揭秘DeepSeek：为何选择MoE负载均衡技术？
DeepSeek 是如何做专家的负载均衡的？如果你在面试时被问到这个问题，应该怎么回答呢？
01 面试官心理分析
从面试官的角度来看，你至少得答到下面这两个层面：
-
第一层，为什么要做专家的负载均衡，动机是什么？
-
第二层，DeepSeek 是怎么做的，它具体有什么高明之处？
好，那接下来我们就一起来分析拆解一下这道面试题目。
02 面试题解析
首先第一点，为什么要做专家的负载均衡？
这里先给大家科普一下负载均衡的概念，它实际上是分布式服务里面的一个概念，指的是一个服务部署到多个节点。
多个用户的请求要尽量让每个节点均匀分配，而不是集中在某些节点上，造成单点过热，从而引发故障。
对于 MoE 架构，现在也是采用了分布式的训练架构，叫 MoE 并行，也就是把不同专家放在不同的机器上，那如果对 token 处理不均匀，也会造成专家之间的负载不均衡。
我们都知道啊，DeepSeek 采用了 shared MoE 架构，看这张图。
从图中可以看到，其中一部分是共享专家 Shared Expert，而另一部分是路由专家 Routed Expert。共享专家是每次固定都会激活，而路由专家是有选择的稀疏激活。
比如在 deepseek v3 中，用了 1 个共享专家+256 个路由专家组成，然后从 256 个路由专家里面选 8 个专家出来。
所以每个 token 其实只有 8 个专家激活，而其他 248 个专家都是不起作用的。
如果某一个专家能力特别强，那它激活的频率就会特别高，而有些专家比较普通，那可能激活的频率又特别低，这样就会造成负载不均衡。
好，了解了这个，我们再来看一下，DeepSeek 是怎么做到 MoE 负载均衡的？
首先，DeepSeek 在选专家的时候，对每一个专家都加了一个可调整的 bias 系数，用来控制当前专家被选中的概率。
来看公式：
可以看到，这里面的 s 就是专家被选中的概率，而 b 就是该专家的 bias 系数。
为了方便大家理解，我们来举个例子：
假设有三个专家，专家 1，专家 2，专家 3，现在要选择其中两个概率最高的专家出来，这里最后一列是专家的输出。
专家 1：0.38 100
专家 2：0.33 200
专家 3：0.29 150
如果我们不做 bias 干预，可以看到专家 1～专家 3 的得分，分别是 0.38，0.33，0.29，那按照概率最高的来选，当然是选择专家 1 和专家 2。
现在我们发现专家 1 之前被选中的次数太多了，而专家 3 之前被选中的次数又比较少，所以我们想加大专家 3 被选中的概率，而减少专家 1 的概率，所以 bias 系数分别调整为 +0.1，0，-0.1。
专家1：0.38 - 0.1 100
专家2：0.33 + 0 200
专家3：0.29 + 0.1 150
这样和原始的专家选中概率加和之后，三个专家的概率变成了 0.28，0.33，0.39，那按照最高的两个概率来选，最后就选择了专家 2 和专家 3。因此最后的输出就是这样，也就是 124.5。
200 * 0.33 + 0.39 * 150 = 124.5
至于如何去调整这个 bias，DeepSeek 的论文中是这样做的。
它是通过一个更新步长 gamma 来进行动态调整，初始 bias 设置为 0，如果某个专家 overload 了，则 bias 减去 gamma，反之，如果某个专家 underload 了，则 bias 加上 gamma。
那如何判断某个专家是否过载呢？这点论文没有细说。当然了，这个有很多方案，比较容易想到的一种实现是，维护一个长度为专家个数的向量 M，向量的每一个元素命中对应专家的次数。
可以根据这个专家最近一段历史被选中的次数除以总次数，得到专家被命中的概率，最后对所有专家做一个归一化。
然后设置一个阈值，如果高于某个阈值则判定为 overload，反之则是 unberload。
当然，这个 gamma 也不是一成不变的，论文中做了 decay，在前 14.3T 数据，gamma 设置为 0.001，最后 500B token，设置为 0。
好，那以上就是对这道 DeepSeek 大模型面试题目的一个分析和拆解，这里是丁师兄大模型，持续分享大模型面试干货！
一、大模型风口已至：月薪30K+的AI岗正在批量诞生
2025年大模型应用呈现爆发式增长，根据工信部最新数据：
国内大模型相关岗位缺口达47万
初级工程师平均薪资28K
70%企业存在"能用模型不会调优"的痛点
真实案例：某二本机械专业学员，通过4个月系统学习，成功拿到某AI医疗公司大模型优化岗offer，薪资直接翻3倍！
二、如何学习大模型 AI ？
AI取代的不是人类，而是不会用AI的人！麦肯锡最新报告显示：掌握AI工具的从业者生产效率提升47%，薪资溢价达34%！
由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。
但是具体到个人，只能说是：
“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。
这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。
我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。
我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。
1️⃣ 提示词工程：把ChatGPT从玩具变成生产工具
2️⃣ RAG系统：让大模型精准输出行业知识
3️⃣ 智能体开发：用AutoGPT打造24小时数字员工
熬了三个大夜整理的《AI进化工具包》送你：
✔️ 大厂内部LLM落地手册（含58个真实案例）
✔️ 提示词设计模板库（覆盖12大应用场景）
✔️ 私藏学习路径图（0基础到项目实战仅需90天）
第一阶段（10天）：初阶应用
该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。
* 大模型 AI 能干什么？
* 大模型是怎样获得「智能」的？
* 用好 AI 的核心心法
* 大模型应用业务架构
* 大模型应用技术架构
* 代码示例：向 GPT-3.5 灌入新知识
* 提示工程的意义和核心思想
* Prompt 典型构成
* 指令调优方法论
* 思维链和思维树
* Prompt 攻击和防范
* …
第二阶段（30天）：高阶应用
该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。
* 为什么要做 RAG
* 搭建一个简单的 ChatPDF
* 检索的基础概念
* 什么是向量表示（Embeddings）
* 向量数据库与向量检索
* 基于向量检索的 RAG
* 搭建 RAG 系统的扩展知识
* 混合检索与 RAG-Fusion 简介
* 向量模型本地部署
* …
第三阶段（30天）：模型训练
恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。
到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？
* 为什么要做 RAG
* 什么是模型
* 什么是模型训练
* 求解器 & 损失函数简介
* 小实验2：手写一个简单的神经网络并训练它
* 什么是训练/预训练/微调/轻量化微调
* Transformer结构简介
* 轻量化微调
* 实验数据集的构建
* …
第四阶段（20天）：商业闭环
对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。
* 硬件选型
* 带你了解全球大模型
* 使用国产大模型服务
* 搭建 OpenAI 代理
* 热身：基于阿里云 PAI 部署 Stable Diffusion
* 在本地计算机运行大模型
* 大模型的私有化部署
* 基于 vLLM 部署大模型
* 案例：如何优雅地在阿里云私有部署开源大模型
* 部署一套开源 LLM 项目
* 内容安全
* 互联网信息服务算法备案
* …
学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。
如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。
这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】
