别TM浪费算力了，这样才能最大限度发挥deepseek的潜能 - MOE（第3讲）

《‍deepseek原理应用与实践》 3.deepseek极限潜能 - MOE

最近几周自学deepseek原理+应用+实践，一些成果，和大家分享：

1. 小众关心的，deepseek核心技术原理；

2. 大众关心的，提示词要怎么写；

今天和大家聊聊，deepseek的核心机制之一的混合专家MOE。

什么是混合专家MOE？

混合专家，Miture of Experts，该模型思路不再追求大而全，转而追求多而专精。它会将任务动态路由给各个领域专家，并将各个领域专家的输出进行组合。

比较抽象，举个容易理解的例子。

大而全模型：全栈工程师。

混合专家模型：Java，FE，QA，DBA，OP工程师...

大而全的模型有什么不足？

1. 训练时间长：培养一个“全栈”工程师太久了；

2. 计算性能差：面对一个产品需求，做设计编码上线周期长；

3. 回复不深入：什么都懂，但都不精，浅尝辄止；

而混合专家模型则能够很好的解决上述几个问题：

1. 培养一个Java工程师的周期更短；

2. 需求评审完之后，Java，FE，QA... 多个专家可以并行设计编码上线；

3. Java，FE，QA专人专岗，专业性高；

有了MOE之后，对LLM的架构有怎么样的影响？

学习与训练阶段

之前：追求多参数

如今：训练多专家Expert（例如：1万个专家，每个专家单一职责SRP）

计算与执行阶段

之前：收到提示词input，一上来就干

如今：

1. 先判断，需要几个专家（分类任务，很容易）；

2. 动态路由（需要一个门控网络作为协调者，Gating Network），分发任务给专家，专家并行计算；

3. 组合专家输出， 协调者再统筹输出；

input[提示词] --> 专家分类{专家E1E2...En}

门控网络 --> E1E2...En

E1 --> O1[输出1]

E1 --> O2[输出2]

...

En --> On[输出n]

O1O2...On --> 统筹输出[output]

MOE对我们写提示词，获取更佳的回答质量有什么启示呢？

如果觉得AI回复缺乏深度，可以显性告诉它，你希望它扮演什么专家角色来回复问题。

画外音：模型分类出来的专家角色不一定100%准确。

bad case：如何设计高并发高可用系统？

这样的提示词，你会得到一个泛泛而谈的回答。

good case：假设你是由以下专家组成的团队：

1. 分布式领域系统架构师

2. 电商领域业务架构师

3. 资深DBA

请分别从各自领域提出5项技术选型建议，并组合设计方案满足每秒10万次交易，数据满足最终一致性，故障恢复时间小于30秒的系统。

节省训练资源，缩短回复时间，提升回答质量，多个专家还能够交叉验证（大而全模型可能过拟合），deepseek创新性使用MOE之后，很快就得到了业界的广泛认可与复制。

deepseek，流弊！

总结

1. MOE是deepseek的核心创新应用（之一）；

2. 从此大模型从“大而全”转向“多而精”；

3. 提示词通过显性告诉deepseek专家角色，能够最大化发挥MOE的潜力；

一切的一切，提示词只有适配了AI的认知模式，才能最高效的发挥最大的作用。

知其然，知其所以然。

思路比结论更重要。

补充阅读材料：

《MOE简述》

https://klu.ai/glossary/mixture-of-experts