DeepSeek V3.1：中国AI的“芯片突围战”，一场静悄悄的技术突破_deepseekv3.1 低位挖掘华为概念兵腾 ai 与招握技术融合, 作为华为员属硬件-优快云博客

中国AI领域悄然上演了一场真正的技术突破。DeepSeek V3.1的发布，就像一颗深水炸弹，在看似平静的湖面下激起了惊涛骇浪。

这不是一次简单的版本迭代，而是一场关乎中国AI技术自主性的战略突围。

6850亿参数的“开源巨舰"

DeepSeek V3.1的发布，乍看之下并不起眼。没有铺天盖地的营销，没有创始人夸张的表演，只是在Hugging Face平台上低调地更新了一个版本。但当我深入挖掘其技术细节时，才发现这艘“开源巨舰”的真正分量。

6850亿参数——这个数字本身就足以让人震惊。作为对比，GPT-4据泄露信息总参数量约为1.8万亿（采用MoE架构，每次推理激活约2800亿参数），Claude 3.7官方未公布参数量，行业估计在数百亿至2500亿之间。

UE8M0 FP8：一场精度突破

UE8M0 FP8 Scale——这个看似晦涩的技术名词，实际上是DeepSeek V3.1最核心的突破。让我用通俗的方式解释一下这意味着什么。

在深度学习中，参数精度就像是用多少位数来记录模型大脑神经元之间的权重。传统上，AI模型使用FP32（32位浮点数）来记录这些参数，就像是用高精度相机拍摄照片，细节丰富但文件巨大。随着模型规模越来越大，FP32变得臃肿不堪，于是行业开始转向FP16（16位浮点数），再到FP8（8位浮点数）。

但DeepSeek V3.1走得更远。它采用的UE8M0 FP8是一种特殊的变体格式，其中“U”表示无符号，“E8”表示8位指数，“M0”表示没有尾数。这是一种极端的“范围优先”策略，几乎舍弃了小数部分精度，只用来存缩放因子。

这就像是你宁愿用一把刻度粗糙的卷尺，也要保证它足够长，能从房间一直量到操场。虽然看不到毫米级的细节，但至少不会量到一半溢出。

为什么要做这样的取舍？因为国产GPU在底层电路和指令集设计上，并没有完全兼容NVIDIA的FP8方案。NVIDIA在自家的GPU上加了很多优化，如per-tensor scaling、per-block scaling等动态缩放策略，而国产GPU并不具备这些优化。如果直接照搬，结果往往是数值不稳定，梯度爆炸，训练根本收不住。

DeepSeek V3.1通过UE8M0这种“范围优先”的格式，来适配国产芯片的硬件逻辑，确保国产芯片能跑通的折中方案。这是一种软硬件之间的互相成就：模型厂商愿意牺牲一些细节精度，换来国产芯片的稳定运行；而芯片厂商也通过这种合作，逐渐建立起自己的FP8生态。

国产芯片的“春天”

DeepSeek在官方评论中明确表示：“UE8M0 FP8是针对即将发布的下一代国产芯片设计。”这句话放在当下的语境里，就显得格外耐人寻味——毕竟不久前，相关部门才约谈英伟达，要求解释H20芯片的安全风险。

目前和即将采用FP8精度的国产GPU芯片，有寒武纪、沐曦、燧原、昇腾等，还有更多主动适配DeepSeek的芯片厂商。比如：

沐曦曦云C600芯片：原生支持FP8精度，采用多精度混合算力架构，既能运行传统的FP32/FP16任务，也能用FP8高效加速大模型训练。
燧原科技L600芯片：训推一体架构，原生支持FP8低精度，与DeepSeek模型的精度策略正好对齐。

UE8M0只是一个冷冰冰的精度参数，放在论文里也许只值半行字。可在今天，它却像是一种信号：国产芯片厂商和大模型公司，开始真正坐到了一张桌子上，去谈怎么一起往前走。大模型不再盲从英伟达的算力逻辑，而是尝试和国产硬件对齐，哪怕过程并不优雅。

混合推理架构：一个模型，两种思考

DeepSeek V3.1的第二个重大突破，是其混合推理架构。这是一个模型同时支持思考模式与非思考模式的设计，标志着AI模型正在向更接近人类思维的方向演进。

思考模式与非思考模式

传统的大模型往往只有一种输出模式：给出问题，得到答案。但人类的思维过程远比这复杂。有时候我们需要快速反应，有时候则需要深入思考。DeepSeek V3.1通过双模式架构，模拟了这种人类思维的特点：

DeepSeek-Chat（非思考模式）：延续了原版本的快速响应特性，适用于即时响应场景，如客服对话、简单信息查询等，能快速给出简洁准确的答案。
DeepSeek-Reasoner（思考模式）：支持完整思维链推导，在面对复杂的逻辑推理、问题拆解、方案设计等任务时，会像人类一样逐步分析问题，展现出清晰的思考过程。

这种双模式设计不仅提高了复杂问题解答的准确性和透明度，更重要的是让开发者能够调试和优化智能体的决策逻辑，这对于构建高可信度的应用至关重要。

思维链压缩技术

DeepSeek V3.1的另一个技术创新是思维链压缩。官方数据显示，V3.1思考模式输出Token数减少了20%以上，但答案质量却更好。这背后是一项名为“思维链压缩”的技术。

传统CoT（Chain of Thought）可能是这样的：

“约翰有5个苹果，他吃了2个，所以还剩下5-2=3个。然后他又买了4个，所以现在有3+4=7个。因此，答案是7。”

压缩后输出：

“约翰吃完剩3个，加上新买的4个，总共7个。”

这种压缩不是简单的删减，而是通过强化学习技术，同时奖励答案的正确性和回复的简洁性，训练模型用更少的token表达同样的内容。

为什么这很重要？因为在实际应用中，输出token数直接关系到成本和响应速度。减少20%的输出token，意味着在同等服务质量下，成本降低20%，响应速度提升20%。这对于大规模商业应用来说，是一个巨大的优势。

Agent能力：迈向智能体时代的第一步

DeepSeek官方将V3.1定位为“迈向Agent（智能体）时代的第一步”，这并非营销口号，而是基于实实在在的技术进步。在Post-Training优化后，V3.1在工具使用与智能体任务中的表现有了显著提升。

严格的Function Calling

DeepSeek V3.1在原有标准Function Calling基础上，新增了strict模式的支持。在这种模式下，模型能严格保证输出格式完全符合开发者预定义的参数schema，极大消除了格式错误或参数缺失等常见问题。

这意味着什么？简单来说，就是智能体能够可靠地与企业内部API、数据库等进行交互，为生产环境的稳定部署奠定了基础。对于企业级应用来说，这是一个质的飞跃。

同时，模型兼容Anthropic API格式，可无缝接入Claude Code开发生态。这种兼容性设计，让使用Claude Code的用户可以更便捷地切换到DeepSeek。

更强大的记忆能力

DeepSeek V3.1将上下文窗口从V3版本的64K提升至128K，可处理相当于30万汉字的长文本。这为长文档分析、复杂代码生成和深度多轮对话提供了巨大支持。

在实际测试中，这种长文本处理能力带来了约40%的性能提升，特别是在数学证明、编程协作与多模态任务规划方面展现出色能力。想象一下，AI能够一次性阅读并理解整本技术手册，或者分析整个项目的代码库，这将为企业级应用带来革命性的变化。

数据说话

空谈误国，实干兴邦。让我们用数据说话，看看DeepSeek V3.1到底有多强。

模型参数与性能对比

从这张对比表可以看出，DeepSeek V3.1在参数规模上已经接近国际顶尖水平，在特定领域（如编程）甚至实现了超越。更重要的是，其训练成本和部署要求远低于国际竞品，这使得更多企业和开发者能够负担得起。

智能体能力对比

在智能体能力方面，DeepSeek V3.1实现了对自己的全面超越。特别是在SWE（软件工程）和TerminalBench（命令行编程）测试中，表现显著提升。搜索智能体能力更是实现了巨大飞跃。

国产算力自主：一场静悄悄的革命

DeepSeek V3.1的发布，不仅仅是技术上的突破，更是中国AI算力自主道路上的一个重要里程碑。

从“魔改PTX”到“适配国产芯片”

DeepSeek的算力战略分为两个阶段：

第一阶段：榨取英伟达GPU算力

DeepSeek V3直接修改了英伟达GPU的虚拟机指令集架构PTX，绕过英伟达编译器的保守策略，手工调度寄存器、warp、访存和Tensor Core指令。把GPU算力利用率提升到极限，降低硬件受限下的训练/推理成本。在DeepSeek手中，A100/A800等英伟达GPU上的现有算力都得到了最大化利用。

第二阶段：降低算力的物理需求

DeepSeek V3.1引入UE8M0 FP8格式，让中国国产AI芯片也能高效运行大模型。采用更紧凑的低精度浮点格式，大幅压缩内存/带宽占用，减少计算负担，可以期待下一代国产GPU芯片能进行前沿大模型训练推理。

这种“先榨取英伟达，再适配国产芯片”的策略，展现了中国AI企业的务实和创新精神。不是一味地追求国产替代，而是在现有条件下最大化利用资源，同时为未来铺路。

对英伟达市场的冲击

由于技术与安全等原因，已经传出英伟达停止生产H20的消息。目前依然存在悬念的，是黄仁勋是否向中国提供B30。

英伟达定制H20/B30给中国市场，因为美国出口管制禁止向中国出售H100/H200/B100/B200等高端GPU。黄仁勋的策略是推出缩水版芯片，为中国定制了H20和B30，在算力、互联、带宽上降低配置，但仍保持CUDA生态兼容，以保住中国市场，避免中国厂商快速完全转向国产芯片。

但随着国产芯片+超低精度训练将逐渐跑通并规模化部署，中长期来看对于B30们的需求会明显下降。国产AI软件栈逐步成熟，逐渐减少对CUDA的依赖。成本敏感的中国企业会更倾向国产方案，同时避免美国找麻烦。

英伟达的优势与挑战

当然，这并不意味着英伟达会失去优势。G200不只是FP8，还带来了更大带宽、更强互联、更大显存。软件生态也牢牢绑定FP8，迁移到UE8M0需要额外工程适配。大部分国际大厂还是会首选G200来追求极致性能。“黄氏定律”已经推进至FP4精度，英伟达还曾亲自下场发布了优化版的DeepSeek-R1-FP4，内存需求大幅降低，基准测试成绩几乎不变。

但如果UE8M0+FP8在社区和国产硬件上普及，低成本训练路径会弱化英伟达的必选性。这对中国厂商尤其重要，即使没有G200，也能在国产GPU上稳定训练大模型，形成去英伟达化的路线。

DeepSeek V3.1的发布，不仅仅是一个技术事件，更是一场产业重构的开始。它将重塑AI产业的竞争格局，带来新的机遇和挑战。