梁文锋署名，DeepSeek再发论文

近日

DeepSeek团队发表新论文

论文以DeepSeek-V3为核心案例

披露其在AI硬件架构

与模型设计方面的关键创新

为实现具有成本效益的

大规模训练和推理提供思路

论文显示

DeepSeek创始人兼CEO梁文锋

也是参与者之一

 

DeepSeek论文《深入解读 DeepSeek-V3：AI 架构的扩展挑战与硬件思考》

图源：论文截图

 

有业内人士表示

该论文聚焦“硬件-模型”

协同创新底层逻辑

直击当前大模型训练

与推理的效率痛点

一起来看↓

 

揭秘DeepSeek模型设计原则

 

在训练大模型这条路上

可以说一直有“三大难题”

内存不够用

计算效率低

通信速度慢

而这篇论文所要解决的

正是上述的这些问题

 

与此前发布的V3技术报告不同

这篇论文详细阐述了DeepSeek

如何做到在硬件资源的“紧箍咒”下

通过精妙的“软硬一体”协同设计

将成本效益这笔账算好

 

DeepSeek在论文中提到

本文的目的不是重申

DeepSeek-V3的详细架构和算法细节

是跨越硬件架构和模型设计

采用双重视角来探索它们之间

错综复杂的相互作用

以实现具有成本效益的

大规模训练和推理

 

DeepSeek-V3的基本架构

图源：论文截图

 

具体而言

论文聚焦内存效率、成本控制、

推理速度等方面展开说明

DeepSeek模型设计原则

 

在内存效率方面

多头潜在注意力（MLA）技术

通过压缩键值（KV）缓存

缓存显著降低了内存消耗

FP8混合精度训练技术

将内存消耗显著降低了一半

 

从数据来看

相比其他模型

（如LLaMA-3、Qwen-2.5）

DeepSeek-V3的KV缓存大小

每token仅需70 KB

是传统方法的1/7到1/4

大幅降低显存压力

尤其适合长文本处理

 

在成本控制方面

DeepSeek开发了DeepSeek MoE架构

其两大优势包括降低训练成本

和利于个人使用和本地部署

 

在提高推理速度方面

DeepSeek-V3采用的是

多token预测（MTP）的方法

传统模型每次只能生成1个token

而MTP通过轻量级子模型并行

预测多个候选token

验证后选择最优结果

实验效果显示

生成速度提升1.8倍

 

OpenAI联合创始人

Andrej Karpathy此前赞叹

“DeepSeek-V3的出现

实现了高性能与低成本的平衡

未来或许不需要

超大规模的GPU集群了”

 

六大关键探索未来AI基础设施

 

下一代AI基础设施

将如何升级？

DeepSeek从硬件架构的角度

提出六大方向

涉及内存、互连、网络、

计算等核心领域

 

图源：虎嗅

 

整体来看，包括

“鲁棒性优先：

构建不易崩溃的训练系统”

“颠覆互连架构：

CPU-GPU直连消除节点瓶颈”

“智能网络升级：

动态路由实现低延迟”

“通信顺序‘硬件化’：

消除软件额外开销”

“网络计算融合：

硬件加速通信效率”

“内存架构重构：

从‘芯片堆叠’到‘晶圆集成’”

 

这些专业名词

非行家乍一看有些难懂

有业内人士“翻译”称

就是下一代AI硬件要向

算数快（低精度计算+本地细粒度量化）

传话快（直连网络+智能路由）

记性好（3D内存+近存计算）

不宕机（自愈网络）的方向改进

才能更好地应用于大模型训练

实现高效扩展

 

图源：网络

 

DeepSeek表示

这些内存中心的架构创新

旨在打破当前内存发展

滞后于模型规模扩张的瓶颈

是下一代AI系统持续迈向

“更大、更快、更稳”的关键路径之一

同时这些方案也在DeepSeek-V3

训练与推理实践中均取得了实效

为下一代高性能AI系统

构建了坚实的内存支撑基础

 

参考：上海证券报、财联社、量子位

撰文：雷渺鑫  编辑：李飞  排版：李汶键  统筹：李政葳