天工一刻 | 一文看懂MoE混合專家大模型

　　隨著大模型技術(shù)迎來顛覆性突破，新興AI應(yīng)用大量涌現(xiàn)，不斷重塑著人類、機器與智能的關(guān)系。

　　為此，昆侖萬維集團重磅推出《天工一刻》系列產(chǎn)業(yè)觀察欄目。在本欄目中，我們將對大模型產(chǎn)業(yè)熱點、技術(shù)創(chuàng)新、應(yīng)用案例進行深度解讀，同時邀請學(xué)術(shù)專家、行業(yè)領(lǐng)袖分享優(yōu)秀的大模型行業(yè)趨勢、技術(shù)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(gòu)”，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(fā)者們在社交平臺上發(fā)帖討論，有的看戲吐槽、有的認真分析、有的開展技術(shù)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(gòu)。

　　而在國內(nèi)，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(shù)，超越了3140億參數(shù)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(shù)原理?它的優(yōu)勢和缺點是什么?它又憑什么能成為當(dāng)前最火的大模型技術(shù)?

　　以上問題，本文將逐一回答。

　　MoE核心邏輯：術(shù)業(yè)有專攻

　　MoE，全稱Mixture of Experts，混合專家模型。

　　MoE是大模型架構(gòu)的一種，其核心工作設(shè)計思路是“術(shù)業(yè)有專攻”，即將任務(wù)分門別類，然后分給多個“專家”進行解決。

　　與MoE相對應(yīng)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(wù)，但一群專家能夠更高效、更專業(yè)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(cè)圖為傳統(tǒng)大模型架構(gòu)，右圖為MoE大模型架構(gòu)。

　　兩圖對比可以看到，與傳統(tǒng)大模型架構(gòu)相比，MoE架構(gòu)在數(shù)據(jù)流轉(zhuǎn)過程中集成了一個專家網(wǎng)絡(luò)層(紅框部分)。

　　下圖為紅框內(nèi)容的放大展示：

　　(圖片來源：Zian (Andy) Wang)

　　專家網(wǎng)絡(luò)層的核心由門控網(wǎng)絡(luò)(Gating Network)和一組專家模型(Experts)構(gòu)成，其工作流程大致如下：

　　1、數(shù)據(jù)首先會被分割多個區(qū)塊(Token)，每組數(shù)據(jù)進入專家網(wǎng)絡(luò)層時，首先會進入門控網(wǎng)絡(luò)。

　　2、門控網(wǎng)絡(luò)將每組數(shù)據(jù)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(shù)據(jù)，“讓專業(yè)的人做專業(yè)的事”。

　　3、最終，所有專家的輸出結(jié)果匯總，系統(tǒng)進行加權(quán)融合，得到最終輸出。

　　當(dāng)然，以上只是一個概括性描述，關(guān)于門控網(wǎng)絡(luò)的位置、模型、專家數(shù)量、以及MoE與Transformer架構(gòu)的具體結(jié)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(wǎng)絡(luò)”相比，一組術(shù)業(yè)有專攻的“專家網(wǎng)絡(luò)”能夠提供更好的模型性能、更好地完成復(fù)雜的多種任務(wù)，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(shù)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(yè)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(guī)模定律，也譯為縮放定律。這不是一個嚴格的數(shù)學(xué)定律，它只是用來描述物理、生物、計算機等學(xué)科中關(guān)于系統(tǒng)復(fù)雜屬性變化的規(guī)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(jié)論：

　　“模型越大，性能越好。”

　　更準確的描述是：當(dāng)AI研究人員不斷增加大語言模型的參數(shù)規(guī)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(xiàn)智能涌現(xiàn)。

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

　　但以O(shè)penAI為代表的業(yè)內(nèi)另一種聲音說：“我反對!”

　　2019年，機器學(xué)習(xí)先驅(qū)Rich Sutton曾經(jīng)發(fā)表過一篇經(jīng)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(tǒng)方法是一種錯誤的思路;也許試圖用人類智慧設(shè)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(yè)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(guī)模，再砸進去天文數(shù)字的強大算力，讓Scaling Law創(chuàng)造出更“聰明”的人工智能，而不是靠人類自己去設(shè)計。

　　在這一輪大模型火起來之前，遵循這一思路的科學(xué)家一直是業(yè)內(nèi)的少數(shù)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(xùn)練的困難程度、資源投入、訓(xùn)練時間都在指數(shù)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(wěn)定性也越來越差，種種綜合原因讓大模型參數(shù)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(yù)算下，如何訓(xùn)練一個規(guī)模更大、效果更好的大模型，成為了困擾行業(yè)的問題。

　　此時，人們將目光投向了MoE。

　　MoE：突破萬億參數(shù)大關(guān)

　　早在1991年，兩位人工智能界的泰斗Michael Jordan與Geoffrey Hinton就聯(lián)手發(fā)布了MoE領(lǐng)域的奠基論文《Adaptive Mixtures of Local Experts》，正式開創(chuàng)了這一技術(shù)路徑。

　　2020年，《GShard: Scaling Giant Models with Conditional Computation and Automatic Sharding》論文又首次將MoE技術(shù)引入到Transformer架構(gòu)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(shù)大關(guān)。

　　Switch Transformers模型參數(shù)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(yù)訓(xùn)練速度提升，并實現(xiàn)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(cè)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(gòu)，其模型效果與計算效率都得到了顯著提升。

　　總結(jié)起來，MoE在大模型領(lǐng)域的優(yōu)勢包括：

　　1、與傳統(tǒng)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(yù)訓(xùn)練，計算效率更高、速度更快，進而使得模型規(guī)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(jù)輸入數(shù)據(jù)的不同，動態(tài)地選擇不同的專家網(wǎng)絡(luò)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(yīng)速度。

　　3、由于MoE架構(gòu)中集成了多個專家模型，每個專家模型都能針對不同的數(shù)據(jù)分布和構(gòu)建模式進行搭建，從而顯著提升大模型在各個細分領(lǐng)域的專業(yè)能力，使得MoE在處理復(fù)雜任務(wù)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(wù)或領(lǐng)域的優(yōu)化策略，并通過增加專家模型數(shù)量、調(diào)整專家模型的權(quán)重配比等方式，構(gòu)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(yōu)勢之于，MoE架構(gòu)也存在著不少挑戰(zhàn)。

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

　　此外，隨著模型規(guī)模的擴大，MoE同樣面臨著訓(xùn)練不穩(wěn)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(fā)者們不斷優(yōu)化提升。

　　結(jié)語

　　總結(jié)來說，MoE架構(gòu)的核心思想是將一個復(fù)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(wǎng)絡(luò)分別處理。這些專家網(wǎng)絡(luò)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(dāng)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(shù)門檻高，其研發(fā)之初仍舊以海外巨頭為主導(dǎo)，國內(nèi)只有昆侖萬維等少數(shù)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(shù)為核心的“暴力出奇跡”路線主導(dǎo)了當(dāng)前的人工智能行業(yè)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(gòu)已歷經(jīng)了30年歲月;深度神經(jīng)網(wǎng)絡(luò)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(lǐng)人類攀上人工智能的又一座高峰。

　　MoE不是人工智能技術(shù)前進道路的終點，它甚至不會是大模型技術(shù)的最終答案。未來，還將有大量感知、認知、計算、智能領(lǐng)域的挑戰(zhàn)擺在研究者面前，等待著人們?nèi)ブ鹨唤鉀Q。

　　所幸的是，怕什么真理無窮，進一寸有一寸的歡喜。