一种新架构，具有1370亿参数的MoE被以卷积方式应用于堆叠的LSTM层之间。

规模放在今天也是超大杯的存在。

虽然MoE的思路早在上世纪90年代初就已经被提出，以Michael I. Jordan、Geoffrey Hinton等的《Adaptive Mixtures of Local Experts》为代表，但沙哥参与的这项研究通过动态激活子网络，让模型突破更大规模参数成为可能，启发了后续诸多基于MoE的模型改进和创新。

且沙哥对MoE的探索远不止于此。

2020年，谷歌《GShard: Scaling Giant Models with Conditional Computation and Automatic Sharding》中提出GShard。

它提供了一种优雅的方式，只需对现有模型代码做很小改动，就能表达各种并行计算模式。

GShard通过自动分片技术，将带有Sparsely-Gated Mixture-of-Experts的多语言神经机器翻译Transformer模型扩展到超6000亿参数规模。

次年，Switch Transformers这项工作，结合专家并行、模型并行和数据并行，简化MoE路由算法，提出大型Switch Transformer模型，参数达到1.6万亿。

不仅推进了语言模型的规模，还在当时实现了比T5-XXL模型快4倍的速度。

模型规模的扩大一方面为自然语言处理开辟了新的领域，另一方面也面临训练过程中的不稳定性以及微调阶段质量不确定性的阻碍。

2022年，针对该问题的研究《ST-MoE: Designing Stable and Transferable Sparse Expert Models》问世了。

该项目将一个ST-MoE-32B稀疏模型的参数规模扩展到了2690亿，其计算成本与一个拥有320亿参数的密集型encoder-decoder Transformer模型差不多。

这林林总总一系列关键性进展的作者名单中，总少不了沙哥

时间证明沙哥的预判是对的。

如今，GPT-4 、DeepSeek系列、阿里Qwen3系列……主流将MoE与Transformer架构的结合，无一不是在此系列工作的思想上发展而来。

说沙哥踩在时代的命门上，不光靠这些。

为解决大规模模型的训练内存受限的问题，沙哥还曾联合提出了Adafactor优化器，早期谷歌大模型如PaLM都离不开它。

作用于大模型推理加速的Multi Query Attention（MQA）也是出自他的手笔。

MQA最早于2019年沙哥的独作论文《Fast Transformer Decoding: One Write-Head is All You Need》中被提出，旨在解决Transformer增量推理阶段效率低下的问题。

另外，他还提出了被广泛应用于各种Transformer模型中的Gated Linear Layer（GLU）

GLU为Transformer架构带来了显著改进，通过门控机制，GLU可以根据输入动态地调整信息的传递，从而更好地捕捉数据中的复杂模式和依赖关系，提升模型的表达能力。

这种动态调整能力更有助于模型处理长序列数据，有效利用上下文信息。

用网友的话来说，沙哥参与的研究往往都是简单粗暴，详细介绍了技术细节，当时可能大家不能完全理解其中的奥妙，但之后就会发现很好用。

3岁自学算术，1994年IMO满分

沙哥的技术嗅觉，源自其近乎传奇的成长轨迹。

1974年，沙哥出生于美国，3岁就开始自学算术。

1994年，他参加了IMO（国际数学奥林匹克竞赛），在经历长达九小时的考试后，取得了满分，这是该项赛事35年历史上首次有学生拿到满分（同年还有另外5名学生拿到满分）。

同年，沙哥进入杜克大学学习数学和计算机科学。

在校期间，沙哥作为杜克大学代表队的一员，曾在多项数学竞赛中获奖。譬如1994年、1996年，分别在普特南数学竞赛中排名第6名、第10名。

本科毕业后，沙哥前往UC伯克利攻读研究生，但并未完成学业（他的领英上如今也只写着本科教育经历）

而后千禧年到来，沙哥加入谷歌，成为第200号员工，一路从软件工程师做到首席软件工程师。

2001年，其参与改进的谷歌搜索拼写纠正功能上线，这是他早期的一项重要成就。

此后，他还开发了谷歌广告系统PHIL，该系统能够决定在特定页面上展示哪些广告联盟广告，同时避免出现不适当或不相关的内容，成为谷歌广告联盟系统的核心。

2005年，他成为谷歌广告文本排名团队的技术主管；2006年，他创建了谷歌第一个邮件检测的机器学习系统；2008年，他开发了一种用于对新闻文章进行排名的机器学习系统……

垃圾

不一一点出来了，但说他在谷歌期间硕果累累，绝不为过。

虽然2009年到2012年期间他短暂离开过谷歌，但截至2021年去创业Character.AI，他已经在谷歌待了18年

2012年回到谷歌加入Google Brain后，沙哥更是火力全开——

他把自己的研究方向转向深度学习与神经网络研究，2016年推动神经机器翻译（NMT）的落地，显著提升翻译质量；2017年就有了《Attention Is All You Need》。

而去年8月，沙哥挥别创业赛道，重返谷歌担任工程副总裁、Gemini联合技术主管，到现在又快在谷歌干满一年了。

真·谷歌人，谷歌魂。

这话真不假，因为沙哥连创业旅途，也是和谷歌同事一起撸起袖子干的。

有多么戏剧呢？

时间回到2021年。那时候，由于谷歌未公开发布他与同事Daniel De Freitas开发的聊天机器人Meena及其后续项目LaMDA，沙哥与De Freitas扭头就和老东家say bye bye了～

他俩商量了一通，决定进一步研究更加个性化的超级智能，于是世界上多了一家叫Character.AI的公司。

经过两年多发展，Character.AI以“各式各样的AI角色”攒了2000多万用户。

2023年3月，Character.AI以10亿美元估值完成1.5亿美元融资，a16z领投，GitHub前CEO Nat Friedman、Elad Gil、A Capital和SV Angel参投。

不过在此之后，这家明星AI独角兽开始陷入困境，新一轮融资迟迟难以推进。去年7月4日，Character.AI被曝考虑卖给谷歌和Meta。

8月，一切尘埃落定，谷歌以27亿美元的价格将Character.AI技术纳入麾下，并邀请沙哥回归，负责联合领导谷歌的Gemini项目。

One More Thing

一个可能不为人所知的故事，在OpenAI的早期阶段，沙哥是顾问之一。

他曾极力推荐奥特曼来担任OpenAI的CEO。

以及另一件值得一提的事——

2020年，谷歌Meena聊天机器人发布后，沙哥发了一封名为“Meena吞噬世界”的内部信。

其中的关键结论是：

• 语言模型将以各种方式越来越多地融入我们的生活，并且将在全球算力中占主导地位。

[1]https://x.com/cloneofsimo/status/1919055890155462926
[2]https://x.com/Ji_Ha_Kim/status/1919766603144822860