MosaicML以約13億美元的價格被大數據巨頭Databricks收購，其估值在本次交易中翻了六倍，成為了今年上半年最大的收購案。僅成立2年時間，擁有60多名員工，是什麼撐起了MosaicML的高估值？
近期，AI領域掀起了一股投資收購熱潮。全球知名企業Salesforce向Anthropic注資4.5億美元，而Runway則成功籌集到了1.41億美元的資金。此外，雪花公司也宣布完成了對Neeva的收購，而中國國內巨頭美團則以20.65億收購了AI公司光年之外。
然而，最引人矚目的交易無疑是初創公司MosaicML的收購案。據了解，MosaicML以約13億美元的價格被大數據巨頭Databricks收購，其估值在本次交易中翻了六倍，成為了今年上半年最大的收購案。僅成立2年時間，擁有60多名員工，是什麼撐起了MosaicML的高估值？
Databricks收購MosaicML，加速生成式AI技術民主化
Databricks近期正式宣布，以約13億美元（約93億元人民幣）收購生成式人工智能初創公司MosaicML，以提供為企業構建類ChatGPT工具的服務。
該收購之後，MosaicML 將成為Databricks Lakehouse 平台的一部分，MosaicML 的整個團隊和技術都將納入Databricks旗下，為企業提供統一的平台來管理數據資產，並且能夠使用自己的專有數據來構建、擁有和保護自己的生成式AI 模型。
MosaicML是一家非常年輕的生成式AI公司，它於2021年成立於舊金山，目前隻公開披露過一輪融資，員工僅62人。在上一輪的融資中，其估值為2.2億美元，也就是說，此次收購MosaicML的估值直接躍升了6倍。此筆交易是截至目前今年生成式AI領域內所公佈的最大一筆收購案。就在不久前，雲計算巨頭Snowflake剛剛宣布收購了另一家生成式AI公司Neeva。在經歷了幾個月的投資熱之後，大型企業對生成式AI初創公司的大規模併購潮似乎正在開啟。
Databricks起源於UC伯克利，曾參與Apache Spark項目開發。作為數據存儲和分析巨頭，截至2022年估值310億美元，幫助AT&T、殼牌、Walgreens等大型公司處理數據。前段時間，剛開源了自己大模型Dolly，旨在以更少參數實現與ChatGPT類似的效果。而在雲計算更加普及後，Spark提出的“湖倉一體”理念，深深影響了一批大數據初創企業。自2013年成立後，Databricks火速成長為全球最火的Data Infra公司。去年，Databricks公佈的年收入超過10億美元，而在2021年8月完成最新一輪融資後，其最新估值達到380億美金。
MosaicML MPT系列模型的優勢
MosaicML的MPT系列模型是從HuggingFace PretrainedModel基類中子類化的，與HuggingFace生態系統完全兼容。 MPT-7B模型是MosaicML最受歡迎的模型之一，擁有數十億個參數，可以處理超過2,000種自然語言處理任務。其中，MPT-7B的優化層包括FlashAttention和低精度層範數等，可以讓該模型比傳統訓練方法快2-7倍，資源的近線性可伸縮性確保了具有數十億參數的模型可以在幾小時內訓練，而不是過去的幾天。 MosaicML還發布了新的可商用的開源大語言模型MPT-30B，擁有300億參數，並且性能優於GPT-3。
數據來源：MT-Bench對MosaicML主流模型進行的評估
MPT系列模型的優勢在於它們的高效性和低成本。使用大量數據進行“訓練”的人工智能模型的複雜度急劇上升，訓練一個模型現在至少要花費數百萬美元，除了大公司之外，其他中小型企業普遍都無法承受。而MosaicML的MPT系列模型可以讓企業以更低的成本和更高的效率訓練自己的語言模型，從而可以更輕鬆地應用生成式AI技術，實現更好的業務表現。大多數開源語言模型只能處理最多具有幾千個tokens的序列（參見圖1）。但是，借助MosaicML 平台和8xA100-40GB 的單個節點，用戶可以輕鬆微調MPT-7B 以處理高達65k 的上下文長度。處理這種極端上下文長度適應的能力來自ALiBi，這是MPT-7B中的關鍵架構選擇之一。
例如，《了不起的蓋茨比》的全文不到68k個Token。在一個測試中，模型StoryWriter閱讀了《了不起的蓋茨比》並生成了一個尾聲。模型生成的尾聲之一如圖2 所示。 StoryWriter在大約20秒內（每分鐘約15萬字）讀完了《了不起的蓋茨比》。由於序列長度較長，其“打字”速度比其他MPT-7B型號慢，每分鐘約105個單詞。儘管StoryWriter 的上下文長度為65k 進行了微調，但ALiBi 使模型能夠推斷出比訓練更長的輸入：在《了不起的蓋茨比》的情況下為68k 個Token，在測試中高達84k 個標記。
圖2：MPT-7B-StoryWriter-65k+ 為《了不起的蓋茨比》寫了尾聲。尾聲的結果是提供《了不起的蓋茨比》的全文（大約68k 個Token）作為模型的輸入，後跟“尾聲”一詞，並允許模型繼續生成。
生成式AI技術的普及
生成式AI技術是人工智能的一種分支，它利用大量的數據和深度學習算法，能夠自動生成原始文本、圖像和計算機代碼等內容。這種技術的出現，讓人們可以更加便捷地處理數據、分析數據，更好地服務於人類的需求。隨著大數據和人工智能技術的快速發展，生成式AI技術已經被廣泛應用於自然語言處理、圖像識別和虛擬現實等領域。例如，在自然語言處理領域中，GPT-4已經成為了最受歡迎的生成式AI模型之一，可以用於生成文章、翻譯語言和回答問題等任務。在圖像識別領域，StyleGAN2能夠生成高質量的圖像，可以用於遊戲開發、影視製作和虛擬現實等領域。
MosaicML的CEO Naveen Rao此前曾表示，自2018 年以來，使用大量數據進行“訓練”的人工智能模型的複雜度急劇上升，訓練一個模型現在至少要花費數百萬美元，除了大公司之外，其他中小型企業普遍都無法承受。而此次收購之後，Databricks的Lakehouse 平台和MosaicML 技術的聯合產品將能夠讓企業可以使用自己的專有數據來簡單、快速、低成本進行生成式AI模型的訓練和構建，在讓用戶擁有數據的控制權和所有權的情況下，可以進行自定義AI 模型開發。根據Databricks的相關說法，在Databricks 和MosaicML的平台和技術支持下，企業訓練和使用LLMs 的成本將顯著降低，預計可以降至數千美元左右。這為生成式AI的普及提供了便利。
Databricks收購MosaicML的意義
Databricks收購MosaicML的主要目的是加速生成式AI技術的發展和民主化。通過將兩家公司的技術和資源整合起來，Databricks可以更好地滿足客戶的需求，提供更高效、更便捷的解決方案。具體而言，該收購將帶來以下幾個方面的改變：
1. 更高效的大語言模型
Databricks收購MosaicML後，可以將MPT系列模型集成到其Lakehouse平台中，為客戶提供更高效、更低成本的大語言模型。這將有助於企業更好地處理自然語言處理任務，提高業務效率和準確性。
2.更快的模型訓練速度
MosaicML的MPT系列模型具有快速訓練的特點，這將有助於Databricks提供更快速的模型訓練服務。這對於需要快速響應市場需求的企業來說尤為重要，可以幫助他們更好地滿足客戶的需求。
3. 更高的民主化程度
Databricks收購MosaicML也意味著生成式AI技術的民主化程度將會進一步提高。 MosaicML的MPT系列模型可以讓中小型企業更輕鬆地訓練自己的語言模型，從而可以更好地應用生成式AI技術，實現更好的業務表現。這將有助於推動生成式AI技術的發展和應用，促進人工智能技術的普及和發展。
總結
生成式人工智能應用程序旨在根據用戶的自然語言提示生成原始文本、圖像和計算機代碼。自去年11月人工智能初創公司OpenAI推出在線生成AI聊天機器人ChatGPT以來，人們對這項技術的興趣激增。 “每個組織都應該能夠從人工智能革命中受益，並對其數據的使用方式有更多的控制。Databricks 和MosaicML 有一個難以置信的機會來實現人工智能的民主化，並使Lakehouse 成為構建生成式人工智能的最佳場所。”Databricks 聯合創始人兼首席執行官Ali Ghodsi表示。
Databricks收購MosaicML的意義不僅在於加速生成式AI技術的發展和民主化，更在於將兩家公司的技術和資源整合起來，為客戶提供更高效、更便捷的解決方案。隨著人工智能技術的快速發展和應用，生成式AI技術將扮演著越來越重要的角色，Databricks收購MosaicML的舉動也體現了各企業對於這個方向的重視和投資。像Anthropic和OpenAI這樣的公司將現成的語言模型授權給企業，然後企業在其上構建生成AI應用程序。在對這些模型的強勁商業需求的推動下，為像MosaicML這樣的初創公司創造了機會。從Snowflake和Databricks接連的收購步伐中我們可以看到，大型科技公司對於生成式AI技術正在從自主研發、戰略投資逐步邁向兼併收購階段。
參考來源：
https://www.databricks.com/company/newsroom/press-releases/databricks-signs-definitive-agreement-acquire-mosaicml-leading-generative-ai-platform
https://twitter.com/lmsysorg/status/1672077353533730817/photo/1
https://www.mosaicml.com/blog/mpt-7b#appendix-eval
https://www.mosaicml.com/blog/mpt-30b