昨天看到了一个新闻
“360 发布 CoE 模型路由， 把国产 15 家大模型路由起来，在 AI 搜索的评测超过了 GPT4o”
我去体验了一下 360 的 AI 助手 https://bot.360.com/（如下图），本文的全部内容都是基于对这个产品体验的有感而发。
MoE
我们先从 MoE 说起
什么是 MoE ?
“混合专家模型（英语：mixture of experts，简称 MoE），或译为多专家模型，是一种机器学习技术，通过门控（gating）模型将单一任务空间划分为多个子任务，再由多个专家网络（子模型）分别处理特定的子任务，最终得到整体的预测结果。混合专家模型与集成学习有相似之处，它们都应用多个子模型来处理问题。但它们的区别在于，混合专家模型中的每个专家都是针对不同的数据子空间进行训练的，以适应不同类型的输入数据。而集成学习一般而言则是使用多种模型对整个数据空间进行训练。
简单来说，MoE 是一种机器学习模型架构，它结合了多个专家模型（Experts）的预测。这些专家模型各自擅长处理数据的不同部分或方面，而 MoE 的主要任务是在这些专家之间动态地分配数据，以便每个数据点都能由最适合处理它的专家模型来处理。
具体来说，Mixture-of-Experts 模型通常包含以下几个组成部分：
专家（Experts）：一系列相对简单的模型，每个模型都在特定数据区域或任务上表现出色。 门控网络（Gating Network）：一个用于决定哪些专家应该处理哪些输入数据的模型。门控网络输出一个概率分布，指示每个专家对当前输入数据的相对重要性。 组合层（Combination Layer）：将各个专家的输出根据门控网络的概率分布进行加权组合，形成最终的预测结果。
Mixture-of-Experts 模型的优势在于它能够通过组合多个专家的力量来处理复杂的问题，同时每个专家只需专注于问题的某个方面，这有助于提高模型的泛化能力和效率。这种模型在处理具有多个模式或需要多领域知识的问题时特别有效。在实际应用中，MoE 已被用于语音识别、自然语言处理等多个领域。
无论中外，现代流行的大语言模型基本都是 MoE 架构的。在 Mixture-of-Experts（MoE）模型中，虽然存在多个专家，但它们通常是在同一个大模型内部集成的。这些专家模型不是独立运作的，而是作为整体模型的一部分，通过特定的机制（如门控网络）协同工作。
其实我们在日常对 AI 工具的使用过程中已经深有体会了，因为在不知不觉中，你的提问是会经由大模型内部的多个不同的 Export 处理的。
一个大型语言模型，它被设计来处理多种不同的文本生成任务，比如写诗、编写代码、创作小说等。在这个模型中，可以包含几个不同的“专家”网络，每个网络都针对特定的任务进行了优化：
诗歌专家：这个子网络专门针对诗歌的创作，它学习了大量的诗歌文本，因此擅长生成符合诗歌韵律和意境的内容。 编程专家：另一个子网络专注于编程语言的生成，它能够理解和生成各种编程语言的代码，理解编程逻辑和结构。 小说专家：这个子网络则专注于小说创作，它能够生成连贯的叙述、复杂的情节和丰富的人物对话。
在这样一个 MoE 架构中，每个专家网络都可以看作是大型语言模型的一部分，它们共享某些通用层，但各自拥有特定的参数和结构，以适应不同的文本生成任务。每个专家网络生成的内容会根据门控网络的权重进行组合，形成最终的输出。如果任务需要多个专家的知识，比如一个小说中包含了编程元素，门控网络可以同时激活小说专家和编程专家，并将它们的输出结合起来，以生成最合适的内容。
CoE
“"Collaboration-of-Experts" 强调的是模型之间的协作关系。在这种情况下，专家模型不是完全独立的，它们可能在训练过程中就相互协作，共享信息或参数，以共同学习数据特征。这种方法的目的是通过模型间的协作来提高预测性能。
MoE 没什么新鲜的，我一说你就能明白，同理，CoE 也很好理解
如果将 MoE 比喻成全科医院，那么这个医院有会多个不同领域的专家，比如内科专家、外科专家、妇产科专业、儿科专家等等。病人来看病，会根据检查情况被分配到不同的专家那里。
而 CoE 就类似于一个“专家联盟“，它联盟了多个医院的顶级专家。专家都隶属于不同的医院，在联盟有需要的情况下会根据不同领域找到不同医院的这些专家。比如一个儿科的问题，联盟会找到 “专家联盟” 中公认儿科最强的专家，无论他是哪家医院的。
这不就是 “合纵连横” 吗？
是的，360 这次 就是要做 AI 领域的苏秦、张仪。
合纵连横
““使我有洛阳二顷田，安能佩六国相印”
从软件时代到互联网、移动互联网时代再到 AI 时代， 360 从来都是不甘寂寞的，不挑起纷争也要加入纷争，为什么？因为利益，因为发展，因为情怀，因为所有那些可说和不可说的事情。
有的没的就不多扯了，说回产品。其实从用户的角度，确实存在这样的需求。作为 AI 工具的深度使用者，平时我会同时打开多个工具，将一个问题，在多处提问，然后看哪个返回的 “质量”好，即使在我使用过一段时间有了“经验” ，知道哪家的哪个工具处理哪种问题是最好的情况下，我仍然可能会 “一题多问”，因为模型在升级、工具在迭代，它们时不时的总会给我惊喜，我是一个不想错过惊喜的人。尤其是这种免费的惊喜。
你发现没，其实我就是在做 CoE 做的事情，只不过这个调度者是我自己而已，完全凭我自己的能力、经验、直觉。可能很靠谱，也可能很不靠谱。
麻烦的是，每一次我想 “一题多问” 时，都要打开多个工具，手动提问多次，如果登录失效了，还需要先登录再提问。
就我个人而已，我是可以写一个自动化的脚本，自动登录并打开多个网页并输入提问，然后静等各家的回答。那是因为我是程序员出身。但这个世界不止有程序员，还有那么多非技术背景的用户，我想需求是存在的，而且随着使用频率的增加会越来越突显
那么市面上有没有类似的产品呢？有的，但不多。
所以，从这个角度，我还是欣赏 360 的 AI 助手的，毕竟确实在满足这个需求。
产品体验
有什么模型 ？
既然是联合，那我们就先来看看都有哪些路神仙。
我们来列举一下：
智脑，就是 360 自家的模型 豆包，字节的 DeepSeek, 深度求索公司 （不熟？还前些日子大模型价格战，最后都降到 “白菜价”了吗？它就是“始作俑者”） MM 智能助理，Minimax 开发的 （国内首家多模态 AI 大模型创业公司，阿里投了 6 个亿啊） 通义千问，阿里的 Yi-Large，零一万物的（李开复带队孵化的 AI2.0 公司） 文心一言，你懂的 Kimi, 月之暗面 讯飞星火，科大讯飞的 商量，商汤科技的 智谱清言，清华大学计算机系技术成果转化而来的公司 百小应，百川智能（老板是搜狗的王小川）
还剩下最后一个，“AI 助手-集成多场景优势，提供全方位的服务 ”
前面的我不说多，用过的，你们都知道好不好用，咱先说一说这个 “AI 助手”
我本来想，既然已经集成了这么多的模型，并且你也知道各个模型的能力和优势，应该能够自己判断出使用什么模型才对啊？
也不知道是不是我使用的问题，反正给我生成答案的模型，10 次有 8 次都是智脑，
怎么说呢？其实我能理解，360 自己做的产品嘛，自家的权重高些很正常。但问题是，这就让我产生了不信任感，我无法完全敢让产品自己选择合适的模型，最终还是要我自己来选择才可能靠谱。当然我是一个深度用户，作为小白用户可能就无所谓了，需要的答案质量不一样嘛 。
模型比较
从产品功能上，360 的 这个产品与其他的 AI 产品类似，都比较简洁，输入你的问题然后给你答案，哦对了，就我的测试来看，目前不支持多模态，也就是没有文生图、文生视频什么的。
在输入框中可以选择你想使用的模型，这样就可以指定模型了
你发现没有，不需要登录各个公司的产品了，都帮你集成好了，这点很好?
响应速度也是很快的。跟使用模型自家的产品一样。
最具特点的功能就是模型比较，你可以点一下，选择一个你想比较的模型，它就会将相同的问题用你选择的模型再生成一次答案
其实这和你在输入框选择一个模型再输入一次相同的问题一样。
最开始，我期待的功能是像 notdiamond 那样同时给出我两个模型的答案，让我自己看哪个更好，比如这样：
顺便说一下 ，notdiamond 也是支持多个模型的 CoE 模式产品。
虽然你在 360 AI 助手上达到的效果是类似的，但体验上我感觉不如 notdiamond ，再顺便说一句，Not Diamond 上周在 Product Hunt 拿到第一
最后
综合来说 ， “15 个国产模型联合起来，终于打败了 GPT4o” 这个事儿，是技术上的，对用户来说，可能是一个曲折的过程，虽然理论上是可以的。
但好处是，至少现在我不用登录各家的产品了，可以在一个门面网站使用全部好用的模型了，这很好。
未来，我觉得这个产品的思路还是正确的，以此为基础未来添加更多好用的模型，形成平台及生态 不断升级路由的策略，让产品更“智能” 。这样的话，这个产品未来的希望还是大大的。
令人担心的是， 未来 360 对自家模型使用权重的考虑上，是否还是和现在一样，能否做到相对的公平？
不过，对于一个悲观底色的乐观主义者来说，我想借用雷总的那句话来结束本文 ：“永远相信美好的事情即将发生”
