原创力文档- 1、原创力文档（book118）网站文档一经付费（服务费），不意味着购买了该文档的版权，仅供个人/单位学习、研究之用，不得用于商业用途，未经授权，严禁复制、发行、汇编、翻译或者网络传播等，侵权必究。。
- 2、本站所有内容均由合作方或网友上传，本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺！文档内容仅供研究参考，付费前请自行鉴别。如您付费，意味着您自己接受本站规则且自行承担风险，本站不退款、不进行额外附加服务；查看《如何避免下载的几个坑》。如果您已付费下载过本站文档，您可以点击 这里二次下载。
- 3、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等，请点击“版权申诉”（推荐），也可以打举报电话：400-050-0827(电话支持时间：9:00-18:30)。
- 4、该文档为VIP文档，如果想要下载，成为VIP会员后，下载免费。
- 5、成为VIP后，下载本文档将扣除1次下载权益。下载后，不支持退款、换文档。如有疑问请联系我们。
- 6、成为VIP后，您将拥有八大权益，权益包括：VIP文档下载权益、阅读免打扰、文档格式转换、高级专利检索、专属身份标志、高级客服、多端互通、版权登记。
- 7、VIP文档为合作方或网友上传，每下载1次， 网站将根据用户上传文档的质量评分、类型等，对文档贡献者给予高额补贴、流量扶持。如果你也想贡献VIP文档。上传文档
DeepSeek对国产芯片的影响
科智咨询云网研究事业部苏长飞
2025年4月
01DeepSeek技术创新
02DeepSeek对国产芯片的影响
03国产芯片面临的挑战和发展机遇
目录
2
DeepSeek的出现标志着我国在生成式AI领域达到世界领先级别
全球APP增长1亿用户所需时间DeepSeek与ChatGPT移动端全球DAU对比情况
数据来源：公开信息©2025科智咨询.Allrightsreserved.
DeepSeek出现的影响
3
无辅助损失负载平衡的DeepSeekMoE
DeepSeek-V3提出了一种无辅助损失的负载均衡策略（Loss-Free
Balancing），通过动态调整每个专家的偏差来控制负载平衡，而不引入干扰梯度。减少因鼓励负载均衡而对模型性能产生的负面影响。
Multi-HeadLatentAttention(MLA)
MLA的核心在于通过低秩联合压缩来减少注意力键（keys）和值（values）在推理过程中的缓存，从而提高推理效率
数据来源：DeepSeek论文©2025科智咨询.Allrightsreserved.
架构创新
DeepSeek主要技术创新点
•
•
4
•
多token预测（Multi-TokenPrediction,MTP）
主流大模型token-by-token生成序列，而每次token生成需要频繁与访存交互，从而因为访存效率形成训练或推理的瓶颈。MTP方法主要将单token的生成，转变成多token的生成，提升训练和推理的性能。DeepSeek主要对传统MTP算法进行了一定优化，顺序预测额外token，并在每个预测深度保持完整的因果链。
•
FP8混合精度训练框架
在DeepSeek的训练过程中，绝大多数核心计算核（即通用矩阵乘法GEMM操作）均以FP8精度实现。这些GEMM操作接受FP8张量作为输入，并输出BF16或FP32格式的结果。如下图所示，与线性算子（Linearoperator）相关的三个GEMM运算——前向传播（Fprop）、激活梯度反向传播（Dgrad）和权重梯度反向传播（Wgrad）——都采用FP8精度执行。
对以下模块维持原有精度（如BF16或FP32）：嵌入模块（embeddingmodule)、输出头（outputhead）、混合专家门控模块（MoEgatingmodules）、标准化算子（normalizationoperators）以及注意力算子（attentionoperators)。（尽管FP8格式具有计算效率优势，但由于部分算子对低精度计算较为敏感，仍需保持更高计算精度）
数据来源：DeepSeek论文
文档评论（0）