人工智能军备竞赛在国内外持续迭代演进。揭秘OpenAI、何突谷歌、破软瓶颈微软、硬件阿里巴巴等不断推出新应用，科创MCP协议、揭秘AI编程、何突具身智能机器人、破软瓶颈芯片自研等场景多样拓展。硬件自从年初引起全球震动并激发诸多领域AI变革以来，科创DeepSeek的揭秘一举一动都备受关注，但其最新R2模型千呼万唤仍未推出。何突

5月14日，破软瓶颈DeepSeek团队发表最新论文，硬件解释其DeepSeek-V3模型在硬件架构和模型设计方面的科创关键创新，公开大规模训练和推理的降本秘诀，令人瞩目的效率突破是如何做到的，又给业内很大启发。

这篇发表在arXiv平台的论文Insights into DeepSeek-V3:Scaling Challenges and Reflections on Hardware for AI Architectures，DeepSeek创始人兼CEO梁文锋出现在合著名单中。

相较此前的DeepSeek-V3技术报告，本篇论文的重点不在算法，而是从硬件架构和模型设计双重视角出发，探讨了硬件和模型两者如何相互配合，以实现低成本的大规模训练和推理，主要涵盖五方面内容，包括DeepSeek模型的设计原则、低精度驱动设计、以互联为驱动的设计、大规模网络驱动设计、面向未来的硬件架构设计。

论文重点介绍了多头潜在注意力（MLA）以提高内存效率、混合专家（MoE）架构以优化计算与通信权衡、FP8混合精度训练以充分发挥硬件潜力，以及多平面网络拓扑以最小化集群级网络开销等关键创新，还为未来AI硬件与模型协同设计提出了建议。

大模型的迅猛扩张暴露了硬件的架构瓶颈：内存容量不足、计算效率低下、互连带宽受限等。DeepSeek研究团队通过基础设施与算法团队的深度合作，开发了一个适用于MoE模型的FP8混合精度训练框架。在混合精度训练中，模型的权重和激活值可以使用FP8进行计算，而关键的梯度计算和优化步骤则使用更高的精度（如FP32）来保证训练的稳定性，从而在不损失模型性能的前提下，充分发挥硬件的计算能力，加速训练过程，降低训练成本和内存占用。

论文披露了对通信架构的重构。DeepSeek提出多平面双层胖树网络（MPFT），将传统三层网络拓扑压缩为两层，通过8个独立网络平面实现流量隔离和成本下降。这是DeepSeek首次披露超大规模集群的网络优化方案。

他们还提出了未来硬件架构设计的前瞻性方

(责任编辑：探索)