Antigravity Agent
2.6 KiB
2.6 KiB
id: P-Reinforce-AUTO-MOES-001 category: Unified confidence_score: 1.00 tags: [auto-reinforced, moe, mixture-of-experts, sparse-architecture, routing, compute-efficiency] last_reinforced: 2026-05-04
Mixture of Experts (MoE) & Sparse Architectures
📌 한 줄 통찰 (The Karpathy Summary)
"지능의 분업화: 거대한 지식을 가진 수많은 전문가들을 모델 안에 배치하고, 매 순간 필요한 소수의 전문가만 활성화함으로써 모델의 크기는 키우되 연산 비용은 낮게 유지하는 경제적 지능 설계."
📖 구조화된 지식 (Synthesized Content)
MoE(Mixture of Experts)는 모델의 전체 파라미터 중 일부만 연산에 참여시키는 희소(Sparse) 모델 설계 방식입니다.
- 핵심 원리:
- Experts (전문가): 모델 내부의 FFN 계층을 여러 개의 독립된 '전문가' 네트워크로 나눕니다.
- Router (라우터): 입력된 토큰별로 가장 적합한 전문가(보통 상위 1~2개)를 선택하여 연산을 보냅니다.
- Shared Experts (공유 전문가): 특정 모델(예: DeepSeek)은 모든 토큰이 공통적으로 거치는 '공유 전문가'를 두어 지식의 기초를 다집니다.
- 주요 장점:
- 연산 효율성: 전체 파라미터가 1조 개(1T)라도 추론 시에는 수십억 개만 사용하므로 속도가 빠릅니다.
- 확장성: 동일한 컴퓨팅 자원으로 더 방대한 지식을 담은 모델을 구축할 수 있습니다.
- 대표적 모델:
- GPT-4 (알려진 바에 따르면 MoE 아키텍처), Mixtral 8x7B, DeepSeek-V3.
⚖️ Trade-offs & Caveats
- VRAM 점유: 추론 연산은 적게 하지만, 모든 전문가의 가중치를 메모리에 올려두어야 하므로 요구되는 VRAM 용량은 모델의 전체 크기만큼 큽니다.
- 전문가 붕괴 (Expert Collapse): 라우터가 특정 전문가에게만 일을 몰아주어 나머지 전문가들이 학습되지 않는 현상이 발생할 수 있습니다. 이를 방지하기 위한 부하 분산(Load Balancing) 기술이 필수적입니다.
- 배포 복잡성: 전문가들을 여러 GPU에 분산 배치하고 동기화하는 과정이 일반 모델보다 훨씬 까다롭습니다.
🔗 지식 연결 (Graph)
- 기반 구조: Transformer Architecture
- 연관 기술: Routing Mechanism, Sparse Attention
- 경쟁 구조: Dense Models (Llama 3 등)
Last updated: 2026-05-04