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：
- 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。
- 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。）
