隨著大模型技術迎來顛覆性突破，新興AI應用大量涌現，不斷重塑著人類、機器與智能的關系。

　　為此，昆侖萬維集團重磅推出《天工一刻》系列產業觀察欄目。在本欄目中，我們將對大模型產業熱點、技術創新、應用案例進行深度解讀，同時邀請學術專家、行業領袖分享優秀的大模型行業趨勢、技術進展，以饗讀者。

　　MoE混合專家大模型最近究竟有多火?

　　舉個例子，在此前的GTC 2024上，英偉達PPT上的一行小字，吸引了整個硅谷的目光。

　　“GPT-MoE 1.8T”

　　這行小字一出來，X(推特)上直接炸鍋了。

　　“GPT-4采用了MoE架構”，這條整個AI圈瘋傳已久的傳言，竟然被英偉達給“無意中”坐實了。消息一出，大量AI開發者們在社交平臺上發帖討論，有的看戲吐槽、有的認真分析、有的開展技術對比，一時好不熱鬧。

　　MoE大模型的火熱，可見一斑。

　　近半年多以來，各類MoE大模型更是層出不窮。在海外，OpenAI推出GPT-4、谷歌推出Gemini、Mistral AI推出Mistral、連馬斯克xAI的最新大模型Grok-1用的也是MoE架構。

　　而在國內，昆侖萬維也于今年4月17日正式推出了新版MoE大語言模型「天工3.0」，擁有4000億參數，超越了3140億參數的Grok-1，成為全球最大的開源MoE大模型。

　　MoE究竟是什么?它有哪些技術原理?它的優勢和缺點是什么?它又憑什么能成為當前最火的大模型技術?

　　以上問題，本文將逐一回答。

　　MoE核心邏輯：術業有專攻

　　MoE，全稱Mixture of Experts，混合專家模型。

　　MoE是大模型架構的一種，其核心工作設計思路是“術業有專攻”，即將任務分門別類，然后分給多個“專家”進行解決。

　　與MoE相對應的概念是稠密(Dense)模型，可以理解為它是一個“通才”模型。

　　一個通才能夠處理多個不同的任務，但一群專家能夠更高效、更專業地解決多個問題。

　　(圖片來源：《GShard: Scaling Giant Models with Conditional Computation and Automatic Sharding》)

　　上圖中，左側圖為傳統大模型架構，右圖為MoE大模型架構。

　　兩圖對比可以看到，與傳統大模型架構相比，MoE架構在數據流轉過程中集成了一個專家網絡層(紅框部分)。

　　下圖為紅框內容的放大展示：

　　(圖片來源：Zian (Andy) Wang)

　　專家網絡層的核心由門控網絡(Gating Network)和一組專家模型(Experts)構成，其工作流程大致如下：

　　1、數據首先會被分割多個區塊(Token)，每組數據進入專家網絡層時，首先會進入門控網絡。

　　2、門控網絡將每組數據分配給一個或多個專家，每個專家模型可以專注于處理該部分數據，“讓專業的人做專業的事”。

　　3、最終，所有專家的輸出結果匯總，系統進行加權融合，得到最終輸出。

　　當然，以上只是一個概括性描述，關于門控網絡的位置、模型、專家數量、以及MoE與Transformer架構的具體結合方案，各家方案都略有差別，但核心思路是一致的。

　　與一個“通才網絡”相比，一組術業有專攻的“專家網絡”能夠提供更好的模型性能、更好地完成復雜的多種任務，同時，也能夠在不顯著增加計算成本的情況下大幅增加模型容量，讓萬億參數級別的大模型成為可能。

　　Scaling Law：讓模型更大

　　MoE之所以受到整個AI大模型行業的追捧，一個核心的原因是——今天的大模型，正迫切地需要變得更大。

　　而這一切的原因，則要追溯到Scaling Law。

　　Scaling Law，規模定律，也譯為縮放定律。這不是一個嚴格的數學定律，它只是用來描述物理、生物、計算機等學科中關于系統復雜屬性變化的規律。

　　而在大語言模型里，從Scaling Law能夠衍生出一個通俗易懂的結論：

　　“模型越大，性能越好。”

　　更準確的描述是：當AI研究人員不斷增加大語言模型的參數規模時，模型的性能將得到顯著提升，不僅能獲得強大的泛化能力，甚至出現智能涌現。

　　自人工智能誕生以來，人們一直試圖設計出更巧妙的算法、更精密的架構，希望通過人類的智慧將機器設計得更聰明，達到通用人工智能。

　　但以OpenAI為代表的業內另一種聲音說：“我反對!”

　　2019年，機器學習先驅Rich Sutton曾經發表過一篇經典文章《The Bitter Lesson》，該文幾乎被全體OpenAI成員奉為圭臬。

　　文中認為，也許這種傳統方法是一種錯誤的思路;也許試圖用人類智慧設計出通用人工智能的這個路徑，在過去幾十年間，讓整個行業都走了大量彎路，付出了苦澀的代價。

　　而真正正確的路徑是：不斷擴大模型規模，再砸進去天文數字的強大算力，讓Scaling Law創造出更“聰明”的人工智能，而不是靠人類自己去設計。

　　在這一輪大模型火起來之前，遵循這一思路的科學家一直是業內的少數派，但自從GPT路線在自然語言處理上大獲成功之后，越來越多研究人員加入這一陣列。

　　追求更大的模型，成為了人工智能性能突破的一大核心思路。

　　然而問題隨之而來。

　　眾所周知，隨著大模型越來越大，模型訓練的困難程度、資源投入、訓練時間都在指數型提升，可模型效果卻無法保證等比例提升。

　　隨著模型越來越大，穩定性也越來越差，種種綜合原因讓大模型參數量長久以來限制在百億與千億級別，難以進一步擴大。

　　如何在有限的計算資源預算下，如何訓練一個規模更大、效果更好的大模型，成為了困擾行業的問題。

　　此時，人們將目光投向了MoE。

　　MoE：突破萬億參數大關

　　早在1991年，兩位人工智能界的泰斗Michael Jordan與Geoffrey Hinton就聯手發布了MoE領域的奠基論文《Adaptive Mixtures of Local Experts》，正式開創了這一技術路徑。

　　2020年，《GShard: Scaling Giant Models with Conditional Computation and Automatic Sharding》論文又首次將MoE技術引入到Transformer架構中，拉開了“MoE+大模型”的大幕。

　　2022年，Google《Switch Transformers: Scaling to Trillion Parameter Models with Simple and Efficient Sparsity》論文中提出的MoE大模型更是一舉突破了萬億參數大關。

　　Switch Transformers模型參數達到1.57萬億，與此前的T5模型相比，在相同的計算資源下獲得高達7倍的模型預訓練速度提升，并實現了4倍的模型加速。

　　而正如文章開頭所言，本屆GTC上英偉達側面證實了那個公認的傳言：OpenAI在2023年推出的GPT-4，同樣采用了MoE架構，其模型效果與計算效率都得到了顯著提升。

　　總結起來，MoE在大模型領域的優勢包括：

　　1、與傳統的Dense模型相比，MoE能夠在遠少于前者所需的計算資源下進行有效的預訓練，計算效率更高、速度更快，進而使得模型規模得到顯著擴大，獲得更好的AI性能。

　　2、由于MoE在模型推理過程中能夠根據輸入數據的不同，動態地選擇不同的專家網絡進行計算，這種稀疏激活的特性能夠讓模型擁有更高的推理計算效率，從而讓用戶獲得更快的AI響應速度。

　　3、由于MoE架構中集成了多個專家模型，每個專家模型都能針對不同的數據分布和構建模式進行搭建，從而顯著提升大模型在各個細分領域的專業能力，使得MoE在處理復雜任務時性能顯著變好。

　　4、針對不同的專家模型，AI研究人員能夠針對特定任務或領域的優化策略，并通過增加專家模型數量、調整專家模型的權重配比等方式，構建更為靈活、多樣、可擴展的大模型。

　　不過，天下沒有免費的性能提升，在擁有種種優勢之于，MoE架構也存在著不少挑戰。

　　由于MoE需要把所有專家模型都加載在內存中，這一架構對于顯存的壓力將是巨大的，通常涉及復雜的算法和高昂的通信成本，并且在資源受限設備上部署受到很大限制。

　　此外，隨著模型規模的擴大，MoE同樣面臨著訓練不穩定性和過擬合的問題、以及如何確保模型的泛化性和魯棒性問題、如何平衡模型性能和資源消耗等種種問題，等待著大模型開發者們不斷優化提升。

　　結語

　　總結來說，MoE架構的核心思想是將一個復雜的問題分解成多個更小、更易于管理的子問題，并由不同的專家網絡分別處理。這些專家網絡專注于解決特定類型的問題，通過組合各自的輸出來提供最終的解決方案，提高模型的整體性能和效率。

　　當前，MoE仍舊是一個新興的大模型研究方向，研究資料少、資源投入大、技術門檻高，其研發之初仍舊以海外巨頭為主導，國內只有昆侖萬維等少數玩家能夠推出自研MoE大模型。

　　不過，值得注意的是，雖然以擴大模型參數為核心的“暴力出奇跡”路線主導了當前的人工智能行業研究，但時至今日也沒有人能拍著胸脯保證，Scaling Law就是人類通往通用人工智能的唯一正確答案。

　　從1991年正式提出至今，MoE架構已歷經了30年歲月;深度神經網絡更是70年前就已提出的概念，直到近十多年間才取得突破，帶領人類攀上人工智能的又一座高峰。

　　MoE不是人工智能技術前進道路的終點，它甚至不會是大模型技術的最終答案。未來，還將有大量感知、認知、計算、智能領域的挑戰擺在研究者面前，等待著人們去逐一解決。

　　所幸的是，怕什么真理無窮，進一寸有一寸的歡喜。