WebGPT VS WebGPU - 技术栈

推荐：使用 NSDT编辑器 快速搭建3D应用场景

随着WebGPU的引入，Web开发发生了有趣的转变，WebGPU是一种新的API，允许Web应用程序直接访问设备的图形处理单元（GPU）。这种发展意义重大，因为 GPU 擅长复杂的计算。

一个说明WebGPU潜力的项目是WebGPT。这是一个用JavaScript和HTML编写的简单应用程序，旨在展示WebGPU API的功能。

在这篇文章中，我们将讨论为什么 WebGPT 很重要以及如何在本地和浏览器中实现它。我们走吧！

跳跃前进：

什么是 WebGPT 和 WebGPU？

在我们深入研究 WebGPT 的实际实现之前，让我们简要介绍一下它在幕后是如何工作的。

WebGPT 是转换器模型的 JavaScript 和 HTML 实现，转换器模型是一种特定的机器学习模型，旨在有效地处理序列数据。在自然语言处理（NLP）中，序列数据通常是指文本，其中单词和字符的顺序对其含义至关重要;序列的各个部分与整体一样重要。

转换器模型是擅长处理 NLP 序列数据的机器学习模型。这些模型构成了许多最先进的自然语言处理模型的基础，包括GPT（生成预训练转换器）。

WebGPT 的转换器模型旨在与 WebGPU 配合使用，WebGPU 是一个允许 Web 应用程序访问和使用设备GPU 的 API。GPU 特别擅长执行机器学习模型所需的并行计算类型，使其成为 WebGPT 的强大资源。

在WebGPU之前，应用程序必须主要依赖于设备的中央处理器（CPU）或较旧的，效率较低的API，如WebGL。相比之下，WebGPT 使用明确设计的转换器模型，以使用 WebGPU API 在浏览器中运行。

当 WebGPT 接收到输入时，它使用其转换器模型来处理数据。借助WebGPU API，它可以在用户设备上本地执行计算。然后，结果直接在浏览器中返回，从而实现快速高效的执行。

将如此强大的机器学习模型引入浏览器对 Web 开发具有深远的影响，包括：

实时数据处理：当可以在客户端完成计算时，有可能以最小的延迟进行实时数据处理。这可以改变一系列应用程序的用户体验，从交互式工具和游戏到实时分析。
增强的隐私：由于数据处理在用户设备上本地进行，因此无需将潜在的敏感数据发送到服务器。对于处理个人或敏感数据的应用程序来说，这可能会改变游戏规则，从而增强用户的信任和隐私。
成本效益：公司可以通过将计算负载从服务器转移到客户端来节省服务器成本。这可以使小型公司或个人开发人员可以使用高级机器学习功能。

WebGPT被设计为易于使用：它只需要一组HTML和JavaScript文件即可运行。但是，由于WebGPU是一项相当新的技术，因此您需要与WebGPU兼容的浏览器。

截至 2023 年 113 月，Chrome v<> 支持 WebGPU。另一种方法是安装 Chrome Canary 或 Edge Canary 以确保兼容性。

您可以直接在其演示网站上试用 WebGPT，网址为 https://www.kmeans.org。远程加载模型权重可能比在本地加载模型权重慢，因此为了获得响应速度更快的体验，建议尽可能在本地运行 WebGPT。

若要在本地运行 WebGPT，请执行以下步骤：

克隆 WebGPT 存储库：您可以通过在终端中运行以下命令来克隆存储库：git clone https://github.com/0hq/WebGPT.git
安装 Git LFS：克隆存储库后，需要使用 Git LFS 下载模型文件，Git LFS 是一个 Git 扩展，允许您在 Git 存储库中存储大文件。在本地计算机上安装 Git LFS，然后导航到终端中的 WebGPT 目录并运行：git lfs install
下载模型文件：之后，运行以下命令下载模型文件：git lfs pull
在本地服务器上启动 WebGPT 文件：您可以使用简单的 HTTP 服务器或像 Live Server for Visual Studio Code 这样的工具。
在浏览器中打开 WebGPT 页面：导航到运行 WebGPT 的本地服务器的 URL。您应该会看到如下所示的页面：

我们的网络GPT页面

单击任意"加载模型"按钮以加载模型 权重。之后，您可以在输入框中输入文本，然后单击生成根据输入生成文本。

我们的 WebGPT 演示在实际应用

WebGPT 有两个内置模型：一个小型 GPT-莎士比亚模型和具有 2.117 亿个参数的 GPT-<>。如果要使用自定义模型，请检查存储库中的脚本目录，以将 PyTorch 模型转换为 WebGPT 可以使用的格式。other/conversion_scripts

以下是我们的目录：

我们的转换脚本目录

由于 WebGPT 建立在 WebGPU 之上，因此了解 WebGPU 的挑战和局限性非常重要。虽然WebGPU是一项有前途的技术，但它仍然是一个相对较新的API，因此它有一些挑战需要克服。其中一些包括：

缺乏浏览器支持：并非所有浏览器目前都支持 WebGPU，即使是那些支持 WebGPU 的浏览器也可能没有完全支持。这可能会使开发和部署 WebGPU 应用程序变得困难，更不用说部署它们供公众使用了。
复杂性：WebGPU 是一个复杂的 API，可能很难学习和使用。对于不熟悉低级图形 API 的开发人员来说，这可能是一个进入障碍
性能：在某些情况下，WebGPU可能比WebGL慢，尤其是在较旧的硬件上。这是因为 WebGPU 是一个更低级别的 API，可能需要更多时间来编译着色器和设置图形管道

随着API的成熟和越来越多的浏览器支持它，我们可以期待看到这些挑战得到解决。与此同时，像WebGPT这样的工具可以帮助实验和采用WebGPU。

GPT 和类似模型由于其高计算需求而主要在服务器上运行;但是，WebGPT 表明这些模型可以直接在浏览器中运行，提供的性能可能与基于服务器的设置相媲美。

借助 WebGPU 等技术和 WebGPT 等项目提供的功能，我们可以将 GPT 等转换器模型的使用扩展相当多。随着技术的成熟和优化的改进，我们可以看到更大的模型在浏览器中流畅运行。

了解更多→

这可以提高Web应用程序中高级AI功能的可用性，从更复杂的聊天机器人到强大的实时文本分析和生成工具，甚至加速变压器模型的研究和开发。通过使部署这些模型更容易、更便宜，更多的开发人员和研究人员将有机会试验和改进它们。

通过 WebGPU 将高级机器学习模型引入浏览器为开发人员提供了许多机会，它提出了一个未来的愿景，即 Web 应用程序更强大、响应更快、更注重隐私。