DeepSeek開源周震撼業界：多項科技創新引領AI普惠新時代

DeepSeek 上周展開為期 5 天的程式碼開源周，開源內容包括 FlashMLA、DeepEP、DeepGEMM 等程式碼庫，以及優化並行策略 DualPipe、EPLB，訓練和推理框架分析數據，以及 Fire-Flyer 文件系統 (3FS)。 這些開源內容有助於降低 AI 大模型的開發門檻，同時透過優化算力資源，提升算力效率。

據騰訊科技引用業內專家發文稱，透過發表核心技術創新成果，DeepSeek 團隊成功突破生成式 AI 在成本、效率與可近性上的多重瓶頸，為業界樹立了科技普惠的新標竿。

報導稱，這一系列開源措施不僅推動了大模型技術從實驗室走向千家萬戶，更被業界視為中國 AI 企業實踐開放共享精神的里程碑。

技術革新：從「算力黑洞」到「高效能引擎」

目前，以 Transformer 模型為核心的生成式 AI 雖展現出驚人潛力，但其高昂的研發與部署成本仍令中小企業與個人用戶望而卻步。 DeepSeek 團隊透過深度最佳化演算法與工程架構，交出了一份極具突破性的技術答卷：

1. FlashMLA：語言解析的「超級加速器」

針對自然語言處理中 Attention 機制的運算量與記憶體佔用問題，DeepSeek 推出 FlashMLA 技術。此方案透過壓縮稀疏矩陣中的零元素與非關鍵數值，大幅降低 GPU 記憶體消耗，並針對 NVIDIA H800 GPU 進行指令級最佳化。實測顯示，H800 單卡 FP8 算力從 300T FLOPS 躍升至 580T FLOPS，記憶體頻寬利用率突破理論極限的 90%，為長文字處理效率帶來質的飛躍。

2. DeepGEMM：重新定義矩陣乘法

作為 AI 計算的底層基石，矩陣乘法 (GEMM) 的效能直接影響模型訓練速度。 DeepSeek 團隊摒棄傳統數學庫依賴，直接透過底層機器指令實現 DeepGEMM，在 Hopper 系列 GPU 的 Tensor Core 上實現 8-bit 浮點數計算。儘管精度略低於 16-bit，但其運算速度與 8-bit 持平，且相容性更強。這項突破被業界視為對 NVIDIA CUDA 生態的技術挑戰，或將重塑 AI 晶片與開發工具的競爭格局。

3. EPLB & DualPipe：工業級效率管理方案

借鏡泰勒制與福特管線的生產哲學，DeepSeek 推出 EPLB(專家模型負載平衡) 與 DualPipe(管線並行最佳化)。前者透過動態分配專家模型資源、減少跨 GPU 通訊延遲，後者則將前向運算與反向驗證環節交叉執行，消除「管線氣泡」。實驗顯示，這兩種技術可將多模態任務推理效率提升超 40%，顯著降低算力閒置率。

4. DeepEP：打破 GPU 通訊壁壘

針對分散式訓練中的 AllReduce 瓶頸，DeepSeek 研發 DeepEP 系統。此技術透過中繼節點合併通訊資料、動態調整 SM 核心分工，成功將 H800 GPU 叢集的通訊開銷降低 60%。其創新性在於直接對硬體編程，繞過 NVIDIA NCCL 庫限制，實現了跨網卡、跨硬體的無縫協作。

5. 3FS：儲存系統的「吞吐革命」

為解決大規模訓練中的資料儲存難題，DeepSeek 推出自研分散式檔案系統 3FS。基於 RDMA 網路與 NVMe 協定的深度協同，3FS 在 180 個儲存節點上實現 6.6TiB/s 的吞吐效能，接近理論極限的 80%。其高可用性與一致性設計，為超大規模模型訓練提供了可靠支撐。

普惠願景：讓 AI 科技「飛入尋常百姓家」

專家認為，DeepSeek 開源周的技術成果，本質上是一場以「降本增效」為核心的生產力革命。自 DeepSeek R1 發布後，在無任何廣告投放的情況下，7 天內便實現了 1 億用戶增長，成為全球增速最快的 AI 應用。

DeepSeek 的出現也對中國其他 AI 大模型產品造成了巨大衝擊。例如，據 QuestMobile 顯示，Kimi 在 1 月 20 日至 1 月 26 日的周活躍用戶規模環比增長不足 28%，而同期 DeepSeek 環比增長超 750%，同時 Kimi 的市場討論熱度也大幅降低. 

全球方面，以 OpenAI、Google、xAI 等為代表的科技公司在 AI 大模型領域仍保持較強勁的實力。xAI 在 2 月 18 日發布 Grok 3(全球首個在十萬卡集群上訓練的大模型)，引入圖像分析和問答等高級功能，計算能力比上一代提高了十倍，大幅提升了生成速度、推理能力和多模態處理能力。同時，Grok 3 宣布免費開放，進一步降低技術門檻，加速 AI 在各行各業的普及。

2 月 28 日，OpenAI 正式發布其最新一代基礎模型 GPT-4.5(內部代號為 Orion，非推理模型)，號稱是迄今為止數據規模最大、知識最為豐富的聊天模型。該模型價格極為昂貴，GPT-4.5 每百萬 token 的輸入價格為 75 美元、輸出價格為 150 美元，是其主力模型 GPT-4o 的 30 倍，是競爭對手 Claude 3.7 Sonnet 的 25 倍。

在高昂的成本背後，GPT-4.5 的性能卻是優勢與劣勢並存。在事實性問答 (SimpleQA) 基準測試中，GPT-4.5 優於 GPT-4o 及 o1、o3-mini 模型，同時出現幻覺的頻率也顯著降低，這使得聊天機器人更加「靠譜」。但在學術推理測試類 (如 AIME) 方面，GPT-4.5 的表現不及 o3-mini，也不及競爭對手 Claude 3.7 Sonnet、DeepSeek R1。這表明，單純擴大模型，也許並不能帶來全面性能的顯著提升。