wepoker下载官网

　　DeepSeek模型开发竟绕过了CUDA？最新爆料㊣称，DeepSeek团队走了一条不寻常的路——针对英伟达GPU低级汇㊣编语言PTX进行优化实现最大性能。业界人士纷纷表示，CUDA护城河不存在了？

　　根据外媒㊣的报道，他们在短短两个月时间，在2,048个H800 GP✅U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。

　　「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。

　　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De㊣epSeek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。

　　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。

　　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。

　　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以太网交换机，无需进行底层优化。

　　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。

　　如果选择使用P✅TX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。

　　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。