DeepSeek 最近发布的两个模型 —— DeepSeek-V3 和 DeepSeek-R1 以很低的成本获得了比肩 OpenAI 同类模型的性能。
根据外媒的报道，他们在短短两个月时间，在 2,048 个 H800 GPU 集群上，训出 6710 亿参数的 MoE 语言模型，比顶尖AI效率高出 10 倍。
这项突破不是用 CUDA 实现的，而是通过大量细粒度优化以及使用英伟达的类汇编级别的 PTX（并行线程执行）编程。
DeepSeek 在硬件受限的条件下被逼走出了一条不同于 OpenAI 等狂堆算力的道路，用一系列技术创新来减少模型对算力的需求，同时获得性能提升。
「在这个世界上，如果有哪群人会疯狂到说出『CUDA 太慢了！干脆直接写 PTX 吧！』这种话，绝对就是那些前量化交易员了。」
英伟达 PTX（并行线程执行）是专门为其 GPU 设计的中间指令集架构，位于高级 GPU 编程语言（如 CUDA C/C++ 或其他语言前端）和低级机器代码（流处理汇编或 SASS）之间。
PTX 是一种接近底层的指令集架构，将 GPU 呈现为数据并行计算设备，因此能够实现寄存器分配、线程/线程束级别调整等细粒度优化，这些是 CUDA C/C++ 等语言无法实现的。
当 PTX 转换为 SASS 后，就会针对特定代的英伟达 GPU 进行优化。
在训练 V3 模型时，DeepSeek 对英伟达 H800 GPU 进行了重新配置：
在 132 个流处理器多核中，划分出 20 个用于服务器间通信，主要用于数据压缩和解压缩，以突破处理器的连接限制、提升事务处理速度。
为了最大化性能，DeepSeek 还通过额外的细粒度线程/线程束级别调整，实现了先进的流水线算法。
这些优化远超常规 CUDA 开发水平，但维护难度极高。然而，这种级别的优化恰恰充分展现 DeepSeek 团队的卓越技术实力。
这是因为，在全球 GPU 短缺和美国限制的双重压力下，DeepSeek 等公司不得不寻求创新解决方案。
有开发者认为，「底层 GPU 编程才是正确的方向。优化得越多，就越能降低成本，或在不增加额外支出的情况下，提高可用于其他方面进步的性能预算」。
这一突破对市场造成了显著冲击，部分投资者认为新模型对高性能硬件的需求将会降低，可能会影响英伟达等公司的销售业绩。
然而，包括英特尔前掌门人 Pat Gelsinger 等在内的行业资深人士认为，AI 应用能够充分利用一切可用的计算能力。
对于 DeepSeek 的这一突破，Gelsinger 将其视为在大众市场中，为各类低成本设备植入 AI 能力的新途径。
那么，DeepSeek 的出现是否意味着前沿 LLM 的开发，不再需要大规模 GPU 集群？
谷歌、OpenAI、Meta 和 xAI 在计算资源上的巨额投资是否最终将付诸东流？AI 开发者们的普遍共识并非如此。
不过可以确定的是，在数据处理和算法优化方面仍有巨大潜力可以挖掘，未来必将涌现出更多创新的优化方法。
随着 DeepSeek 的 V3 模型开源，其技术报告中详细披露了相关细节。
该报告记录了 DeepSeek 进行的深度底层优化。简而言之，其优化程度可以概括为「他们从底层重新构建了整个系统」。
如上所述，在使用 H800 GPU 训练 V3 时，DeepSeek 对 GPU 核心计算单元（流处理器多核，简称 SM）进行了定制化改造以满足特定需求。
在全部 132 个 SM 中，他们专门划分出 20 个用于处理服务器间通信任务，而非计算任务。
这种定制化工作是在 PTX（并行线程执行）层面进行的，这是英伟达 GPU 的低级指令集。
PTX 运行在接近汇编语言的层面，能够实现寄存器分配和线程/线程束级别调整等细粒度优化。然而，这种精细的控制既复杂又难以维护。
这也是为什么开发者通常会选择使用 CUDA 这类高级编程语言，因为它们能为大多数并行编程任务提供充分的性能优化，无需进行底层优化。
但是，当需要将 GPU 资源效能发挥到极致并实现特殊优化需求时，开发者就不得不求助于 PTX。
虽然但是，技术壁垒依然还在
对此 ，网友 Ian Cutress 表示：「Deepseek 对于 PTX 的使用，并不会消除 CUDA 的技术壁垒。」
CUDA 是一种高级语言。它使代码库的开发和与英伟达 GPU 的接口变得更简单，同时还支持快速迭代开发。
CUDA 可以通过微调底层代码（即 PTX）来优化性能，而且基础库都已经完备。目前绝大多数生产级的软件都是基于 CUDA 构建的。
PTX 更类似于可以直接理解的 GPU 汇编语言。它工作在底层，允许进行微观层面的优化。
如果选择使用 PTX 编程，就意味着上文提到的那些已经建好的 CUDA 库，都不能用了。这是一项极其繁琐的任务，需要对硬件和运行问题有深厚的专业知识。
但如果开发者充分了解自己在做什么，确实可以在运行时获得更好的性能和优化效果。
那些希望从计算负载中提升额外 10-20% 性能或功耗效率的开发者，比如在云端部署模型并销售 token 服务的企业，确实都已经将优化从 CUDA 层面深入到了 PTX 层面。他们愿意投入时间是因为，从长远来看这种投入是值得的。
需要注意的是，PTX 通常是针对特定硬件型号优化的，除非专门编写适配逻辑，否则很难在不同硬件间移植。
除此之外，手动调优计算内核也需要极大的毅力、勇气，还得有保持冷静的特殊能力，因为程序可能每运行 5000 个周期就会出现一次内存访问错误。
当然，对于确实需要使用 PTX 的场景，以及那些收到足够报酬来处理这些问题的开发者，我们表示充分的理解和尊重。
至于其他开发者，继续使用 CUDA 或其他基于 CUDA 的高级变体（或 MLIR）才是明智的选择。
https://www.tomshardware.com/tech-industry/artificial-intelligence/deepseeks-ai-breakthrough-bypasses-industry-standard-cuda-uses-assembly-like-ptx-programming-instead
https://x.com/Jukanlosreve/status/1883304958432624881
https://x.com/IanCutress/status/1884374138787357068
一起点赞三连↓
（文：Datawhale）
