两周13篇论文，显存省85%：Mamba 诞生90天，火从语言烧到了图像和 DNA

2024年2月，Cognitive Revolution 主持人 Nathan Labenz 跟 AI 侦察员 Jason Meaux 打了个赌：两周之内，以 Mamba 为主题的新论文会出几篇？Nathan 开的盘口是5.5篇，Jason 买大。结果盘口被迫一路改到14，两周结束，最终数字停在13，只差一篇。

更值得玩味的是选题分布。原始 Mamba 论文2023年12月发布时，通篇没碰图像。而这90天里冒出来的后续论文，过半都在做视觉。

先给没听过 Mamba 的读者补一句背景：它是选择性状态空间模型（SSM），跟 Transformer 的注意力机制打对台。卖点是计算量随序列长度线性增长，注意力是平方增长，理论上下文可以无限长。这正是 Nathan 和 Jason 兴奋的起点。

这一期是两人 Mamba 系列精读的下篇，覆盖医学影像分割、多向扫描设计、超长上下文实验，还有一个可能改变药物研发的模型 Evo。Jason 维护着一个论文索引站 statespace.info，这期节目基本就是他90天刷论文的成果汇报。

先看那个赌局：指数曲线开始发力了

Nathan 复盘自己定盘口的心态：当时在想这条增长曲线走到哪了，弯得有多快。5.5明显低了。第一次改盘口到14时，他还觉得这个数很难够到，结果两周13篇。

两人顺势开了新盘口：未来90天，Mamba 新论文55篇。Jason 又买了大，理由很直接，55篇还不到前90天翻一倍的水平，按这条曲线大概率会超。6月5日可以验证。

两周13篇，这个架构已经从「一篇有意思的论文」变成了一个自循环的研究方向。没人发奖金，研究者就是自己想玩。

图像没有天然顺序，第一步是把它变成序列

语言、音乐、DNA 都有天然顺序，token 接着 token 读就行。图像是二维的，像素没有唯一读法，这是 Mamba 进视觉领域要过的第一道坎。Transformer 的老办法是切块，把小图块当 token，效果已经很好。但 Mamba 是循环结构，一次只能看一步，核心问题就变成了：怎么把二维图像摊平成一维序列。

打头阵的是多伦多大学的 UMamba，1月初发布。做法是让卷积块和 Mamba 块交错：卷积负责提取局部特征，盯着眼前这一小块；Mamba 负责长程依赖，把远处的关系串起来。整个网络是 U 形结构，在器官、CT、MRI 的基准上打平甚至超过了当时的最好水平。这篇论文点燃了分割论文的连环爆发，随后的 Swin-UMamba 直接在论文里引用并超过了 UMamba。Mamba 变体之间已经开始互相比较了，不再只盯着 Transformer 打。

Nathan 对分割任务有个提纲挈领的解释：它本质上更接近图像生成。灰度图进去，彩色标注图出来，不同颜色对应不同器官和组织。中间的网络结构叫 UNET，先从像素逐层抽象出高层概念，再逐层生成回一张新图，中间用跳跃连接保住原始细节。医生监控病情要翻几百张灰度图，手动把器官、肿瘤、组织分开，模型越准，这个反馈循环越快。

传统做分割靠卷积，卷积天生是局部的，一块一块往外扩，早期没法理解图像远处的部分。Mamba 补的就是这一块：完整扫一遍，或者双向、多向扫，拿到全局视野，再跟卷积的局部能力结合，最好的成绩就是这么来的。

节目里还插了一段虚拟染色的题外话。传统病理染色要切下组织、切片、滴化学试剂、人工看显微镜，全程几个小时，手术台上根本等不起。Tanishq Matthew Abraham 参与的项目用新型探针直接对体内组织拍二维图，再用模型生成染色效果，从取图到出结果可以压到秒级。这项工作还没进临床，但方向已经验证。他的另一个项目用视觉基础模型微调，从 fMRI 信号重建人当时看到的画面，数据少得可怜，微调路线再次奏效。

双向、四向、串行：扫描方式的军备竞赛

1月中旬，华中科技大学和地平线机器人发布了 Vim（Vision Mamba），第一个公开的多状态方案：图像序列正着扫一遍、反着扫一遍，两个选择性状态空间模型并行处理，结果直接相加。

数据很硬：比对比的 Transformer 快2.8倍，批量推理省下85%以上的 GPU 显存，测试分辨率1248×1248。同样的图，Transformer 要80GB 以上显存，Vim 只要11GB。11GB 是什么概念，一台用了几年的 MacBook Air 都装得下。论文原话：

「Vim 克服了 Transformer 式高分辨率图像理解在计算和内存上的限制，有潜力成为下一代视觉基础模型的骨干网络。」

地平线机器人的参与是个信号。机器人要在边缘设备上跑，80GB 显存没法随身带，11GB 就是能用和不能用的区别。

紧接着 vMamba 搞了四向交叉扫描：从四个角分别条带式扫过图像，四份表示并行处理后叠加。参数量在2000万到7000万之间，小模型跑四份没压力。Nathan 提出的疑问是，到70亿、700亿参数，四份状态还能不能塞进 SRAM，这是早期论文普遍绕开的问题。

2月8日的 Mamba-ND 把接线方式系统测了一遍：并行合并、全串行、混合接法都试了，还扩展到视频和气象数据。结果是串行最好：一个扫描处理完，把结果连同下一个扫描一起交给下一个状态空间模块。Nathan 打了个比方，与其克隆四个自己各看一遍再合并意见，不如自己先正着看一遍，带着第一遍的印象再换个方向看。Jason 补了原理：Mamba 的选择机制依赖输入，第一遍扫到的东西，只有串行才能影响第二遍的处理。论文末尾的有效感受野对比图也支持这一点，多向扫描下单个位置能「看到」的图像范围明显最大。

后面的几篇可以快速过。SegMamba 上三维，64×64×64 的立方体展开是26万长度的序列，三向扫描，只用了4张 A100。VIVIM 上视频，时间轴正扫反扫，第三向扫单帧内部。MambaMorph 做配准：MRI 和 CT 是两台机器拍的同一具身体，形状对不上，模型输出一个形变场，把两张图对齐到一起看。图结构那边，Graph Mamba 把图摊平成序列再加一个反向序列，1400个节点只花不到200MB 显存，对比的 Transformer 到800个节点左右就爆内存了。

Nathan 给这套玩法起了个名字，seeing like a mamba：任何数据，找到一种摊平成序列的表示，再不济就正反各扫一遍，新架构就能处理它。这是整个视觉部分最大的收获。

16K 训练，40K 才开始糊：超长上下文的第一份成绩单

LongMamba 用原版 Mamba 的训练数据子集，截到16000 token 训练。困惑度曲线在16000之后没有上升，到40000 token 才开始变差。训练窗口之外，模型还在泛化。大海捞针测试（Greg Kamradt 在 Twitter 上带火，拿 Claude 和 GPT-4 测过）的结果是16K 窗口内接近全对，测试内容是在一堆「草是绿的，天是蓝的」噪音里插入一句「密码是12362，记住它」，跑几百次画热力图。

有个细节跟 Transformer 的已知毛病正好相反：16K 窗口内的失败点出现在开头位置。Transformer 是「迷失在中间」，状态空间模型看起来是「迷失在开头」。超出训练窗口后还有点余量，20000 token 之后迅速衰减。

训练侧还有个便宜改进：作者在 GitHub 上延续 Tri Dao 等人的讨论，用 Transformer-XL 式的状态传递，一批训完把 SSM 隐状态存下来，下一批加载回去接着训。架构上没有任何东西阻止这么做，8张 A100 就能训到16K。Nathan 去年12月测过聊天版 Mamba，3000 token 左右就散架，后来发现训练数据里全是短对话。数据到位，能力就在。

更远的部分，经济学家罗宾·汉森有个观点：AI 系统会像生物和传统软件一样腐烂。困惑度在40K后回升，Nathan 的读法是状态开始被糊住，没有灾难性失败，但越走越黏。汉森还补了一刀：进化本可以造出永生并自我修复的生物，实际却选择了世代更替；软件也一样，没人无限打补丁，攒够了就重写。状态空间模型想无限跑下去，得发明自己的清理机制。Nathan 顺势下了个预测：未来90天会出现某种状态正则化，类似权重衰减的状态衰减，让旧信息逐步退场。粗糙版本是对状态里所有数值的总和加惩罚，不留不干活的信息。泰格马克组里 Ziming Liu 的「Seeing is Believing」论文在权重上玩过类似的花样，靠惩罚权重总量把网络压到最稀疏。

人脑的类比是：记不住昨天早饭吃了什么，但记得自己平时早饭吃什么。模糊记忆依然有用，问题是精度丢了，捞针就捞不到了。

Evo：拿 DNA 当训练数据，长出一个「细胞模型」

这一节被两人称为全场分量最重的部分。背景先说 ARC 研究所：Patrick Collison 参与创办，逻辑是很多人想做科学，不想当实验室主任，不想写基金、管学生、修仪器。ARC 发工资、配设备，你就专心做科学。

他们拿出的 Evo 用了 Together AI 的 StripedHyena 混合架构，在 DNA 序列上训练，一个碱基对一个 token，最长131000 token，主要用原核生物基因组。模型能生成很长的基因组序列，距离很远的片段之间表现出协调性。

Nathan 的判断是，语言模型靠预测下一个 token 长出世界模型，Evo 可能在做生物学版本的事，长出一个细胞模型。DNA 的长程依赖比语言狠得多：文本里隔几十万 token 才相关的情况是少数，细胞里基因组两端的片段各自表达蛋白，一个坏了整个细胞可能死，相互作用跟序列上的距离基本无关。

节目里还讨论了一个问题：光有 DNA 够不够？Jason 的看法是，细胞里真正的因果发生在 RNA 和蛋白层面的相互作用网里，那是一张乱糟糟的图。DNA 虽然是序列，但可以看成这张图天然摊平后的版本。人工处理图结构都得先摊平再扫描，大自然可能早就替我们做完了这一步。

一个耐人寻味的比例：LongMamba 训练16K，能力延到40K上下；Evo 训练131K，论文声称可用到650K。都是训练长度的数倍，比例量级接近。是巧合还是规律，等后续论文验证。

Nathan 现场发了招募帖，想找一位 AI 加生物学的侦察员搭档做下一期。他的理由是，语言这条线已经很重要，生物学这条路如果走通，分量一点不轻，而他自己读生物论文太吃力。Patrick Collison 的观察佐证了难度：没有记录显示有二十几岁的人颠覆过生物学，这个领域比机器学习复杂得多，没有设计，全是随机堆出来的相互作用，不熬过多年的细节就没法领航。

药物研发的战舰游戏，和 Transformer 的反击

AlphaFold 已经把门槛跨过去了：Alphabet 内部有专门部门做延伸和商业化，已有药物处在临床试验中或临近临床。Nathan 用一个游戏类比药物筛选：战舰。历史上大部分筛选在盲打，往细胞上扔东西，看有没有东西杀死癌细胞，命中率很低。传统方法里也有从自然找线索的路数，比如某种青蛙不得癌症，就去研究那只青蛙。计算模型有假阳性假阴性，但只要能把搜索空间缩小几个数量级，先超算打分、只把前1%送去湿实验，研发的投入产出比就换了量级。

一款药上市成本10亿美元，大头是临床试验，这部分短期不会变，但前端的命中环节会变。命中率提高百倍，意味着这件事本身值得做百倍的量。

Transformer 会被取代吗？Nathan 之前被问过：两年内状态空间模型会进前沿系统吗？他的答案是概率不小，理由很朴素：全世界都在抢算力，Mamba 省算力，光这一条就够它进主流。反过来问，如果进不了，原因会是什么？唯一说得通的答案是注意力真的够用：ring attention 把视野推到千万 token，Gemini 1.5 展示了超长上下文。把整个代码库扔进 Gemini 1.5 已经帮到很多人，而这还没做产品化优化。

注意力阵营还有一手叫 memory token。GPT-4V 里一张低分辨率图片只花85个 token，一图千言。照这个思路，把一大段文本压缩成一个 token 呢？10比1、100比1、1000比1，深层历史用压缩表示，下游照常跑全注意力，命中了再内置 RAG 式地把原文拉回来。这条路走顺的话，状态空间革命可能被 Transformer 的持续进化掐灭在半路。

还有个野路子数据点：magic.dev 宣布了约1亿美元融资，出资人包括 Nat Friedman 和 Daniel Gross，官网明说：

「Transformer 不是最终架构。我们手里有数百万 token 上下文窗口的东西。」

Jason 的收尾判断：90天的论文潮摆在那，没人需要被激励，大家抢着玩。但 Transformer 这边也没躺平，两边都可能赢。

明天就能用的四件事

• 想跟踪 Mamba 研究，直接收藏 Jason 维护的 statespace.info，比刷社交媒体系统得多。
• 做小数据领域模型的人，学 Swin-UMamba：先在通用数据上预训练，让模型学会边缘检测这类视觉原语，再用稀缺的领域数据微调。医学影像和脑扫描重建都靠这招拿到了几个点的提升。
• 做多向扫描的，参考 Mamba-ND 的结论：串行接线，让第二遍扫描带着第一遍的结果跑，目前成绩好于并行合并。
• Nathan 的招募帖是给所有人的：做这类精读不需要机器学习博士学位，需要的是极强的好奇心和搞明白的执念。选一个自己懂的交叉领域，照着这两期的样子做文献综述，这样的位置现在空着很多。