當今幾乎所有前沿模型在底層架構中，皆採用模擬人腦效率的混合專家（MoE）模型架構。
正如大腦會根據任務啟動特定區域，混合專家模型將工作分配給專門的「專家」，僅針對每個 AI 詞元啟動相關的專家。這使得詞元的產生速度更快、效率更高，而無需成比例地增加運算量。
業界已經認可這項優勢。在獨立的 Artificial Analysis（AA）排行榜上，排名前十的最智慧開源模型均採用混合專家架構，包括 DeepSeek AI 的 DeepSeek-R1、Moonshot AI 的 Kimi K2 Thinking、OpenAI 的 gpt-oss-120B，以及 Mistral AI 的 Mistral Large 3。
然而，在生產環境中擴展混合專家模型並保持高效能向來極具挑戰。NVIDIA GB200 NVL72 系統極致的協同設計，透過軟硬體的深度整合實現效能與效率的最大化，使混合專家模型的擴展變得實用且直覺。
在 Artificial Analysis 排行榜上被評為最智慧的開源模型 Kimi K2 Thinking 混合專家模型，在 NVIDIA GB200 NVL72 機架級系統上的運算效能，較 NVIDIA HGX H200 提升10倍。這項突破性成果奠基於 DeepSeek-R1 與 Mistral Large 3 混合專家模型所展現的效能表現之上，彰顯混合專家正逐步成為前沿模型的首選架構，以及 NVIDIA 的全端推論平台是釋放其完整潛能的關鍵。
什麼是混合專家？為何混合專家已成為前沿模型的標準？
直至近期，業界打造更智慧 AI 的標準做法是建立更大、更密集的模型，這些模型會使用所有模型參數來產生每個詞元，而以當今最強大的模型而言，通常包含數千億個參數。雖然這樣的方法很強大，但需花費龐大的運算能力和能源，因此難以擴展。
就像人腦依靠特定區域來處理不同的認知任務一樣，無論是處理語言、識別物體還是解決數學問題，混合專家模型由多個專門的「專家」組成，對於任何給定的詞元，只有最相關的專家會被路由器啟動。這種設計意味著，即使整個模型可能包含數千億個參數，產生單一詞元時僅需使用其中的一小部分，通常是數百億個參數。
透過選擇性使用最重要的專家，混合專家架構能夠在不增加運算成本的狀況下，實現更高的智慧和適應性，使其成為高效 AI 系統的基礎，得以最佳化每元和每瓦特的效能表現，讓投入的每一單位能源和資本，都能創造出更多的智慧產出。
基於這些優勢，混合專家因此迅速成為前沿模型的首選架構，今年超過 60% 的開源 AI 模型版本都採用混合專家架構。自 2023 年初以來，該架構使模型智慧提升近 70 倍，推進AI 能力的極限。
Mistral AI 共同創辦人暨首席科學家 Guillaume Lample 表示：「我們兩年前從 Mixtral 8x7B 開始，在開源軟體混合專家模型架構領域開展突破性成果，確保先進智慧技術能廣泛應用於各類場景，且兼具可用性與持續性。Mistral Large 3 的混合專家架構使我們能夠擴展 AI 系統，在大幅降低能耗和運算資源需求的同時，實現更高的效能和效率。」
透過極致協同設計克服混合專家的擴展瓶頸
最先進的混合專家模型，規模與複雜度都已遠遠超出單一 GPU 能力範圍。要讓這類模型順利運行，必須將眾多「專家」分散到多顆 GPU 上執行，也就是所謂的專家平行化（expert parallelism）。但即便是在 NVIDIA H200 這類強大平台上，部署混合專家模型時仍會遇到多種瓶頸，包括：
- 記憶體限制：每處理一個詞元，GPU 都必須從高頻寬記憶體（HBM）動態載入被選中的專家參數，導致記憶體頻寬承受頻繁且沈重的壓力。
- 延遲：各個專家必須執行近乎即時的全互連（all-to-all）通訊模式來交換資訊，才能匯聚成最終完整答案。然而在 H200 上，當專家分散到超過八顆 GPU 時，就必須透過較高延遲的橫向擴展網路來通訊，進而限制了專家平行化所能帶來的效益。
解方是：極致協同設計（extreme codesign）。
NVIDIA GB200 NVL72 為機架級系統，內含 72 顆 NVIDIA Blackwell GPU，以單一 GPU的形式協同運作，提供 1.4 exaflops 的 AI 效能與 30TB 的高速共享記憶體。這 72 顆 GPU 透過 NVLink Switch 串接成單一、龐大的 NVLink 互連網狀架構，讓每顆 GPU 間都能以每秒130 TB 的 NVLink 連線頻寬互相通訊。
混合專家模型可以善用這樣的設計，將專家平行化擴展到過去難以達成的境界，將專家分散到多達 72 顆 GPU 上。
這樣的架構設計，透過以下方式直接解決混合專家的擴展瓶頸：
- 降低每顆 GPU 上的專家數量：當專家被分散到最多 72 顆 GPU 上時，每顆 GPU 所承載的專家數量就能下降，進而降低各 GPU 高頻寬記憶體在載入參數時所承受的壓力。每顆 GPU 上的專家變少，也能釋放出更多記憶體空間，讓單一 GPU 能同步服務更多使用者，並支援更長的輸入長度。
- 加速專家通訊：分布在不同 GPU 上的專家可藉由 NVLink 即時互相通訊。NVLink Switch 本身也具備足夠的運算能力，能處理部分整合多個專家資訊所需的計算，進一步加快輸出最終答案的速度。
其他全端最佳化同樣是釋放混合專家推論效能的關鍵。NVIDIA Dynamo 框架負責協調解耦式服務（disaggregated serving），將預填（prefill）與解碼（decode）任務分派到不同 GPU 上，讓解碼能搭配大規模專家平行化運行，而預填則採用更適合其工作負載的平行化技術。NVFP4 格式可在維持準確度的同時，進一步提升效能與能源效率。
NVIDIA TensorRT-LLM、SGLang 與 vLLM 等開源推論框架，都已支援這些混合專家模型最佳化。其中，SGLang 對於推進 GB200 NVL72 上的大規模混合專家發揮了顯著作用，協助驗證並完善今日廣泛採用的多項技術。
為了將這樣的效能帶給全球企業，GB200 NVL72 正由多家大型雲端服務供應商與 NVIDIA 雲端合作夥伴導入，包括 Amazon Web Services、Core42、CoreWeave、Crusoe、Google Cloud、Lambda、Microsoft Azure、Nebius、Nscale、Oracle Cloud Infrastructure、Together AI 等。
CoreWeave 共同創辦人暨技術長 Peter Salanki 表示：「在 CoreWeave，客戶正運用我們的平台，將混合專家模型導入生產環境，打造各式代理型工作流程。透過與 NVIDIA 的緊密合作，我們得以提供一個高度整合的平台，將混合專家效能、擴展性與可靠性集於一身。只有在專為 AI 而生的雲端環境中，才能做到這一點。」
DeepL 等客戶也正運用 Blackwell NVL72 機架級設計來建構並部署下一代 AI 模型。
DeepL 研究團隊主管 Paul Busch 表示：「DeepL 正使用 NVIDIA GB200 硬體來訓練混合專家模型，藉此在訓練與推論階段提升模型架構效率，在 AI 效能上樹立全新標竿。」
以每瓦效能展現實力
NVIDIA GB200 NVL72 能以高效擴展複雜的混合專家模型，在每瓦效能上實現 10 倍躍進。這不只是基準測試上的表現，而是能為即時、大規模 AI 工作負載帶來 10 倍的詞元產出效益，徹底改變受限於能源與成本的資料中心，在大規模AI部署下的經濟模式。
在 NVIDIA GTC Washington, D.C. 大會上，NVIDIA 創辦人暨執行長黃仁勳特別說明了 GB200 NVL72 如何在 DeepSeek-R1 模型上提供相較 NVIDIA Hopper 高出 10 倍的效能，而這樣的效能優勢同樣延伸到其它 DeepSeek 版本。
Together AI 共同創辦人暨執行長 Vipul Ved Prakash 表示：「結合 GB200 NVL72 與 Together AI 的客製最佳化，我們在像 DeepSeek-V3 這樣的大規模混合專家推論工作負載上，已能超越客戶預期。這些效能成長源自 NVIDIA 全端最佳化，再加上 Together AI Inference 在核心函式庫、執行階段引擎與推測解碼（speculative decoding）上的突破。」
這項效能領先優勢，同樣反映在其他前沿模型上。
被視為最智慧的開源模型之一的 Kimi K2 Thinking，則為另一個證明：在 GB200 NVL72 上部署時，其生成效能提升達 10 倍。
Fireworks AI 目前已在 NVIDIA B200 平台部署 Kimi K2，以在 Artificial Analysis 排行榜取得頂尖表現。
Fireworks AI 共同創辦人暨執行長 Lin Qiao 表示：「NVIDIA GB200 NVL72 機架級設計，讓混合專家模型服務的效率大幅提升。展望未來，NVL72 有潛力徹底改變我們服務超大規模混合專家模型的方式，相較 Hopper 平台帶來顯著的效能改善，為前沿模型的速度與效率樹立全新標竿。」
Mistral Large 3 在 GB200 NVL72 上，也較前一代 H200 平台實現了 10 倍的效能成長。這樣世代間的躍進，轉化為更佳的使用者體驗、更低的單詞元成本，以及更高的能源效率。
驅動大規模智慧
NVIDIA GB200 NVL72 機架級系統的設計，目標是在混合專家模型之外，同樣提供強大的 AI 效能。
觀察 AI 發展的方向即可理解原因：最新一代多模態 AI 模型通常包含專門處理語言、視覺、音訊與其他模態的組件，並只在當下任務需要時啟用相關組件。
在代理型系統中，不同「代理」則分別專精於規劃、感知、推理、工具使用或搜尋等工作，再由一個協調者整合它們的輸出，形成單一結果。這兩種情境的核心模式都與混合專家類似：將問題的各個部分導向最適合的專家，最後再協調並整合其輸出，產出最終結果。
當這個概念擴展到實際生產環境中，由多個應用與代理共同服務多位使用者時，就能解鎖全新的效率層級。與其為每個代理或應用分別複製一整套龐大 AI 模型，此方式能建立開放存取的共用專家池，將每一個請求導向最合適的專家。
混合專家是一種強大的架構，正推動產業邁向一個能力強大、效率與規模得以並存的未來。GB200 NVL72 今日已將這項潛力化為現實，而搭載 NVIDIA Vera Rubin 架構的未來產品藍圖，將持續拓展前沿模型的邊界。
想更深入了解 GB200 NVL72 如何擴展複雜混合專家模型，可參閱此篇技術深度解析。
本文屬於 Think SMART 系列，聚焦說明領先的 AI 服務供應商、開發者與企業，如何運用 NVIDIA 全端推論平台的最新進展，在實際應用中提升推論效能與投資報酬。