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。
