与密集模型扩展的比较

获得更强模型的传统方法是一种简单但代价大的策略：统一增大模型。当标准Transformer模型通过增加其前馈网络（FFN）的宽度或添加更多层来扩展时，总参数量和计算成本（即浮点运算次数，FLOPs）会紧密关联地一同增加。专家混合模型（MoE）打破了这种僵硬的关系，从根本上改变了扩展的经济性。

将参数与计算分离

在密集模型中，给定层中的每个输入token都由每个参数处理。例如，Transformer中的FFN块，它通常是MoE层替换的主要对象，通常包含两个大型线性变换。单个token所需的参数数量和计算量与模型的维度成正比，具体来说是 d_model 和 d_ffn。

$$\text{密集模型的FLOPs} \approx 2 \times \text{批大小} \times \text{序列长度} \times d_{\text{model}} \times d_{\text{ffn}}$$

这个等式表明，通过增加 d_ffn 让模型“更智能”，你必须同时付出直接且不可避免的计算代价。

MoE模型引入了稀疏激活模式，分离了这两个因素。尽管模型可能包含大量总参数并分布在许多专家中，但对于任何给定token，只有其中一小部分参数被激活。例如，门控网络从可能的64个专家中选择前两个专家。

MoE层的总参数量是其所有专家的总和：

$$\text{MoE参数} = N_{\text{专家}} \times \text{专家参数}$$

然而，计算成本仅与激活的专家数量 $k$ 成正比：

$$\text{MoE模型的FLOPs} \approx k \times (2 \times \text{批大小} \times \text{序列长度} \times d_{\text{model}} \times d_{\text{专家}})$$

这是MoE架构的核心优势。通过增加更多专家（$N_{\text{专家}}$）同时保持 $k$ 固定不变，你可以大幅提升模型的容量（总参数），同时保持每个token的计算成本不变。这使得拥有数万亿参数的模型成为可能，它们可以用与小得多密集模型相当的计算预算进行训练。

这是数据流的比较。在密集模型中，所有token都通过一个单一的大型网络。在MoE模型中，门控网络将token路由到专业化、更小的专家网络的一个小子集。

扩展趋势与系统影响

扩展理念上的差异不仅仅是理论上的；它对硬件利用率、训练时间、和系统设计有深刻影响。密集模型的增长受限于单个设备的内存和计算能力，而MoE模型的增长则受限于设备集群的聚合内存。

在密集模型中，参数和计算成本几乎呈线性增长。MoE模型打破了这一趋势，使得参数可以大幅增加，而训练所需的FLOPs计算量增长慢得多，呈亚线性关系。

这个图表说明了核心的权衡。对于给定的计算预算（y轴），你可以训练一个参数量（x轴）远超密集模型的MoE模型。这与以下发现一致：一旦达到特定阈值，模型性能与参数量的关系优于与额外训练数据或训练步骤的关系。

训练动态与推理特点

这种架构差异在模型生命周期中导致不同的挑战。

训练

对于密集模型，扩展意味着获取具有更大内存和处理能力的更强加速器。主要挑战是将一个更大的、整体的模型加载到一个设备上，并在合理时间内完成训练步骤。

对于MoE模型，挑战从单节点能力转向多节点通信和内存聚合。由于总参数量很容易超过任何单个加速器的内存，模型必须分布式部署。这使得专家并行等技术（即不同专家托管在不同设备上）成为必要而非可选。瓶颈通常从原始计算转向“全对全”操作的通信开销，这些操作需要将token发送到其指定的专家并收集结果。

推理

在推理期间，密集模型相对来说部署简单。其整个参数集都处于激活状态，一旦加载到内存中，它会以可预测的延迟处理请求。

MoE模型的推理更为复杂。庞大的参数量带来了显著的内存挑战。将一个数万亿参数的模型加载到单个推理服务器的GPU内存中通常不可行。这催生了专家卸载等专门技术，即不活跃的专家存储在更便宜、更慢的内存（如CPU RAM或NVMe存储）中，并且仅在需要时才加载到GPU上。虽然这解决了内存问题，但可能引入显著的延迟，使得高效的批处理和调度对于获得可接受的性能极为重要。

总之，MoE的扩展并非免费午餐。它用密集模型的暴力计算扩展，换取了一种更复杂、更注重系统的方法。你可以在给定FLOP预算下获得极大的模型容量，但作为交换，你必须管理分布式系统、通信瓶颈以及复杂的推理策略。后续章节将提供应对这一新局面的工具。