巨額算力投入成為技術(shù)和效益優(yōu)化的瓶頸，技術(shù)路徑破局迫在眉 睫。從效益端看，基于 Transformer 架構(gòu)的模型在訓(xùn)練計(jì)算量（training FLOPs）達(dá)到一定量級(jí)時(shí)，模型性能才出現(xiàn)向上的“拐點(diǎn)”，因此在 大模型訓(xùn)練任務(wù)中，算力成為必須的基礎(chǔ)性資源。但隨著模型越來(lái) 越大，算力成本越來(lái)越高，成本飆升源于模型復(fù)雜度和數(shù)據(jù)量攀升 對(duì)計(jì)算資源的需求。Anthropic 首席執(zhí)行官表示，三年內(nèi) AI 模型的 訓(xùn)練成本將上升到 100 億美元甚至 1000 億美元。巨額的大模型訓(xùn) 練投入一定程度減緩了技術(shù)進(jìn)步和效益提升，因此技術(shù)路徑破局尤 為關(guān)鍵。當(dāng)前 MoE 以及 OpenAI o1 的“思維鏈”是重要探索實(shí)踐。

MoE 框架是對(duì) Transformer 架構(gòu)的優(yōu)化，關(guān)鍵在于路由策略及微 調(diào)。其能在不給訓(xùn)練和推理階段引入過(guò)大計(jì)算需求的前提下大幅提 升模型能力。在基于 Transformer 的大型語(yǔ)言模型（LLM）中，每個(gè) 混合專(zhuān)家（MoE）層的組成形式通常是𝑁個(gè)“專(zhuān)家網(wǎng)絡(luò)”搭配一個(gè)“門(mén) 控網(wǎng)絡(luò)”G。門(mén)控函數(shù)（也被稱(chēng)路由函數(shù)）是所有 MoE 架構(gòu)的基礎(chǔ) 組件，作用是協(xié)調(diào)使用專(zhuān)家計(jì)算以及組合各專(zhuān)家的輸出。根據(jù)對(duì)每 個(gè)輸入的處理方法，該門(mén)控可分為三種類(lèi)型：稀疏式、密集式和 soft 式。其中稀疏式門(mén)控機(jī)制是激活部分專(zhuān)家，而密集式是激活所有專(zhuān) 家，soft 式則包括完全可微方法，包括輸入 token 融合和專(zhuān)家融合。

MoE 在 NLP、CV、語(yǔ)音識(shí)別以及機(jī)器人等領(lǐng)域表現(xiàn)出色，且在更 高性能的大模型推理芯片 LPU 加持下，MoE模型提升效果顯著。

OpenAI o1 基于“思維鏈”的創(chuàng)新推理模式，學(xué)會(huì)人類(lèi)“慢思考”， 專(zhuān)業(yè)領(lǐng)域的效果突出。OpenAI o1 相比之前的 AI 大模型最跨越性的 一步在于擁有人類(lèi)“慢思考”的特質(zhì)：系統(tǒng)性、邏輯性、批判性、 意識(shí)性。在響應(yīng)用戶提出的難題之前，OpenAI o1 會(huì)產(chǎn)生一個(gè)縝密 的內(nèi)部思維鏈，進(jìn)行長(zhǎng)時(shí)間的思考，完善思考過(guò)程、意識(shí)邏輯錯(cuò)誤、 優(yōu)化使用策略、推理正確答案。這種深度思考能力在處理數(shù)學(xué)、編 程、代碼、優(yōu)化等高難度問(wèn)題時(shí)發(fā)揮重要作用，能夠進(jìn)行博士級(jí)別 的科學(xué)問(wèn)答，成為真正的通用推理。推理側(cè)的應(yīng)用模式創(chuàng)新有望在 更為專(zhuān)業(yè)的領(lǐng)域創(chuàng)造價(jià)值應(yīng)用，從通用的偏娛樂(lè)領(lǐng)域逐步過(guò)渡到偏 嚴(yán)肅的專(zhuān)業(yè)領(lǐng)域場(chǎng)景，AI 大模型的真正實(shí)踐價(jià)值有望進(jìn)一步釋放， 因此 o1 模型提供的新應(yīng)用范式和能力維度在大模型技術(shù)路線演繹 中，具有里程碑意義。

附件：MoE與思維鏈助力大模型技術(shù)路線破局：MoE模型提升效果顯著，擁有人類(lèi)“慢思考”的特質(zhì)