545% 的成本利润率，是 DeepSeek 抛出的诱人数字，还是触手可及的未来？
这场由开源所引发的 AI 技术平民化浪潮，又将如何重塑 AI Infra 的格局？
3 月 5 日，PPIO派欧云联合创始人兼 CTO 王闻宇做客「CSDN AI 进化论」，深度剖析 DeepSeek 开源周背后的技术逻辑与生态影响，揭示了这场技术盛宴中蕴藏的机遇与挑战。
王闻宇认为：
- DeepSeek 声称的 545% 成本利润率虽难以完全复现，但揭示了 AI Infra 盈利能力的巨大潜力，指引我们不断逼近这个目标；
- DeepSeek 类似于 AI 领域的瓦特，通过降低技术门槛和开源策略，预示着 AI 应用的平民化和算力需求的爆发式增长；
- DeepSeek 在现有硬件限制下，充分发挥软件和集群能力，是典型的“硬件定义软件”案例，也为未来软硬件结合发展提供了新思路；
- 虽然未来大小参数模型将并存，但 DeepSeek 开源的 MoE 架构在超大参数模型部署上具有天然优势，可能会引领超大模型发展方向；
- DeepSeek 带火一体机，其背后逻辑在于简化交付、避免硬件异构性问题，提升商业模式效率，也反映了 AI 服务交付模式的转变。
以下是对王闻宇直播内容的部分提炼：
“大模型开源与传统开源不同，大模型主要开源模型、权重和技术细节。“
DeepSeek 通过开源模型、降价以及声称的高利润率备受瞩目。而这些的背后都离不开其技术创新，DeepSeek 提前公开的 P&D 分离技术是例证，通过将推理的 Prefill 与 Decode 两个阶段分别部署在不同的硬件上，从而能实现最大化的利用资源。
在 2024 年 12 发布的技术 Paper 中，提到 Prefil 需要 4 个节点（32 张 H800），Decode 需要 40 个节点（320 张 H800）
但是 DeepSeek 在开源周的 Day6 的知乎文章做了一些优化，推荐了 4+18，这样把综合性能调到最优。
在理解 P&D 分离之前，首先要理解 QKV 和 KV Cache。所有大模型的根基都是基于 Attention（注意力机制），这个算子的核心要素是请求（Query）、键（Key）和值（Value），即 QKV。而 Profill就是一个生成 KV Cache 的过程。通常，第一个 Token 甚至靠前的 Token，会使用 Profill 的生成过程来输出；之后产生的Token都使用Decode的方式，即通过KV Cache和Input来生成后续的文本。
DeepSeek 模型在部署时候的最大特点是，多台机器集群化部署，并非实施 PD 分离。
DeepSeek 的 P&D 分离有着其独特之处。
首先，每台机器会使用多张卡，它们通过 NVLink 高速互联。机器之间还会使用 RDMA 这类高速网络，在每张卡之间、每台机器之间形成高速内网，进行密集、大吞吐量的信息交换，从而形成集群化的推理。
与以往不同之处在于，DeepSeek 推理不再是单机推理，而是动用集群的力量，通过高速网络与卡进行分工，部分卡参与 Profile，部分卡参与 Decode，最终形成动态推理。
在 DeepSeek 开源周的各个项目中，都展现了这种基于负载的分布式策略和并行计算思路。除了之前公布的 PD 分离的外，我讲讲第二天的 DeepEP 和第四天的 EPLB，以及 DualPipe。
开源周 Day2：DeepEP
要说 EP（Expert Parallelism，专家并行），得首先说说 MoE。
在大型模型领域，存在两个主要流派：一种是 MoE（Mixture of Experts，即多专家混合模型）；另一种是 Dense（即稠密模型）。各大厂商在模型发展路线上各有侧重。
例如，Dense 模型的代表包括 Facebook 的 Llama 和阿里的千问早期 等，它们基本上走的是 Dense 路线。而 MoE 模型的代表则有 Mixtra、 Grok。DeepSeek 从v2，一直坚定选择了 MoE 路线。
这里再说说，EP（Expert Parallelism，专家并行），是一种MoE模型在训练和推理中的并行化技术。它的核心思想是将模型中的“专家”（Experts）分布到不同的设备（如 GPU）上，通过并行计算来加速模型的训练和推理过程。
上图形象地展示了 EP 的几代演进。第一代 EP 架构可以 Mixtral 为代表。在开源模型中，Mixtral 是首个公开的 MoE 模型。
简单来说，第一代 MoE 使用较少的专家数量和简单的负载均衡策略。这是 Mixtral 当时的架构，包含八个专家，每次推理激活其中两个。
随着技术发展，人们发现可以增加专家数量，从而提升模型性能。因此，后续的 MoE 模型增加了专家数量，并采用了更复杂的路由机制（选择专家的策略）。
更复杂的路由机制使得模型能够容纳更多参数，并取得更好的效果。DeepSeek V2 就代表了 MoE 架构的第二代演进。
到了 DeepSeek V3，将专家分为两种类型：共享专家和路由专家。共享专家不经过路由选择，直接参与计算。这意味着，所有推理请求都必然会经过共享专家（这里我理解是，DeepSeek 结合了 Dense 模型的优势，这个共享专家和 Dense 模型的理念较像）。
而剩余的路由专家则会根据输入数据的实际内容，通过路由机制选择并激活。路由机制会根据权重匹配，选择 K 个专家（K=1 到 3），即选择 1 到 3 个专家参与推理，并根据权重进行加权。
最后，将共享专家和路由专家的输出进行合并，得到最终的推理结果。这就是 DeepSeek V3 的EP过程。
DeekSeek V3/R1 的 MoE 架构，采用了 1 个共享专家，256 个路由专家，它的 EP 架构在，每次部署的时候，每张卡确保有一个共享专家，和多个不同的路由专家。
DeepSeek 这次开源的 DeepEP，其实是一个专为 MoE 模型和专家并行 (EP) 定制的通信库。它提供高吞吐量和低延迟的 all-to-all GPU 内核，这些内核也被称为 MoE 分发和组合。该库还支持低精度运算，包括 FP8。
开源周 Day4：EPLB & DualPipe
既然 DeepSeek 采用 EP 的方式，来做专家并行计算。推荐了在多张 GPU 上分别部署不同的专家。而且有些专家负载高，要部署在多张卡上，有些专家负载低，部署在一张卡上就行了，从而整体使各个 GPU 的计算负载均衡。
因为，Day4 发布的 EPLB (Expert Parallelism Load Balance)旨在解决专家并行中专家与 GPU 之间的负载均衡问题。
针对 DeepSeek V3 模型中大量专家，EPLB 的目标是合理分配专家到各个 GPU，使整体工作负载更均衡。EPLB 通过分析专家使用频率，结合部署环境信息，生成专家分配矩阵，确保每张 GPU 卡的计算资源得到充分利用。
除此之前，Day4 还发布了 DualPipe 技术以配合 EPLB。其核心思想很简单，就是在训练过程中，尽量减少多个 GPU 出现空闲等待的时间，即减少 “bubble”（气泡）时间。
DualPipe 的核心目标是提高 GPU 利用率。其借鉴了之前两种主流的流水线并行思路。一种是 1F1B（One Forward, One Backward），即一次前向传播，一次后向传播，将训练过程划分为前向和后向两个阶段。
后来，又发展出一种名为 Zero Bubble 的单向流水线技术，它在 1F1B 的基础上，进一步细化了粒度，将后向传播过程又细分为计算梯度和更新权重两个阶段。因此，Zero Bubble 将训练过程划分为前向传播、计算梯度和更新权重三个阶段。
DeepSeek 的 DualPipe 技术则更进一步，将训练过程划分为四个阶段：前向传播（Forward）、后向传播（Backward）、仅输入的后向传播（Backward Input Only）和权重更新（Weight Update）。
基于这四个阶段，DualPipe 能够更精细、更密集地调度 GPU 资源，最大限度地提高训练密度。如图所示，DualPipe 实现了密密麻麻的计算调度，“气泡”少了很多。DualPipe 显著降低了 GPU 的闲置率。DeepSeek 通过公开 DualPipe 的理念和相关代码，帮助大家在训练大模型时提高效率。
开源周 Day5：Fire-Flyer File System（3FS 文件系统）
3FS）是一种高性能分布式文件系统，其目的是应对训练和推理工作负载的挑战。它利用 SSD 和 RDMA 网络，以提供一个共享存储层，从而简化分布式应用程序的开发。
DeepSeek 还同时发布了基于 3FS 的框架 Smallpond。3FS 可以在集群化的分布式架构，实现高性能的数据存储和访问，具备强制一致性，而且兼容常见文件接口的特点。
DeepSeek在开源部署中最核心的就是如果做集群化的部署，PD分离，EP，EPLB所组合的方式，就集群化的部署的核心。一次大规模的集群训练和推理方案，必然存在大量的跨卡，跨机的缓存或者存储访问。
作为 DeepSeek 的底层基础设施，3FS + Smallpond 支撑了其极简化的部署方案，并应用于数据预处理、加载、检查点保存、向量搜索和推理优化等多种场景。
DeepSeek 开源周，说明了 DeepSeek 充分利用 MoE 模型推理的时候只激活部分参数的特性，把 671B 大参数模型的推理，相当于变成了“小参数模型部署 + 负责均衡”来实现。
在讲完集群化的部署理念之后，回到开源周 第一天和第三天的内容，因为这两个技术对集群化的要求不高，即使单机推理也很容易实施。
开源周 Day1: FlashMLA
我首先说说MLA（Multi-Head Latent Attention，即多头潜在注意力机制），要理解MLA，首先和之前的MHA（Multi-Head Attention）对比。
传统的MHA因而需要大量的显存空间去存储 KV Cache，而MLA通过信息注入的方式，将KV不同头上的公共信息压缩到Q上，将非共享信息转化为只有一个头的C，再通过旋转位置编码的方法在实际计算的时候，只要很小的计算量，就可以还原出KVCache，从而实现与MHA相同的效果。
MLA 对比之前的 MHA，其本质是用时间换空间的方式，牺牲一点计算时间，但是可以把 KV Cache 做较大的压缩，节约出大量的显存空间来做其他用途。
其实从 MHA 到 MLA 并非一蹴而就，而是经历了多次迭代演进。
以最初的 MHA 为例，其采用 Cache Inference 机制，所有相关部分都需要缓存。随后，出现了分组优化技术，通过对 Query 进行分组并合并 Query Cache，减小了缓存体积。
之后，MQA 在分组的基础上进一步对内容进行合并，形成了更紧凑的结构。然而，这两种方法在 KV Cache 方面仍存在一定的效率损失。
Latent Query 是一种更为精巧的方案，采用了 Latent Query 转换机制。简而言之，该机制通过数学方法将 KV 序列转换为一个紧凑的表示 C，显著降低了存储空间。而 C 又可以通过相对简单的计算实时还原中间过程，这就是潜在机制的核心思想。
FlashMLA 就是 MLA 的一种高效的实现，其核心在于利用部分 Cuda 编程，精细化极致利用硬件的极致性能，将复杂的 MLA 计算逻辑融入到一个算子当中，并且最大化的利用显卡共享内存去进行矩阵切分，最大化的榨干硬件资源。
开源周 Day3: DeepGEMM
DeepGEMM 是专为 FP8 混合精度打造的通用矩阵乘法（A*B=C）加速引擎。它采用 CUDA 框架内的汇编语言 PTX 编写，核心代码仅几百行，却能支持 Hopper 架构和八位精度浮点，并可及时编译，灵活调整 Block Size 以充分利用 GPU 的计算单元（SM），从而提升计算效率，注意的是，DeepGEMM不仅仅适用于 DeepSeek的MoE模型，传统LLama的Dense 模型也可以使用。
DeepSeek 模型成本率达到 545% 背后的真正秘密是什么？我认为关键不仅在于其开源的各种技术库，更在于其背后的思维理念：极致发挥硬件性能。
DeepSeek 的底层逻辑是充分结合模型特点，力求在存储、带宽和计算等各个环节都充分利用硬件资源，实现极致优化。
例如，DeepSeek 采用双倍气泡通信方案，将计算和通信紧密交错，最大限度地减少资源闲置。
这种理念贯穿 DeepSeek 的整体架构，正是对硬件性能的极致挖掘和优化，成就了 DeepSeek 技术的卓越表现。
实际上，我们公司产品 PPIO派欧云也整合了 DeepSeek 的一些思路，并已上线相关功能，包括 FlashMLA 和 DeepGEMM 等。
目前，我们也提供满血版 API 服务，支持 DeepSeek-V3 模型和 DeepSeek-R1 模型，可以使用注册，限时可得 50 元的券，地址为：
https://ppinfra.com/user/register?invited_by=MWMLW8
可以在多个 App 应用中，使用 PPIO派欧云的API，包括 Dify，FastGPT, 轻流，Anything，RAGFlow, CherryStudio 等。
以下是部分对话实录：
CSDN：DeepSeek 的 545% 成本利润率，自己部署能复现吗？
王闻宇：关于 DeepSeek 545% 成本利润率，首先我认为这更多是一个理论值，实际应用参考意义有限。
DeepSeek 在报告中展示的资源占用图显示资源几乎 24 小时满负荷运行，这意味着高峰期可能存在用户请求排队或响应慢的问题，影响用户体验。要确保良好的用户体验，算力需要留有冗余，实际利润率可能无法达到 545%。
但这个数字揭示了 AI Infra 盈利能力的巨大潜力，指引我们通过技术复现不断逼近这个目标。
要复现 DeepSeek 的技术，需要满足以下三个条件：
- 稳定的集群：基于 H800 甚至 H100 等更高级的 GPU 集群。
- 足够大的用户量：充分利用集群资源，避免卡闲置。
- 极致的优化：强大的并行计算技术能力。
即使满足以上条件，实际商业场景仍面临诸多限制，如稳定的集群不易搭建，用户量难以保证，Infra 技术实现复杂。
此外，实际在商业的服务中常见的性能指标约束（如 TTFT、TPOT、TPS、RPS等），从而导致更多GPU的冗余，也会限制复现的可能性。
CSDN：DeepSeek 之后，算力竞赛结束了吗？
王闻宇：我对此持乐观态度，认为 DeepSeek 并非算力竞赛的终结者，反而可能推动算力需求的进一步爆发。
回顾历史，瓦特改良蒸汽机提高了热效率，虽然初期导致煤炭价格下跌，但由于蒸汽机成本降低，应用场景更加广泛，最终推动了第一次工业革命。DeepSeek 类似于瓦特（注意历史争相：瓦特只是改良蒸汽机，不是发明蒸汽机），它改良了 AI 推理，大幅降低了成本。
短期内可能导致 GPU 算力空闲，但长期来看，一定会催生大量 AI 应用，带来更大规模的算力需求。DeepSeek 的开源降低了 AI 技术门槛，提出了一种特殊的推理部署方法，最终大大降低推理成本，并加速 AI 平民化。长期看，必然带动算力需求的爆发式增长。
CSDN：DeepSeek 的 MoE 架构路线会引领未来吗？Dense 模型还有戏吗？
王闻宇：开源周后，我对大参数 Dense 模型的前景感到不太乐观。DeepSeek 虽然部署了 671B 的超大参数模型，但实际上是通过并行方式，每次激活约 37B 的参数，相当于用部署中型参数模型的机制和成本实现了超大模型的部署。
MoE 在超大参数模型部署上具有天然优势，因为它可以并行激活小参数，降低部署成本。
但是，AI 发展至今，并非所有场景都需要超大参数模型。未来，大、中、小参数模型都将并存，并应用于不同场景。在不需要超大参数的场景下，Dense 模型仍有发挥空间。
中等和小参数模型可能会延续过去的单机部署，甚至微型参数模型可以做到端侧推理。因此，我认为未来的场景是多样的，超大参数模型可能会走向 MoE，但 Dense 模型仍有存在的价值。
CSDN：英伟达亲自下场优化 R1，降本 20 倍，意味着什么？
王闻宇： 我们也在尝试复现英伟达的方案，因为单机部署比集群部署容易。虽然还没有完全达到他们给出的数值，但理论上是完全可行的。
首先，英伟达使用了 B200 这种最强的 Blackwell 新一代架构 GPU，并采用了 FP4 技术，将FP8（8bit的浮点数）量化到 FP4（4bit的浮点数）。B200 在参数上比 H800 甚至 H200 都要强大很多：更大的显存（192G）、更强的浮点性能（FP4 18P vs H200 3.9P），NVLink5.0 带宽翻倍（从之前900G 提高到 1800G），并提供支持 FP4 精度的 Tensor Core 2.0。
我认为英伟达在底层硬件和上层软件都已经努力了，很可能确实达到他们所说的 25 倍加速和 20 倍降本。但英伟达的优化原理与 DeepSeek不同。DeepSeek做的是 AI Infra层的优化，本质上是软件公司做的事情。而英伟达是硬件公司，在更底层的硬件层面。长期看，这两层的优化都很重要，并不矛盾，最终人类一定享受这2层优化的结果。
未来的趋势是这两层技术都会持续进步和迭代，最终一定是英伟达甚至国产卡，在硬件层加速迭代，再结合 AI 异构计算的加速迭代。降本之后还会再持续降本。伴随推理成本的降低，以及底层硬件和软件的迭代，一定会加速整个行业的发展，让更多人更长时间地享受 AI 带来的全面福利。
CSDN：DeepSeek 开源周会催生怎样的 AI 新生态？海外开发者怎么看？
王闻宇：海外开发者对 DeepSeek 感到震惊，因其以十分之一的成本，且基本媲美 OpenAI 的效果，受到广泛关注和积极部署。
DeepSeek 出现后，海外大厂也意识到大模型的门槛不高，开始发布自己的模型。我认为 AI 发展会加速，并带来以下几点：
- 开源受到更多关注：未来会有更多国内外模型公司考虑开源模型。
- 对 Infra 的关注度提高：之前其他公司虽然也在做推理优化，但更多没有站在集群角度，充分发挥集群综合能力。未来会逐步走向这种思路，推理引擎会开源更多推理 Infra 服务。
DeepSeek 开源对整个 AI 生态，包括模型、AI Infra 和应用都非常有帮助，加速了行业的发展。海外开发者也更关注中国的产品，加速了行业的发展。
作者 | 王闻宇
责编 | 梦依丹
出品 | CSDN (ID：CSDNnews)
