作者：BadBot， IOBC Capital

就在昨晚，DeepSeek在Hugging Face发布了V3版本的更新——DeepSeek-V3-0324，模型参数为6850亿，代码能力、UI设计、推理能力等显著提高。

在刚刚结束的2025 GTC大会上，黄仁勋对DeepSeek给予了高度评价，同时强调，市场之前认为DeepSeek的高效模型会降低对英伟达芯片需求的理解是错误的，未来的计算需求只会更多，而不是更少。

DeepSeek作为算法突破的明星产品，与英伟达的算力供应到底有什么关系，我想先讨论下算力与算法对行业发展的意义。

算力与算法的共生演化

在 AI 领域，算力的提升为更复杂的算法提供了运行基础，使模型能处理更大量数据、学习更复杂模式；而算法的优化则能更高效地利用算力，提升计算资源的使用效率。

算力与算法的共生关系正重塑AI产业格局：

技术路线分化：OpenAI等公司追求构建超大型算力集群，而DeepSeek等则专注算法效率优化，形成不同技术流派。

产业链重构：英伟达通过CUDA生态系统成为AI算力主导者，云服务商则通过弹性算力服务降低部署门槛。

资源配置调整：企业研发重心在硬件基础设施投资与高效算法研发间寻求平衡。

开源社区崛起：DeepSeek、LLaMA等开源模型使算法创新与算力优化成果得以共享，加速技术迭代与扩散。

DeepSeek的技术创新

DeepSeek的爆火绝对与它的技术创新分不开，我将使用通俗的语言解释，使大部分人都看得懂。

模型架构优化

DeepSeek采用了Transformer+MOE（Mixture of Experts）的组合架构，并引入了多头潜在注意力机制（Multi-Head Latent Attension, MLA）。这种架构像是一个超级团队，其中Transformer负责处理常规任务，而MOE像是团队中的专家小组，每个专家都有自己的专长领域，当遇到特定问题时，由最擅长的专家来处理，这样可以大大提高模型的效率和准确性。MLA机制让模型在处理信息时能够更加灵活地关注不同的重要细节，进一步提升了模型的性能。

训练方法革新

DeepSeek提出了FP8混合精度训练框架。这个框架像是一个智能的资源调配器，它能够根据训练过程中不同阶段的需求，动态地选择合适的计算精度。在需要高精度计算的时候，它就使用较高的精度，以保证模型的准确性；而在可以接受较低精度的时候，它就降低精度，从而节省计算资源，提高训练速度，减少内存占用。

推理效率提升

在推理阶段，DeepSeek引入了多Token预测（Multi-token Prediction, MTP）技术。传统的推理方法是一步步来，每一步只预测一个Token。而MTP技术能够一次性预测多个Token，从而大大加快了推理的速度，同时也降低了推理的成本。