Sự kết hợp của các chuyên gia
Hỗn hợp các chuyên gia (MoE) là một thiết kế mô hình chia mạng thành nhiều mạng con chuyên dụng và chỉ kích hoạt một số mạng con cho mỗi đầu vào.
Tổng quan
It lets models hold enormous knowledge while keeping each prediction fast and cheap.
Lặn sâu
Một máy biến áp tiêu chuẩn chạy mọi đầu vào qua cùng các lớp dày đặc, do đó, việc làm cho mô hình thông minh hơn thường có nghĩa là khiến mọi tính toán trở nên đắt đỏ hơn. Hỗn hợp các chuyên gia phá vỡ liên kết đó. Nó thay thế lớp chuyển tiếp nguồn cấp dữ liệu lớn bằng nhiều mạng 'chuyên gia' nhỏ hơn cộng với một 'bộ định tuyến' nhỏ quyết định chuyên gia nào xử lý từng mã thông báo. Thông thường chỉ có 1 hoặc 2 chuyên gia hàng đầu mới kích hoạt, do đó, một mô hình có thể có tổng cộng hàng trăm tỷ tham số nhưng chỉ kích hoạt một phần nhỏ trên mỗi mã thông báo. Đây là lý do tại sao các mô hình như Mixtral 8x7B và kiến trúc được đồn đại đằng sau GPT-4 đạt chất lượng cao mà không có chi phí suy luận cao tương ứng. Sự đánh đổi rất phức tạp: tất cả các chuyên gia vẫn phải nằm trong bộ nhớ và bộ định tuyến có thể định tuyến sai hoặc làm quá tải một số chuyên gia, vì vậy việc đào tạo đòi hỏi phải cân bằng cẩn thận.
Hiểu biết kỹ thuật
Trọng tâm của MoE là mạng gating, một lớp học nhỏ chấm điểm từng chuyên gia cho một mã thông báo đến và định tuyến mã thông báo đó đến những người ghi điểm cao nhất trong top-k (thường là k=1 hoặc 2). Để ngăn bộ định tuyến gửi mọi thứ cho một số chuyên gia yêu thích, quá trình đào tạo sẽ bổ sung thêm một 'mất cân bằng tải' phụ trợ để trừng phạt việc sử dụng không đồng đều. Vì chỉ có k chuyên gia chạy trên mỗi mã thông báo nên tính toán (FLOP) gần như không đổi ngay cả khi bạn thêm nhiều chuyên gia hơn, do đó, tổng thông số và chi phí trên mỗi mã thông báo sẽ thay đổi độc lập.
Tác động chiến lược
Chi phí và ngân sách
Các quyết định về kiến trúc sẽ thúc đẩy hiệu suất và chi phí vận hành trong nhiều năm.
Quyết định rõ ràng hơn
Giáo dục kỹ thuật giúp các nhóm chọn nhóm phù hợp chứ không chỉ nhóm mới nhất.
Kiểm soát chất lượng
Lựa chọn kỹ thuật tốt hơn làm giảm sự cố về độ tin cậy trong sản xuất.
Tương lai của sự kết hợp của các chuyên gia
MoE đang trở thành một công cụ mặc định cho các mô hình quy mô biên giới vì nó tách rời năng lực khỏi chi phí. Mong đợi các chuyên gia chi tiết hơn, định tuyến thông minh hơn xem xét nhiều ngữ cảnh hơn và các kỹ thuật tốt hơn để phục vụ các mô hình thưa thớt khổng lồ trên phần cứng hạn chế. Nghiên cứu cũng đang giải quyết vấn đề bộ nhớ, vì tất cả các chuyên gia đều phải được tải dù chỉ có một số ít người chạy, thông qua việc giảm tải và lượng tử hóa chuyên gia. Khi các mô hình mở như Mixtral và DeepSeek-MoE trưởng thành, kiến trúc thưa thớt có thể sẽ cung cấp năng lượng cho các trợ lý hiệu quả hơn với ngân sách GPU nhỏ hơn.
Triển khai trong thế giới thực
Mixtral 8x7B sử dụng 8 chuyên gia và kích hoạt 2 chuyên gia trên mỗi mã thông báo, cung cấp tổng số tham số khoảng 47B nhưng chỉ hoạt động ~13B trên mỗi mã thông báo để suy luận nhanh hơn, rẻ hơn.
DeepSeek và Qwen cung cấp các mô hình ngôn ngữ MoE lớn phù hợp với các mô hình dày đặc về điểm chuẩn trong khi chạy với khả năng tính toán trên mỗi mã thông báo thấp hơn.
Các nhà cung cấp Cloud LLM sử dụng MoE để một mô hình lớn duy nhất có thể phục vụ nhiều người dùng với chi phí hợp lý vì mỗi yêu cầu chỉ thu hút một số chuyên gia.
Switch Transformer trước đó của Google đã mở rộng quy mô lên hơn một nghìn tỷ tham số bằng cách sử dụng định tuyến top 1 để duy trì khả năng quản lý điện toán đào tạo.
Rủi ro & lan can
Tối ưu hóa một điểm chuẩn có thể che giấu những điểm yếu của hệ thống rộng hơn.
Chi phí cơ sở hạ tầng và bảo trì thường được đánh giá thấp.
Khoảng cách về bảo mật và khả năng quan sát có thể tăng lên khi hệ thống trở nên phức tạp hơn.
Lộ trình thực hiện
Xác định các mục tiêu về độ trễ, chất lượng và chi phí trước khi triển khai.
Điểm chuẩn trong điều kiện tải và dữ liệu thực tế.
Giám sát thiết bị về lỗi, độ lệch và tác động của người dùng.
Chuẩn bị đường dẫn khôi phục và ứng phó sự cố trước khi mở rộng quy mô.
Tiếp tục khám phá
Free newsletter
Get the daily AI briefing
Three verified AI stories every weekday morning, written in plain English. Free forever, no ads.
One email each weekday. Unsubscribe in one click. We never sell or share your address.
Test yourself
Take the Mixture of Experts quiz
Instant feedback on every answer, and a shareable certificate with a verifiable ID once you pass a course.
Support free AI education. AI Understanding is a 501(c)(3) nonprofit — no ads, no paywall, ever. Make a donation
Hướng dẫn tiếp theo
Hỗn hợp các chuyên gia LoRA
Câu hỏi thường gặp
What is Mixture of Experts?
Hỗn hợp các chuyên gia (MoE) là một thiết kế mô hình chia mạng thành nhiều mạng con chuyên dụng và chỉ kích hoạt một số mạng con cho mỗi đầu vào. Nó cho phép các mô hình nắm giữ lượng kiến thức khổng lồ trong khi vẫn duy trì từng dự đoán nhanh chóng và tiết kiệm chi phí.
Trong lớp Hỗn hợp các chuyên gia, điều gì quyết định chuyên gia nào xử lý một mã thông báo nhất định?
Một mạng lưới nhỏ sẽ học cách chấm điểm từng chuyên gia cho mã thông báo và định tuyến nó đến những chuyên gia có điểm cao nhất. Định tuyến được học, không cố định hoặc ngẫu nhiên.
Tại sao mô hình MoE có thể có tổng tham số lớn hơn nhiều so với mô hình dày đặc mà không có mức tăng tương ứng về giá mỗi mã thông báo?
Vì chỉ có các chuyên gia hàng đầu mới kích hoạt mỗi mã thông báo nên hoạt động tính toán gần như không đổi ngay cả khi tổng số tham số tăng lên bằng cách thêm nhiều chuyên gia hơn.
Mất mát cân bằng tải (phụ trợ) giải quyết vấn đề gì trong quá trình đào tạo MoE?
Nếu không có sự cân bằng, bộ định tuyến có xu hướng thiên về một số ít chuyên gia. Sự mất mát phụ trợ sẽ gây thiệt hại cho việc sử dụng không đồng đều nên tất cả các chuyên gia đều được đào tạo.
Mixtral 8x7B kích hoạt 2 trong số 8 chuyên gia cho mỗi mã thông báo. Điều này ngụ ý gì về tính toán của nó so với kích thước của nó?
Chỉ với 2 trong số 8 chuyên gia đang hoạt động, các tham số hoạt động trên mỗi mã thông báo (~13B) nhỏ hơn nhiều so với tổng số ~47B, giúp giảm chi phí suy luận.
Đâu là nhược điểm thực sự của các mô hình MoE so với các mô hình dày đặc có khả năng tương đương?
Mặc dù chỉ có một số chuyên gia tính toán trên mỗi mã thông báo, trọng số của mỗi chuyên gia vẫn phải được tải vào bộ nhớ, khiến các mô hình MoE cần nhiều bộ nhớ để phân phát.