聯發科攜手中研院、國教院 開源釋出全球首款千億參數級繁體中文AI語言生成模型

聯發科宣布，由旗下前瞻技術研究單位聯發創新基地，攜手中央研究院詞庫小組和國家教育研究院組成研究團隊，對外開源釋出全球第一款以繁體中文建造的語言模型，讓眾人取用測試。

本次公開釋出開源的繁體中文大型語言模型，是以具備1760億個參數的開源語言模型BLOOM為基礎，相比目前開源可用的最大繁體中文模型大1000倍，所使用的訓練資料也多1000倍。

目前此語言模型已經公開讓外界下載，可應用於問答系統、文字編修、廣告文案生成、華語教學、客服系統等。

聯發創新基地負責人許大山博士表示: 「大型語言模型是近年來人工智慧技術進步的亮點，更是未來進步不可或缺的基石。聯發科技向來重視創新及科技發展，此次結合中研院及國教院，成為台灣極少數能訓練大型語言模型的團隊，以透明、開放和包容的方式，善用技術、人才及資源，既發展自主訓練大型人工智慧模型的能力，也讓繁體中文的大型語言模型研究及應用更為普及。」

現行開放原始碼釋出的大型語言模型，多數仍以英文為主，繁體中文的語言模型相對不足，因此中央研究院詞庫小組在2019年投入開發，並且公開BERT和GPT-2的繁體中文最佳化版本，但是因為資料量的差距，這些模型與主流的大型語言模型差距越來越大。

有鑑於開放原始碼繁體中文大型語言模型的重要性與迫切性，聯發創新基地、中央研究院和國家教育研究院在2022年5月展開合作計畫，使用大型語言模型BLOOM的繁體中文模型再訓練與最佳化。

目前開放系列中第一個有量級跳躍意義的繁體中文語言模型，聯發創新基地也暫備一個行動版網頁介面，供語言模型研究者試用。此模型系列的評量指標，以及參數量更大 (176B)的模型，將會陸續開放下載。

為了建立該項語言模型，國家教育研究院提供了大量高品質的繁體中文語料，作為主要的訓練材料。聯發創新基地則建置了訓練的硬體環境，制訂各種符合國際標準的繁體中文評量指標，收集更近期的語料，並對模型進行能更有效讀懂使用者的指示（prompt）的特別訓練。

中央研究院詞庫小組則針對模型生成的文字是否具有偏見，或是敵意等不合適的內容，進行自動偵測與改正的研究與評估。評估結果表明，這套由三方提供的一系列繁體中文語言模型，均達到開源模型前所未有的效果，較能避免具有偏見或敵意的內容。

大型語言模型近來的蓬勃發展，源自於2019年Google推出的BERT語言模型，以及同年OpenAI開始推出的一系列GPT語言模型。這些大型語言模型已經被證實具備相當的知識與能力，即使在少量訓練資料，甚至無訓練資料之下也依然能夠對新任務產生正確結果，已經成為人工智慧往前進化不可或缺的基礎。

《原文刊登於合作媒體mashdigi，聯合新聞網獲授權轉載。》