DeepSeek与昇腾的深度适配，不仅打破了技术封锁，还确保了大模型在本土算力平台上的高效运行。
在全球大模型竞赛日益激烈的背景下，DeepSeek以技术创新和工程优化迅速崛起，成为业界焦点。作为国内领先的大模型之一，DeepSeek不仅在训练效率、推理性能和模型优化方面取得突破，还推动了人工智能在各行业的快速落地。
在工程创新方面，DeepSeek训练效率提升2-3倍，推理效率提升5-7倍，大幅降低AI应用的落地成本。在产业应用方面，国内外已有160多家企业接入DeepSeek，ToB端企业纷纷部署，ToC端用户增长呈现爆炸式趋势，推动超级应用的出现。
DeepSeek的爆发式增长推动了大模型应用规模化，但同时带来了算力资源紧张的问题。大量用户反映DeepSeek难以连接，主要原因在于算力需求远超现有供应。此外，市场上存在满血版与非满血版DeepSeek一体机的区别，部分用户受限于算力环境，难以获得最佳体验，这进一步凸显了高效、稳定算力底座的重要性。
当前，DeepSeek已在昇腾平台上实现广泛部署，截至2月12日，已有80+客户/伙伴基于昇腾快速上线DeepSeek，20+正在适配测试，预计两周内全面上线，全国超70%区域可获取DeepSeek服务，助力20+省、25座城市AICC启动部署DS系列模型。
昇腾不仅是国内唯一覆盖预训练、微调和强化学习全流程的AI训练平台，同时在推理端创新突破，采用双机并行推理+专家负载均衡方案，使推理吞吐性能提升30%+。此外，昇思MindSpore AI框架支持DeepSeek-V3全流程开箱即用，实现天级复现，为企业提供更加高效的AI开发环境。
DeepSeek与昇腾的深度适配，不仅打破了技术封锁，还确保了大模型在本土算力平台上的高效运行。
昇腾成为DeepSeek最优算力底座
2月12日，DeepSeek-V3正式发布后，即原生支持昇腾，并迅速在国内完成大规模适配和部署。截至目前，已有80+企业/机构基于昇腾快速上线DeepSeek系列模型，另有20+企业处于适配测试阶段，预计在未来两周内全面上线，整体来看，国内70%的DeepSeek应用基于昇腾落地。与此同时，昇腾联合30+软硬件伙伴推出DeepSeek一体机方案，实现高并发、高稳定性AI推理服务，成为支持DeepSeek模型快速上线、赋能千行百业的“最优解”。
为什么昇腾能够成为DeepSeek最优算力底座？
早在2024年，昇腾团队便已针对DeepSeek大模型架构展开深度优化研究。DeepSeek V3/R1采用的小专家架构带来了通信耗时和专家负载均衡的挑战，昇腾通过双机并行推理+专家负载均衡技术，使推理吞吐性能提升30%+，显著提升推理效率。同时，昇腾平台在训练方面展现出独特优势，成为国内唯一从预训练、微调到强化学习全流程适配DeepSeek的AI训练平台。昇思MindSpore支持DeepSeek-V3预训练、微调、推理全流程开箱即用，实现天级复现，CANN异构计算架构提供深度优化的高性能算子库，进一步提升训练效率。基于这些能力，昇腾超节点成为DeepSeek V3/R1最佳训练平台，支持DualPipe、跨节点All2All等DeepSeek核心优化技术，超大带宽通信域更适配流水线并行和冗余专家计算，为DeepSeek模型提供强大算力支撑。
除了强大的技术实力，昇腾的生态优势也是企业选择其作为DeepSeek算力底座的重要原因。作为一个开放的AI计算平台，昇腾提供Atlas系列硬件、异构计算架构CANN、全场景AI框架昇思MindSpore、一站式开发平台ModelArts等全栈产品体系，并构建了庞大的产业生态。截至2024年12月31日，昇腾已发展60+硬件合作伙伴，2500+行业合作伙伴，330万+开发者，并孵化了150多个昇腾原生硬件产品，超过5800个解决方案。DeepSeek的快速适配，也进一步推动了昇腾生态的繁荣发展。
面向DeepSeek推动的大模型普及浪潮，昇腾已成为全国范围内大模型落地的重要基石。据公开数据显示，昇腾目前已助力20+省、25城市AICC公共算力服务平台启动DeepSeek模型部署，全国超70%区域可获取本地支持。随着大模型应用在产业和消费市场的逐步深化，AI算力需求仍将持续增长，昇腾正以其领先的软硬件协同能力和完善的生态布局，成为AI时代的算力底座，推动大模型技术从研发走向广泛应用。
产业生态未来：技术摸高和效率优化
DeepSeek降低了推理成本，但这并不意味着云厂商和计算平台的需求会减少，反而推动了产业向两个方向发展——技术摸高和效率优化，而这两类都需要算力支持。
技术摸高型厂商正在加大预训练投入，推动AI模型向更高水平发展，算力需求持续增长，过去两年模型竞赛的投入也在不断增加。而DeepSeek这类高效优化的模型，降低了硬件要求，使其能够更快落地到企业端，并带来了新的算力需求，即预训练后的后训练。这类需求过去较小，如今正在快速增长，并且不局限于头部互联网或模型厂商，而是扩展到更多软件和AI服务企业。
与此同时，DeepSeek的普及带动了AI的广泛应用，提升了企业和公众的AI认知，进一步刺激了推理需求的增长。近年来，AI的发展在落地闭环方面遇到挑战，特别是大模型的闭环进展缓慢，而DeepSeek的出现可能会催生新一轮推理需求的爆发。企业在AI应用上的接受度提高，无论是To C的消费级市场还是To B的生产制造领域，都在加快AI技术的落地。
这种趋势将推动三类算力需求的持续增长——预训练、后训练和推理。
预训练的技术门槛最高，算力需求持续攀升。例如，DeepSeek使用2000张GPU，而更高阶模型可能需要万卡甚至十万卡，这对算力集群的扩展性、通信架构和计算框架提出了更高要求。当前，InfiniBand、NVLink等高速互连技术，以及Tensor Parallel、Pipeline Parallel等计算优化策略，正成为提升预训练效率的关键。Mixture of Experts（MoE）等新型架构的探索也在减少计算成本，使更大规模的模型训练成为可能。
后训练需求增长，核心挑战在于工具链、模型架构和硬件适配。传统全参数微调计算开销巨大，而LoRA、QLoRA等方法正在降低计算负担，同时保持模型的高适应性。不同硬件架构（如NVIDIA CUDA、华为MindSpore）的差异，使软硬件协同优化成为关键，良好的适配将加速AI在医疗、金融等领域的落地。
推理的关键在于提高计算资源的利用率，优化通信、内存和量化计算。例如，在大规模推理任务中，服务器间的通信开销会导致性能下降，Zero Redundancy Optimizer（ZeRO）等优化方案正在减少跨节点传输成本。同时，FP16、INT8等低精度计算降低了存储和算力开销，而多服务器协同推理的优化方向，如动态负载均衡、分布式共享内存等，可能成为未来突破点。
DeepSeek虽然降低了推理成本，但整体算力需求仍在增长。预训练依赖超大规模算力，后训练决定AI应用落地效率，而推理优化则影响AI的普及速度。未来，提升算力资源的效率利用、优化计算架构，将成为AI产业竞争的核心。
