深度解读DeepSeek架构:原理与效应 2025

最新推荐文章于 2025-03-27 17:40:56 发布

大模型入门教程

最新推荐文章于 2025-03-27 17:40:56 发布

阅读量1k

点赞数 22

文章标签：人工智能大模微调 DeepSeek 大模型 AI A大模型大模型学习

本文链接：https://blog.csdn.net/2401_85343303/article/details/146041391

版权

欢迎关注

生成式AI:2014——2024

生成式AI: 使用生成式模型生成各类数据(语言、语音、图片、视频等)

Attention: 数据依存关系建模

Transformer: 数据生成的统一架构

Scaling Laws: 数据学习、生成的扩展法则

RLHF: 生成与人类价值对齐的数据

o1/R1: 生成式求解问题——生成问题求解的过程和答案(推理)

自然语言处理与语言模型

自然语言处理: 人类语言的智能化，简处理与分析，使计算机具备听、说、读、写、译等人所具备的语言能力

语言模型:自然语言统计建模,简单说，就是预测句子中的下一个单词是什么。

大语言模型:2018——2024

大语言模型:技术栈

大语言模型:生命周期与范式

扩展法则

大语言模型:后训练范式

推理语言模型?

DeepSeek:2023—2025

DeepSeek:技术创新——模型架构 | V2

DeepSeek:技术创新——模型架构| V2

DeepSeek:技术创新——模型架构| V3

DeepSeek:技术创新——模型架构| V3成本

DeepSeek:技术创新——创新程度

DeepSeek V2-V3及R1在模型架构上选择稀疏MoE模型而非稠密模型，并进行和积累了大量技术创新，包括MLA、FP8训练、MoE All-to-All通信瓶颈解决、MTP等，这些技术并不是所有都是原始创新，但是能够进行如此多大模型架构底层创新的实验室，在全世界可能也只有少数几个。

DeepSeek所有模型架构上的创新均是围绕“降本增效”:在基本不损害性能前提下，尽可能通过算法挖掘和提升硬件训练和解码效率。

老美采取芯片禁令(全球三级管控)策略维持自己的AI领导地位，DeepSeek算法绕过了美国的算力护城河。

DeepSeek:技术创新——推理模型| R1

DeepSeek R1主要创新

DeepSeek-R1-Zero: 大规模RL训练，发现了RL训练的Scaling Laws，RL训练涌现“aha”时刻；
推理模型训练技术框架: 4步法，有效解决了R1-Zero存在问题，将推理与对齐合为一体；
强化学习训练框架: GRPO，来自DeepSeekMath，降低了强化学习训练成本；
推理模型蒸馏: 将大模型推理能力蒸馏到小模型，优于小模型直接进行推理训练(规模效应)；

为什么MCTS+PRM是“误区”

The bitter lesson: scalability
OpenAI竞争策略

DeepSeek的技术创新体系展现了一条独特的AI发展路径，其核心是通过架构革新与算法突破在算力受限环境下实现高效能突破。以下从技术架构、效率优化、算力突围、推理革新四个维度进行拆解：

一、模型架构的颠覆性重构

稀疏MoE架构的选择标志着与传统Transformer的决裂：

动态路由机制：通过门控网络实现专家模型的动态激活，相比稠密模型降低30%以上计算负载

通信瓶颈突破：独创的All-to-All通信优化算法使千卡级训练效率提升47%，解决MoE架构扩展难题

混合精度革命：FP8训练系统在保持模型精度的同时，内存占用降低40%，训练速度提升2.3倍

二、降本增效的技术闭环

技术创新形成效率飞轮：

MLA（多维注意力优化）：重构注意力计算图，单层推理延迟降低18%

MTP（模型张量并行）：突破传统模型并行限制，实现92%的硬件利用率

能耗比革命：同等参数量下，单位算力输出效能较行业基准提升4.8倍

三、算力封锁下的突围路径

在A100/H100受限环境下构建新范式：

算法-硬件协同设计：通过计算图优化使3090集群达到A100 80%训练效率

动态稀疏计算：利用激活稀疏性实现有效算力密度提升

跨代际硬件适配：开发异构计算框架，混合多代GPU仍保持85%集群效率

四、推理模型的范式革命

R1系列重塑推理模型技术栈：

RL Scaling Laws：发现强化学习阶段参数效率跃迁点，训练成本降低60%

GRPO框架：将策略梯度方差降低70%，实现小样本强化学习

蒸馏突破：构建多维蒸馏损失函数，使7B模型达到原有13B模型94%推理能力

五、技术路线的战略选择

MCTS+PRM的替代路径：通过动态价值网络替代传统搜索树，内存开销降低两个数量级

可扩展优先原则：所有技术设计预留10倍以上扩展空间，支持千亿级参数动态扩展

OpenAI对标策略：在训练效率、单位算力产出等核心指标建立比较优势

这种技术体系的价值在于构建了算法突破-硬件适应-效率提升的正向循环。例如，FP8训练与MoE架构的结合，使得在同等硬件条件下可训练参数量提升3倍；GRPO框架与蒸馏技术的配合，让中小模型获得近似大模型的推理能力。

这种多维技术叠加效应，实质是在重新定义AI竞赛的规则——从单纯追求算力规模转向算法密度竞争。

当行业陷入"暴力计算"竞赛时，DeepSeek的技术路线展示了另一种可能性：通过架构创新将算法效率提升转化为实质性的代际差优势。

DeepSeek:技术创新——推理模型| R1-Zero

DeepSeek:技术创新——推理模型| R1 Recipe

DeepSeek:技术创新——推理模型| RL

1.强化学习框架GRPO(DeepSeekMath)

采用蒙特卡洛采用估算以取代Value模型，降低计算和存储开销

2.强化学习奖励模型

采用easily verifiable rewards

Accuracy reward
Format reward
Language-consistency reward

避免过程奖励模型:计算复杂，容易reward hacking

DeepSeek:技术创新——推理模型|推理能力蒸馏

推理模型蒸馏到小模型

reasoning能力可以蒸馏到小模型
大模型蒸馏到小模型优于小模型直接通过大规模RL训
再次验证了模型规模在AGI发展中的重要性
推理者同样需要规模支撑

DeepSeek:技术创新——推理模型| R1

DeepSeek: 技术创新——创新程度

DeepSeek R1是在探明方向(OpenAI o1引领和证实的方向)上进行0-1的创新突破，独立探索出基于大规模强化学习的大语言模型推理技术路线，避开了过去一年多(自OpenAI的Q*在社交媒体讨论)业内广泛思索的通过在训练中进行显式搜索、过程奖励模型(即Search+PRM)实现推理的“误区”。

贡献:

独立探索出推理技术路线
将技术路线公开发布(解惑了业内的“不知”)o模型开源(MIT License)

DeepSeek R1打破了美国第一梯队企业以闭源形成的技术护城河，进一步动摇了美国的“AIDominance”。

DeepSeek: 效应

DeepSeek:效应——算力价格战

DeepSeek:效应——开源vs闭源

DeepSeek:效应——认知误区

如果ChatGPT刷新了我们对AI的认知，那么DeepSeek在某种程度上颠覆了:

美国人对中国AI水平的认知: 长久以来，美国认为中国在AI科技创新上更多是跟随者角色
大模型研发成本的认知: 大模型研发成本需要数千万乃至上亿美元

DeepSeek:效应——创新&人才&Vision

DeepSeek V3和R1的创新，从技术上看，是在探明方向上的较大创新，相比别人同期做的1-100要更创新，笔者将其定义为探明技术方向上的0-1创新(独立探索出技术路线)，但不是颠覆了原有技术框架或者开辟了新的方向。探明方向上的0-1创新，如果有足够多的第一类人才，加上足够多的算力和高超的人才管理，是可以实现的，DeepSeek的成功正是得益于此。

技术方向已经被探明了的“追赶”相对容易，难的是在前面面向未知开路，即在未探明方向、未有概念上进行0到1创新、或者进行概念形成和验证，这方面的创新是要更多胆量、更多vision、更多不计成本投入才能做到的，同时需要第二类人才与第一类人才紧密合作，形成双反馈。

来实现AGI可能还需要3-5个在未探明方向上进行0-1的创新突破;我国如果要在2030年实现 “人工智能理论、技术与应用总体达到世界领先水平”，需要更多企业、高校、研究机构开展探明方向和未探明方向上的0-1创新。

未来…