天工一刻 | 一文看懂 MoE 混合专家大模型

随着大模型技术迎来颠覆性突破，新兴 AI 应用大量涌现，不断重塑着人类、机器与智能的关系。

为此，昆仑万维集团重磅推出《天工一刻》系列产业观察栏目。在本栏目中，我们将对大模型产业热点、技术创新、应用案例进行深度解读，同时邀请学术专家、行业领袖分享优秀的大模型行业趋势、技术进展，以飨读者。

MoE 混合专家大模型最近究竟有多火？

举个例子，在此前的 GTC 2024 上，英伟达 PPT 上的一行小字，吸引了整个硅谷的目光。

“GPT-MoE 1.8T”

这行小字一出来，X（推特）上直接炸锅了。

“GPT-4 采用了 MoE 架构”，这条整个 AI 圈疯传已久的传言，竟然被英伟达给“无意中”坐实了。消息一出，大量 AI 开发者们在社交平台上发帖讨论，有的看戏吐槽、有的认真分析、有的开展技术对比，一时好不热闹。

MoE 大模型的火热，可见一斑。

近半年多以来，各类 MoE 大模型更是层出不穷。在海外，OpenAI 推出 GPT-4、谷歌推出 Gemini、Mistral AI 推出 Mistral、连马斯克 xAI 的最新大模型 Grok-1 用的也是 MoE 架构。

而在国内，昆仑万维也于今年 4 月 17 日正式推出了新版 MoE 大语言模型「天工 3.0」，拥有 4000 亿参数，超越了 3140 亿参数的 Grok-1，成为全球最大的开源 MoE 大模型。

MoE 究竟是什么？它有哪些技术原理？它的优势和缺点是什么？它又凭什么能成为当前最火的大模型技术？

以上问题，本文将逐一回答。

MoE 核心逻辑：术业有专攻

MoE，全称 Mixture of Experts，混合专家模型。

MoE 是大模型架构的一种，其核心工作设计思路是“术业有专攻”，即将任务分门别类，然后分给多个“专家”进行解决。

与 MoE 相对应的概念是稠密（Dense）模型，可以理解为它是一个“通才”模型。

一个通才能够处理多个不同的任务，但一群专家能够更高效、更专业地解决多个问题。

（图片来源：《GShard: Scaling Giant Models with Conditional Computation and Automatic Sharding》）

上图中，左侧图为传统大模型架构，右图为 MoE 大模型架构。

两图对比可以看到，与传统大模型架构相比，MoE 架构在数据流转过程中集成了一个专家网络层（红框部分）。

下图为红框内容的放大展示：

（图片来源：Zian (Andy) Wang）

专家网络层的核心由门控网络（Gating Network）和一组专家模型（Experts）构成，其工作流程大致如下：

1、数据首先会被分割多个区块（Token），每组数据进入专家网络层时，首先会进入门控网络。

2、门控网络将每组数据分配给一个或多个专家，每个专家模型可以专注于处理该部分数据，“让专业的人做专业的事”。

3、最终，所有专家的输出结果汇总，系统进行加权融合，得到最终输出。

当然，以上只是一个概括性描述，关于门控网络的位置、模型、专家数量、以及 MoE 与 Transformer 架构的具体结合方案，各家方案都略有差别，但核心思路是一致的。

与一个“通才网络”相比，一组术业有专攻的“专家网络”能够提供更好的模型性能、更好地完成复杂的多种任务，同时，也能够在不显著增加计算成本的情况下大幅增加模型容量，让万亿参数级别的大模型成为可能。

Scaling Law：让模型更大

MoE 之所以受到整个 AI 大模型行业的追捧，一个核心的原因是——今天的大模型，正迫切地需要变得更大。

而这一切的原因，则要追溯到 Scaling Law。

Scaling Law，规模定律，也译为缩放定律。这不是一个严格的数学定律，它只是用来描述物理、生物、计算机等学科中关于系统复杂属性变化的规律。

而在大语言模型里，从 Scaling Law 能够衍生出一个通俗易懂的结论：

“模型越大，性能越好。”

更准确的描述是：当 AI 研究人员不断增加大语言模型的参数规模时，模型的性能将得到显著提升，不仅能获得强大的泛化能力，甚至出现智能涌现。

自人工智能诞生以来，人们一直试图设计出更巧妙的算法、更精密的架构，希望通过人类的智慧将机器设计得更聪明，达到通用人工智能。

但以 OpenAI 为代表的业内另一种声音说：“我反对！”

2019 年，机器学习先驱 Rich Sutton 曾经发表过一篇经典文章《The Bitter Lesson》，该文几乎被全体 OpenAI 成员奉为圭臬。

文中认为，也许这种传统方法是一种错误的思路；也许试图用人类智慧设计出通用人工智能的这个路径，在过去几十年间，让整个行业都走了大量弯路，付出了苦涩的代价。

而真正正确的路径是：不断扩大模型规模，再砸进去天文数字的强大算力，让 Scaling Law 创造出更“聪明”的人工智能，而不是靠人类自己去设计。

在这一轮大模型火起来之前，遵循这一思路的科学家一直是业内的少数派，但自从 GPT 路线在自然语言处理上大获成功之后，越来越多研究人员加入这一阵列。

追求更大的模型，成为了人工智能性能突破的一大核心思路。

然而问题随之而来。

众所周知，随着大模型越来越大，模型训练的困难程度、资源投入、训练时间都在指数型提升，可模型效果却无法保证等比例提升。

随着模型越来越大，稳定性也越来越差，种种综合原因让大模型参数量长久以来限制在百亿与千亿级别，难以进一步扩大。

如何在有限的计算资源预算下，如何训练一个规模更大、效果更好的大模型，成为了困扰行业的问题。

此时，人们将目光投向了 MoE。

MoE：突破万亿参数大关

早在 1991 年，两位人工智能界的泰斗 Michael Jordan 与 Geoffrey Hinton 就联手发布了 MoE 领域的奠基论文《Adaptive Mixtures of Local Experts》，正式开创了这一技术路径。

2020 年，《GShard: Scaling Giant Models with Conditional Computation and Automatic Sharding》论文又首次将 MoE 技术引入到 Transformer 架构中，拉开了“MoE+大模型”的大幕。

2022 年，Google《Switch Transformers: Scaling to Trillion Parameter Models with Simple and Efficient Sparsity》论文中提出的 MoE 大模型更是一举突破了万亿参数大关。

Switch Transformers 模型参数达到 1.57 万亿，与此前的 T5 模型相比，在相同的计算资源下获得高达 7 倍的模型预训练速度提升，并实现了 4 倍的模型加速。

而正如文章开头所言，本届 GTC 上英伟达侧面证实了那个公认的传言：OpenAI 在 2023 年推出的 GPT-4，同样采用了 MoE 架构，其模型效果与计算效率都得到了显著提升。

总结起来，MoE 在大模型领域的优势包括：

1、与传统的 Dense 模型相比，MoE 能够在远少于前者所需的计算资源下进行有效的预训练，计算效率更高、速度更快，进而使得模型规模得到显著扩大，获得更好的 AI 性能。

2、由于 MoE 在模型推理过程中能够根据输入数据的不同，动态地选择不同的专家网络进行计算，这种稀疏激活的特性能够让模型拥有更高的推理计算效率，从而让用户获得更快的 AI 响应速度。

3、由于 MoE 架构中集成了多个专家模型，每个专家模型都能针对不同的数据分布和构建模式进行搭建，从而显著提升大模型在各个细分领域的专业能力，使得 MoE 在处理复杂任务时性能显著变好。

4、针对不同的专家模型，AI 研究人员能够针对特定任务或领域的优化策略，并通过增加专家模型数量、调整专家模型的权重配比等方式，构建更为灵活、多样、可扩展的大模型。

不过，天下没有免费的性能提升，在拥有种种优势之于，MoE 架构也存在着不少挑战。

由于 MoE 需要把所有专家模型都加载在内存中，这一架构对于显存的压力将是巨大的，通常涉及复杂的算法和高昂的通信成本，并且在资源受限设备上部署受到很大限制。

此外，随着模型规模的扩大，MoE 同样面临着训练不稳定性和过拟合的问题、以及如何确保模型的泛化性和鲁棒性问题、如何平衡模型性能和资源消耗等种种问题，等待着大模型开发者们不断优化提升。

结语

总结来说，MoE 架构的核心思想是将一个复杂的问题分解成多个更小、更易于管理的子问题，并由不同的专家网络分别处理。这些专家网络专注于解决特定类型的问题，通过组合各自的输出来提供最终的解决方案，提高模型的整体性能和效率。

当前，MoE 仍旧是一个新兴的大模型研究方向，研究资料少、资源投入大、技术门槛高，其研发之初仍旧以海外巨头为主导，国内只有昆仑万维等少数玩家能够推出自研 MoE 大模型。

不过，值得注意的是，虽然以扩大模型参数为核心的“暴力出奇迹”路线主导了当前的人工智能行业研究，但时至今日也没有人能拍着胸脯保证，Scaling Law 就是人类通往通用人工智能的唯一正确答案。

从 1991 年正式提出至今，MoE 架构已历经了 30 年岁月；深度神经网络更是 70 年前就已提出的概念，直到近十多年间才取得突破，带领人类攀上人工智能的又一座高峰。

MoE 不是人工智能技术前进道路的终点，它甚至不会是大模型技术的最终答案。未来，还将有大量感知、认知、计算、智能领域的挑战摆在研究者面前，等待着人们去逐一解决。

所幸的是，怕什么真理无穷，进一寸有一寸的欢喜。

参考资料：

1、GShard: Scaling Giant Models with Conditional Computation and Automatic Sharding

2、Mixture of Experts: How an Ensemble of AI Models Decide As One

3、Switch Transformers: Scaling to Trillion Parameter Models with Simple and Efficient Sparsity

4、「天工 2.0」MoE 大模型发布