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）

最近几周我自学了deepseek的原理、应用和实践，现在和大家分享一下我的成果：

今天我们来聊聊deepseek的核心机制之一——混合专家（MOE）。

什么是混合专家（MOE）？

混合专家（Mixture of Experts）是一种不再追求大而全，而是追求多而专精的模型思路。它会将任务动态路由给各个领域的专家，并将各个专家的输出进行组合。

这个概念可能有点抽象，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工程师、前端工程师、测试工程师、数据库管理员、运维工程师...

大而全模型有什么不足之处？

而混合专家模型则能够很好地解决上述几个问题：

有了MOE之后，对LLM的架构有哪些影响？

在学习与训练阶段：

之前：追求多参数。

如今：训练多个专家（例如：1万个专家，每个专家单一职责SRP）。

在计算与执行阶段：

之前：收到提示词input，直接开始处理。

如今：

input[提示词] --> 专家分类{专家E1E2...En}

门控网络 --> E1E2...En

E1 --> O1[输出1]

E2 --> 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，可以明确告诉它，你希望它扮演什么专家角色来回答问题。

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：

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：

一切的一切，提示词只有适配了AI的认知模式，才能最高效地发挥最大的作用。

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://www.php.cn/link/8b78421d9ab29962ef6082f8233fbcec