Meta开发MultiRay平台优化大型AI模型训练、使用成本

Meta通过开发MultiRay平台来优化人工智能模型运行，降低整体的模型运算成本。这个平台的想法，是要集中化大型模型的使用，以共同分担大部分的处理成本，除了能够有效降低成本之外，可以获得的模型服务，也比公司内各团队自己发展的模型更大更好。

现在人工智能可以处理文本、图像和各种形式的内容，但要产生高品质的结果，那就需要以非常多的资料训练大型模型，但Meta表示，这个过程代价高昂，当有许多问题要解决，就需要产生非常多的大型模型，如此成本便会迅速失控。也就是说，事实上在生产环境中使用的模型，通常更小且更简单。

而MultiRay平台便要通过重复使用，模型运算成本最昂贵的嵌入（Embedding），来优化人工智能模型的训练和托管成本。将整个企业的运算集成到单个模型中，更简单地使用人工智能加速器，并且以公司层级来权衡运算和存储能力。MultiRay的通用模型经过训练，可以广泛应用在各种任务中，研究人员提到，这种通用模型比之前针对每个任务创建的小型模型表现更好。

借由使用MultiRay，使得所有Meta的团队，都可以更快改进和迭代应用程序的机器学习模型，从贴文主题标记到仇恨言论侦测，比起每个团队从头开始构建的大型端到端模型，MultiRay能够以更高的效率和更少的人力完成任务。

MultiRay的第一个投入生产的模型是TextRay，支持文本理解应用，侦测虚假内容并改善用户的搜索体验。但只有理解文本是不够的，因为贴文可能包含文本、图像和视频，要理解一篇文章，系统需要分析每个元素，并且综合元素进行集成性分析。

因此MultiRay的第二个模型PostRay，是将文本和图像理解集成到同一个模型中，其应用的范围很广，包括脸书和Instagram上包含文本和图像的资料，这包含用于Reels的主题分类。由于PostRay模型结合多个领域的研究，因此训练、部署和维护也更复杂，通过MultiRay能够将所有服务集成使用同一个通用模型，不只减省成本也能够使应用更快投入生产。