致敬,DeepSeek 最新开源的不是模型,是国产算力的地基

简介: 9月30日,DeepSeek开源面向华为昇腾的六大核心基础设施组件(TileLang、DeepGEMM等),首次实现国产芯片上生产级大模型训练全栈开源。它将“手写CUDA”升级为“声明式编程”,大幅降低国产算力迁移门槛,为AI底层生态破局注入关键动力。

国庆节前9月30日 10点01分,DeepSeek 干了件不太上热搜、但可能比发模型更重要的事,DeepSeek 悄无声息地扔出一枚"深水炸弹",一次性开源了面向华为昇腾平台的六大基础设施组件:TileLang、DeepGEMM、DeepEP、TileKernels、FlashMLA、DeepSelect。

翻译成人话就是:DeepSeek 把自己训练大模型用的"锅碗瓢盆",在国产芯片上也做了一套,然后开源了,免费送给全行业用。

DeepSeek瞬间格局拉满了,作为 SmartAdmin 的用户,你可能第一反应是——这跟我一个写 Java + Vue 中后台的有什么关系?别急,看完本文,你大概会改变想法。

一、为什么这件事值得单独说?

因为这是第一次,一家中国头部大模型公司,把在国产芯片上跑通生产级训练的完整底层软件栈,全部开源。

这不是一份 PPT,也不是一个 demo,而是 DeepSeek V4 训练真刀真枪用过的东西。

DeepSeek把"国产算力能不能训练顶级大模型"这个问号,改成了句号。

全球 AI 行业苦英伟达、苦 CUDA 垄断久矣;而现在,又是DeepSeek ,用一行行开源代码,为国产算力趟出了一条康庄大道,致敬DeepSeek。

二、DeepSeek 到底开源了个啥?

AI 模型训练,本质是海量数据计算,跑在算力芯片GPU上,目前用得最多的是英伟达 GPU。

但芯片是硬件,硬件自己不会干活,得有人告诉它怎么算。 这套"告诉它怎么算"的东西,就是基础软件组件。

英伟达最牛的地方不只是先进的芯片,还有它 2006 年就推出了 CUDA,然后围绕 CUDA 用了近二十年把 cuDNN、NCCL、TensorRT 这些配套库、教程、工具、社区等生态全部建起来。

结果是:全世界的 AI 开发者,只要使用英伟达就必须写 CUDA。 换一家芯片,等于让写了十年 Java 的人突然改用汇编重写全部业务代码, 想想这是一件多么难的事情。

DeepSeek 这次开源的,具体如下:

层级 英伟达生态(NVIDIA) 国产华为昇腾(Ascend) 简单概要
算子 DSL CUDA TileLang(昇腾版) 用简单写法,写出能跑满硬件性能的算子
通用算子库 cuBLAS DeepGEMM AI 里最核心的"乘法"怎么算最快
通信库 NCCL DeepEP 几百张卡之间怎么"说话"不堵车
注意力算子 FlashAttention FlashMLA 超长文本处理更省更快
向量/访存算子 CUTLASS TileKernels 数据搬进搬出、常规处理
数据管线 DALI等 DeepSelect 从海量数据里快速挑出要用的

两个关键点:

  1. 这 6 个组件,和 DeepSeek 此前面向英伟达平台的开源组件一一对应,所以现在:英伟达有一份,昇腾现在也一份。
  2. TileLang 不是纸上谈兵:引用DeepSeek官方原话,它"已承载了 DeepSeek V4 系列模型训练中大部分算子的实现"。

结论:

以前国产芯片是"服务器参数很漂亮,但没人敢往上迁。

现在,DeepSeek 把操作系统、基础库、源代码都开源了,还顺带告诉大家,别的芯片也能照着用。

再次致敬DeepSeek。

三、零基础也能看懂:英伟达CUDA与国产TileLang对比

这一节写给完全没写过算子的同学。核心只有一句话:CUDA相当于手动挡,TileLang相当于自动挡。

如果你写过数据库,这个最好懂:

写 SQL 时,你只写 SELECT ... FROM a JOIN b WHERE ...——你不管数据库先扫哪张表、走不走索引、用不用哈希连接,这些交给查询优化器。

写 CUDA 时,相当于你手写执行计划——每一步都得自己安排,写错一处就慢一半,甚至结果错。

TileLang 干的事,就是让你重新回到"写 SQL"这一层:你描述"要算什么、切成多大块",线程怎么排、数据怎么搬、同步插在哪、用哪条硬件指令,全交给编译器。

1、先看下 GPU 软硬件基础

如下图,在GPU内部是:CUDA 的并行执行模型是层次化的,从大到小依次为:Grid→ Block→ Thread。

• Thread(线程):最基础的单个理货员,每个人只负责手头的一件小事(比如扫描一个商品)。

• Block(线程块):由几百个理货员组成的工作小组,组员之间可以交头接耳(共享内存)、互相配合。

• Grid(线程格):整个超市大厂,由无数个工作小组拼成,大家都在同一个大厂里各司其职,共同完成海量的任务。

简单来说:Thread 是单兵作战,Block 是小队协同,Grid 是全军出击。

2、传统 CUDA 代码 VS TileLang 代码 对比

我们用一个最简单的任务:矩阵乘法来做对比。为了加速矩阵乘法,我们通常会使用一种叫 “分块(Tiling)” 的技术。简单来说,就是把一个大矩阵拆成许多个小方块(Tile),一小块一小块地搬进 GPU 的超高速缓存(Shared Memory)里进行计算。

下面我们来看看,为了实现这个“分块矩阵乘法”,传统 CUDA 和新一代的 TileLang 分别是怎么写代码的。

1. 传统 CUDA 代码(手动挡,硬核)

在 CUDA 中,程序员需要像一个硬核的“端茶倒水工”,手动控制线程怎么走、数据怎么搬、什么时候原地等待(同步)。

// CUDA 核函数:分块矩阵乘法
__global__ void matrixMulCUDA(float* A, float* B, float* C, int N) {
    // 1. 定义两个小方块(Tile),放在 GPU 的高速共享内存里
    __shared__ float subA[BLOCK_SIZE][BLOCK_SIZE];
    __shared__ float subB[BLOCK_SIZE][BLOCK_SIZE];

    int row = blockIdx.y * BLOCK_SIZE + threadIdx.y;
    int col = blockIdx.x * BLOCK_SIZE + threadIdx.x;
    float value = 0.0;

    // 2. 循环遍历大矩阵,把数据一小块一小块地搬进来
    for (int m = 0; m < N / BLOCK_SIZE; ++m) {
        // 【手动搬运】每个线程负责把大内存(Global Memory)里的一个点搬到小方块里
        subA[threadIdx.y][threadIdx.x] = A[row * N + (m * BLOCK_SIZE + threadIdx.x)];
        subB[threadIdx.y][threadIdx.x] = B[(m * BLOCK_SIZE + threadIdx.y) * N + col];

        // 【手动同步】必须等所有线程都搬完了,才能开始算,否则数据会乱掉!
        __syncthreads();

        // 【计算】在高速小方块里进行乘加运算
        for (int k = 0; k < BLOCK_SIZE; ++k) {
            value += subA[threadIdx.y][k] * subB[k][threadIdx.x];
        }

        // 【再次手动同步】必须等大家都算完了,才能让下一批数据进来覆盖这个小方块
        __syncthreads();
    }

    // 3. 把最终算好的结果写回大内存
    if (row < N && col < N) {
        C[row * N + col] = value;
    }
}

特点:

• 指针计算密密麻麻(如 row * N + (m * BLOCK_SIZE + threadIdx.x)),一步算错,满盘皆输。

• 必须小心翼翼地写 __syncthreads()(线程同步)。如果漏掉了,或者写错位置,程序就会遭遇“数据竞争”,算出来的结果全是乱码,而且极难排查。

2. TileLang 代码(自动挡,现代)

TileLang 是专为分块计算设计的语言(通常嵌入在 Python 中)。它把矩阵和“小方块(Tile)”当成了基本对象。你只需要告诉它“我想怎么切块”,剩下的搬运和同步,它自动帮你搞定。

// python

# TileLang 函数:分块矩阵乘法
@tl.kernel
def matrix_mul_tilelang(A, B, C, N: tl.int32):
    # 1. 直接声明我们要处理的“分块(Tile)”形状
    # 比如每次处理 BLOCK_SIZE x BLOCK_SIZE 的小方块
    tile_A = tl.layout((BLOCK_SIZE, BLOCK_SIZE))
    tile_B = tl.layout((BLOCK_SIZE, BLOCK_SIZE))

    # 2. 只要用高级的算子,一句话就能把数据从“大内存”加载到“小方块”
    # TileLang 会在底层自动帮你处理线程分配和写回
    for m in range(0, N, BLOCK_SIZE):
        # 【高级搬运】直接加载一个切片(Block)
        local_A = tl.load(A[tl.pid(0) * BLOCK_SIZE : (tl.pid(0) + 1) * BLOCK_SIZE, m : m + BLOCK_SIZE])
        local_B = tl.load(B[m : m + BLOCK_SIZE, tl.pid(1) * BLOCK_SIZE : (tl.pid(1) + 1) * BLOCK_SIZE])

        # 【高级计算】直接让两个小方块做矩阵乘法(tl.gemm 是一条指令)
        # 底层自动处理了同步(__syncthreads),程序员根本不需要关心!
        local_C += tl.gemm(local_A, local_B)

    # 3. 一句话把算好的大方块存回去
    tl.store(C[tl.pid(0) * BLOCK_SIZE :, tl.pid(1) * BLOCK_SIZE :], local_C)

特点:

  • 没有复杂的指针和下标计算,用类似 Python 切片语法(A[start:end])就能操作数据。
  • 没有 __syncthreads()! 因为 TileLang 知道你在做分块计算,它在编译成底层机器码时,会自动帮你把同步指令插到最完美的位置。
  • 代码量大幅减少,逻辑非常清晰。

两者对比

特性 CUDA (传统) TileLang (现代)
驾驶体验 手动挡老卡车。离合、换挡全靠手动,技术不好容易熄火(死机/算错)。 自动挡新能源车。设定好目的地(切块大小),一脚油门(tl.gemm)自动驾驶。
数据搬运 必须由每个线程一个点一个点地去大内存搬运。 支持整块(Tile)直接加载和存储。
线程同步 必须手动写 __syncthreads(),多一个少一个都会崩溃。 全自动。编译器自动分析数据依赖并帮你同步。
硬件优化 想要达到极高速度,需要手写非常复杂的特定硬件指令(如 Tensor Core)。 封装了高级算子(如 tl.gemm),自动在底层调用最强的硬件加速。

四、行业影响:这波开源接下来会怎么变?

跳出 DeepSeek 本身,我觉得这次开源对整个行业至少有三个层面的冲击。

冲击一:国产算力的"软件短板"被实质性补上了一块。

过去几年,"国产 GPU 硬件参数不输英伟达,但生态差一大截"几乎是共识。DeepSeek 这套组件开源后,昇腾在大模型训练这个最硬核的场景里,第一次拥有了对标 CUDA 生态的"生产级"软件栈,这会显著加快其他国产芯片厂商跟进的节奏。

冲击二:中小 AI 公司的算力选型自由度大幅提升。

以前创业公司做 AI,基本没有第二条路——融资、买英伟达、烧钱。现在多了一个真实可选项:昇腾 + DeepSeek 开源栈。哪怕只是用来做推理集群、做垂直模型微调,成本结构都会明显变化。

冲击三:AI 编程语言的"战国时代"开启。

TileLang、Triton、Mojo、Ascend C、CUDA……未来几年,AI 底层语言赛道会非常热闹。这对开发者是好事,能写高性能算子、懂国产芯片调优的工程师本就极少,需求一上来,价格必然动,又一波新行情。

五、对大家的影响:机会藏在哪里

终于聊到跟你我最相关的部分了,咱们大多数读者是做互联网或者企业级应用的的 Java、Go、 前端等工程师,平时不训练模型,模型层的红利吃不到,但"让 AI 在企业里真正跑起来"的红利,咱们还是可以分层预估下机会的。

1) 短期(3-6 个月):不用做任何事,但可以开始关注

  • Java/go/python + Vue/React/Uniapp 等技术栈不会因此改变;
  • 但可以花半天时间把 TileLang 仓库代码下载下来,多看看,有机会的跑一遍,提前建立知识储备和认知提升。

2) 中期(6-18 个月):AI 成本会显著下降,你能接的单子变多了

这个是重点:过去在系统里想加个"智能摘要""智能问答""文档理解",走的路径通常是:调 OpenAI/文心/通义 API → 按 token 付费 → 数据出内网 → 采购。

未来的可选路径会变成:

  • 私有化部署一个开源大模型(如 DeepSeek V4 蒸馏版);
  • 跑在国产算力集群上(昇腾 + DeepSeek 开源栈);

3) 长期(1-3 年):技能储备的方向要重新校准

如果当前你已经跻身 AI 相关方向的同学,或者你自己在考虑转型,几个建议:

  • 别只押注 CUDA:TileLang 值得投入学习时间,它是跨硬件的;
  • 关注国产算力生态:昇腾、寒武纪、摩尔线程、燧原……未来会有大量企业级需求;
  • AI 工程化能力 > 模型训练能力:对绝大多数企业团队来说,会用比会训更重要;
  • 业务理解 + AI 落地能力,才是最稀缺的组合。
  • 机会不在写算子,在最后一公里,国产算力进企业内网,需求会落到应用层,让 AI 在企业系统里真正可用的那部分,正是我们这拨人的主场。

六、3 条结论,值得转给你的同事

如果这篇你只记三件事,记这三个:

1)这次开源的是“让人能用起来”的那一层,不是模型。 6 个组件(TileLang / DeepGEMM / DeepEP / TileKernels / FlashMLA / DeepSelect)与 DeepSeek 在英伟达平台上的开源组件一一对应——以前是“英伟达有一份”,现在昇腾也有了一份。按 DeepSeek 官方说法,TileLang“已承载 V4 系列模型训练中大部分算子的实现”。这不是 demo,是生产级。

2)卡住国产算力的从来不是芯片,是“迁移要重写一遍”。 CUDA 2006 年就发布,用近二十年把 cuDNN、NCCL、TensorRT 和社区踩坑经验堆成了护城河。TileLang 做的事,是把“手写执行计划”退回“写 SQL”:你只描述要算什么、切成多大块,线程怎么排、数据怎么搬、同步插在哪,全交给编译器。迁移成本因此从“重写一遍”压向“改几行”。

3)不训练模型的人,机会不在写算子,在最后一公里。

时间窗口 能做什么
短期(3-6 个月) Java / Go / 前端技术栈不会因此改变;值得花半天把 TileLang 仓库拉下来跑一遍,先建立认知储备。
中期(6-18 个月) AI 成本显著下降:“智能摘要 / 智能问答 / 文档理解”这类需求,路径会从“调 API、按 token 付费、数据出内网”,变成“私有化部署开源模型 + 国产算力集群上”,你能接的单子变多。
长期(1-3 年) 别只押注 CUDA,TileLang 是跨硬件的;AI 工程化能力比模型训练能力更重要;业务理解 + AI 落地能力,才是最稀缺的组合。

你怎么看这次开源?你们公司的 AI 服务现在跑在什么卡上? 留言聊聊。

关注「六边形工程师」,关注 AI发展与AI变现、关注健康问题,分享AI经验、互联网产品经验、技术经验,不断踩坑与爬坡中。

下一篇预告:《SmartAdmin 里 90% 人没写对的 Controller 层》——回到你每天都在写的那一层,把最常见的几个坑一次说清。

(本文事实部分依据 DeepSeek 2026 年 9 月 30 日官方公众号开源公告、TileLang 官方仓库及论文信息;CUDA 示例为典型教学写法示意;分析与判断部分为作者观点。)

相关文章
|
数据采集 存储 运维
MyEMS:技术架构深度剖析与用户实践支持体系
MyEMS 是一款开源能源管理系统,采用分层架构设计,涵盖数据采集、传输、处理与应用全流程,支持多协议设备接入与多样化能源场景。系统具备高扩展性与易用性,结合完善的文档、社区、培训与定制服务,助力不同技术背景用户高效实现能源数字化管理,降低使用门槛与运维成本,广泛适用于工业、商业及公共机构等场景。
560 0
|
3月前
|
运维 数据可视化 Serverless
DeepSeek云端部署全流程指南:阿里云提供6种方法部署满血版或蒸馏版DeepSeek,新手0基础教程
DeepSeek-R1是主打强逻辑推理的开源大模型,在数学推演、代码生成、复杂长文本问答、多步骤逻辑任务上表现突出,仅需少量标注数据即可实现高精度推理输出。针对不同开发人群、业务规模、预算成本需求,阿里云完整提供六大差异化部署方案,覆盖MaaS托管API、PaaS可视化一键部署、IaaS自主集群推理三层架构,分别适配满血完整版大参数模型与轻量化蒸馏小模型,最快5分钟即可完成线上调用,最低成本仅十几元即可搭建专属推理服务,无任何开发经验的新手也能快速落地。本文完整拆解六大部署路径的适用人群、部署耗时、预估成本、核心优势,配套Python调用代码、vLLM推理启动命令、Serverless部署脚本
538 2
|
2月前
|
存储 人工智能 安全
阿里云国际版代理商:企业智能体落地挑战 AgentCore 如何破解生产级 AI 架构难题?
2026年,生成式AI正从RAG迈向自主智能体(Agentic AI)。本文详解AWS AgentCore——专为生产级智能体设计的托管运行时,解决动态鉴权、安全沙箱、长链路状态管理与全链路可观测四大工程断层。(239字)
|
3月前
|
缓存 自然语言处理 区块链
投机解码原理拆解:Draft-Target双模型流水线:小模型预生成 + 主模型并行校验20.0
投机解码是一种高效的大模型推理加速技术:用轻量小模型(Draft)快速预生成多个候选Token,再由大模型(Target)一次性批量校验并修正。它不改动主模型,零精度损失,显著提升生成速度,是当前性价比最高的并行推理优化方案。
287 3
|
5月前
|
人工智能 缓存 自然语言处理
阿里云百炼接入DeepSeek-V4全解析:大模型能力、计费优惠、节省计划与全行业AI开发实战落地指南
2026年阿里云百炼正式接入DeepSeek-V4系列大模型,同步推出DeepSeek-V4-pro旗舰版、DeepSeek-V4-Flash轻量化版两套规格,API基础定价与模型官方完全统一,百万Tokens输入最低1元、输出最低2元,叠加平台专属活动包季最低4.5折。该系列原生支持百万级超长上下文,依托MoE稀疏架构降低推理算力消耗,覆盖电商、广告、短剧、AI编程、智能客服、企业办公等几乎全部AI落地场景,同时配套全模型通用节省计划,一次购买可通用于平台150余款大模型,简化多模型项目成本管控。
1540 0
|
11月前
|
人工智能 自然语言处理 监控
AI Ping: 一站式大模型服务评测与API调用平台技术解析
在当前大模型应用爆发式增长的背景下,开发者面临着一个共同的痛点:如何高效、低成本地调用大模型服务? 本文将深入解析AI Ping如何通过其vibe coding工具链实现"零成本"接入三大主流免费模型,帮助开发者在日常开发中显著降低AI使用成本。
1059 1
AI Ping: 一站式大模型服务评测与API调用平台技术解析
|
IDE 架构师 测试技术
通义灵码体验反馈
作为一名系统架构师,我试用了通义灵码个人版,发现其显著提升了开发效率,整体提效达30%。具体流程包括在VSCode中安装插件、登录阿里云账号、使用灵码进行代码解释、注释、优化及单元测试等。灵码在代码生成速度、质量及解释方面表现出色,但在账号登录和默认注释语言方面仍有优化空间。
1097 3
|
机器学习/深度学习 人工智能 自然语言处理
详解:Poe AI国内版_国内使用Poe AI的最优选择!
Poe 的出现标志着 Quora 对 AI 和自然语言处理 (NLP) 技术的深入探索,预示着 AI 在我们日常生活中将扮演越来越重要的角色。
2171 13
|
开发框架 .NET C#
C#/.NET/.NET Core优秀项目和框架精选(坑已挖,欢迎大家踊跃提交PR或者Issues中留言)
C#/.NET/.NET Core优秀项目和框架精选(坑已挖,欢迎大家踊跃提交PR或者Issues中留言)
725 1

热门文章

最新文章