文章摘要
【关 键 词】 DeepSeek、PTX优化、训练成本、AI模型、行业焦点
DeepSeek近期通过采用PTX编程优化了跨芯片通信能力，但这并不意味着它绕过了NVIDIA CUDA生态。PTX是CUDA编程模型的一部分，DeepSeek直接使用PTX编写程序，虽然提高了执行效率，但仍依赖NVIDIA的驱动、工具链和库。这种方式类似于传统编程中直接使用汇编语言，虽然门槛高，但能实现对硬件的更精细控制。因此，DeepSeek并未摆脱对CUDA的依赖，而是通过底层优化提升了性能。
关于DeepSeek仅用600万美元完成训练的说法，这一数字来源于其技术报告，实际训练成本为557.6万美元，主要计算了H800 GPU小时的消耗。然而，这一数字仅涵盖了GPU算力成本，并未包括软硬件投入、数据采集、系统开发和人力等综合成本。与Meta Llama3等大型模型相比，DeepSeek的训练成本显著降低，展现了其算法和架构的创新。这一成本优势为创业公司提供了新的可能性，使它们无需大量囤积算力资源即可完成模型训练，同时也对国产算力卡的发展产生了积极影响。
DeepSeek被美国五大科技巨头（英伟达、微软、英特尔、AMD、AWS）接入并上架，这标志着其模型得到了广泛认可。然而，这一合作并不意味着“老外认怂”，而是反映了DeepSeek作为开源模型的竞争力。这些巨头的策略是将其作为生态的一部分，而非专宠。同时，国内科技巨头也迅速跟进，显示出对DeepSeek的关注。这种集体上架的现象与过去其他技术的推广模式类似，表明DeepSeek已成为行业焦点。
DeepSeek在获得广泛关注的同时，也遭遇了网络攻击，引发了国内“复仇者联盟”集体救场的传言。然而，这一说法缺乏依据，更像是网络谣言的传播。尽管面临攻击，DeepSeek的破圈效应显著，让更多人认识到AI的价值。其模型表现出色，但也存在幻觉问题和输出内容安全方面的不足。此外，随着用户量的激增，DeepSeek的资源和推理架构面临严峻考验。
DeepSeek的成功在于它选择了一条与众不同的路径，并取得了显著成果。无论是昙花一现还是成为行业巨头，DeepSeek的意义在于其创新性和对行业格局的挑战，正如“我命由我不由天”的精神，展现了中国创业公司在AI领域的潜力。
原文和模型
【原文链接】 阅读原文 [ 2291字 | 10分钟 ]
【原文作者】 特大号
【摘要模型】 deepseek-v3
【摘要评分】 ★★★★★
