DeepSeek V3和R1的創(chuàng)新系統(tǒng)架構(gòu)源于對AI推理效率與成本平衡的突破性探索。V3作為混合專家（MoE）模型，總參數(shù)達(dá)671B，采用多頭潛在注意力（MLA）和無輔助損失負(fù)載均衡策略，通過FP8混合精度訓(xùn)練優(yōu)化資源消耗，預(yù)訓(xùn)練14.8萬億Token，成本僅為同類模型的1/15。R1則基于V3架構(gòu)，首次通過純強(qiáng)化學(xué)習(xí)（RL）激發(fā)推理能力，無需監(jiān)督微調(diào)（SFT），結(jié)合冷啟動(dòng)數(shù)據(jù)與群體相對策略優(yōu)化（GRPO）算法，顯著提升數(shù)學(xué)、編程等結(jié)構(gòu)化任務(wù)性能，并通過蒸餾技術(shù)將推理能力遷移至小模型，實(shí)現(xiàn)低成本高效部署。這一架構(gòu)革新推動(dòng)了國產(chǎn)AI算力生態(tài)發(fā)展，降低對高端GPU的依賴，加速了AGI的商業(yè)化進(jìn)程。
在這一技術(shù)革新的背景下，安擎正在積極推進(jìn)DeepSeek AI服務(wù)器產(chǎn)品的適配與調(diào)優(yōu)，并與業(yè)界合作伙伴共同打造基于安擎AI服務(wù)器及集群管理的全棧解決方案。與此同時(shí)，安擎資深技術(shù)專家將深入研究DeepSeek發(fā)布的核心論文，通過學(xué)習(xí)和理解其模型創(chuàng)新技術(shù)，探索其創(chuàng)新思路，致力于構(gòu)建更具前沿競爭力的AI服務(wù)器系統(tǒng)及解決方案，與客戶及合作伙伴共同構(gòu)建創(chuàng)新驅(qū)動(dòng)的生成式人工智能生態(tài)。以下是DeepSeek 四篇核心論文概述及關(guān)鍵創(chuàng)新點(diǎn)梳理：
1.《DeepSeek-R1: Incentivizing Reasoning Capability in LLMs via Reinforcement Learning》
概述： 該論文提出了一種通過純強(qiáng)化學(xué)習(xí)（RL）自主激發(fā)大語言模型（LLM）推理能力的方法，結(jié)合群體相對策略優(yōu)化（GRPO）算法和雙階段訓(xùn)練策略（推理導(dǎo)向RL與通用對齊RL），顯著提升了模型在數(shù)學(xué)、編程等結(jié)構(gòu)化任務(wù)中的性能。實(shí)驗(yàn)顯示，其Pass@1準(zhǔn)確率在AIME 2024任務(wù)中達(dá)79.8%，推理成本僅為同類模型的1/30。 創(chuàng)新點(diǎn)： · GRPO算法：替代傳統(tǒng)PPO，通過組內(nèi)獎(jiǎng)勵(lì)對比優(yōu)化策略，無需獨(dú)立價(jià)值模型，降低計(jì)算開銷28。 · 冷啟動(dòng)+多階段RL：結(jié)合少量高質(zhì)量推理鏈數(shù)據(jù)微調(diào)，規(guī)范輸出格式（如標(biāo)簽），提升可讀性與任務(wù)適應(yīng)性2。 · 蒸餾技術(shù)：將80萬條推理數(shù)據(jù)用于小模型微調(diào)，7B模型在數(shù)學(xué)任務(wù)中超越32B基線模型，實(shí)現(xiàn)高效推理能力遷移210。
2.《DeepSeek-V3 Technical Report》
概述： 該技術(shù)報(bào)告介紹了DeepSeek-V3的混合專家（MoE）架構(gòu)，包含671B總參數(shù)（每個(gè)Token激活37B），采用多頭隱注意力（MLA）和無輔助損失的負(fù)載平衡策略，預(yù)訓(xùn)練14.8萬億Token。其在MATH-500任務(wù)中準(zhǔn)確率達(dá)97.3%，訓(xùn)練成本僅為Llama 3系列的1/15，性能對標(biāo)GPT-4o。 創(chuàng)新點(diǎn)： · MLA與DeepSeekMoE：提升推理效率與經(jīng)濟(jì)性，支持128K長上下文處理69。 · 多Token預(yù)測（MTP）：擴(kuò)展預(yù)測范圍至多個(gè)未來Token，增強(qiáng)數(shù)據(jù)效率和表征預(yù)規(guī)劃能力6。 · 低成本訓(xùn)練優(yōu)化：通過FP8混合精度訓(xùn)練和工程優(yōu)化，每萬億Token訓(xùn)練僅需18萬H800 GPU小時(shí)，顯著降低資源消耗。 3.《DeepSeek-R1-Zero: Self-Evolving Reasoning via Pure Reinforcement Learning》 概述： 探索無需監(jiān)督微調(diào)（SFT）的純RL訓(xùn)練路徑，驗(yàn)證模型通過GRPO自主涌現(xiàn)“反思”和“多步驗(yàn)證”等復(fù)雜推理行為。初始版本在AIME任務(wù)中Pass@1從15.6%提升至71.0%，多數(shù)投票后達(dá)86.7%，但存在多語言混雜與可讀性缺陷。 創(chuàng)新點(diǎn)： · 自我進(jìn)化現(xiàn)象：模型在訓(xùn)練中自發(fā)形成糾錯(cuò)與驗(yàn)證能力，如數(shù)學(xué)解題中的“Aha時(shí)刻”。 · 極簡獎(jiǎng)勵(lì)設(shè)計(jì)：僅依賴答案正確性與格式規(guī)范，避免復(fù)雜獎(jiǎng)勵(lì)模型導(dǎo)致的訓(xùn)練偏差。 4.《Efficient Knowledge Distillation for Reasoning-Centric LLMs》 概述： 提出基于動(dòng)態(tài)權(quán)重分配的跨維度知識蒸餾方法，將32B大模型的推理邏輯遷移至7B小模型，使其在AIME任務(wù)中性能提升23%，超越原32B模型。 創(chuàng)新點(diǎn)： · 思維范式遷移：解構(gòu)大模型的認(rèn)知模式，而非單純知識記憶，提升小模型的元推理能力。 · 低成本部署：7B蒸餾模型在邊緣設(shè)備實(shí)現(xiàn)高效推理，降低硬件依賴。 DeepSeek的核心論文主要圍繞強(qiáng)化學(xué)習(xí)驅(qū)動(dòng)的推理優(yōu)化（R1系列）和高效架構(gòu)設(shè)計(jì)（V3系列）展開。通過算法創(chuàng)新（如GRPO、MTP）和工程優(yōu)化（如FP8訓(xùn)練、蒸餾技術(shù)），DeepSeek成功實(shí)現(xiàn)了性能與成本的平衡。此外，其開源策略（例如發(fā)布1.5B至70B的蒸餾模型）進(jìn)一步推動(dòng)了AI技術(shù)的民主化，為邊緣計(jì)算和垂直領(lǐng)域應(yīng)用提供了新的范式。 DeepSeek的成功在全球范圍內(nèi)引發(fā)了廣泛關(guān)注和深入探討，特別是其系統(tǒng)架構(gòu)的創(chuàng)新成為焦點(diǎn)。在綜合國內(nèi)外技術(shù)流派的觀點(diǎn)，并結(jié)合安擎在AI服務(wù)器開發(fā)設(shè)計(jì)領(lǐng)域的多年積累以及對DeepSeek 以上核心論文的深入研究后，我們將其系統(tǒng)架構(gòu)之道總結(jié)為“逆向漸進(jìn)式創(chuàng)新出圈”。鑒于讀者對AI大模型的了解程度各異，本文以淺顯易懂的語言展開，運(yùn)用類比的方式剖析關(guān)鍵技術(shù)，避免過多引用復(fù)雜論文內(nèi)容，旨在讓零基礎(chǔ)讀者理解DeepSeek架構(gòu)的核心理念。對于AI大模型領(lǐng)域的資深讀者，本文可作為啟發(fā)性讀物，助力快速提煉要點(diǎn)，并根據(jù)需要進(jìn)一步閱讀論文原文。我們期待本文對DeepSeek架構(gòu)的總結(jié)能與您產(chǎn)生共鳴。 DeepSeek V3混合專家系統(tǒng)（MoE）和多頭潛在注意力（MLA），漸進(jìn)式創(chuàng)新典范 漸進(jìn)式創(chuàng)新與顛覆式創(chuàng)新是技術(shù)演進(jìn)的兩種路徑。前者通過持續(xù)優(yōu)化現(xiàn)有技術(shù)比如算法效率提升等，在現(xiàn)有市場框架內(nèi)提升性能、降低成本；后者以突破性技術(shù)重構(gòu)產(chǎn)業(yè)邏輯，通過創(chuàng)造新需求或替代舊范式開辟增量市場。二者共同推動(dòng)技術(shù)螺旋上升，漸進(jìn)創(chuàng)新維持競爭力，顛覆創(chuàng)新驅(qū)動(dòng)范式躍遷。結(jié)合國內(nèi)大模型基礎(chǔ)以及高端算力資源使用受限的現(xiàn)實(shí)，基于可用的模型生態(tài)資源基礎(chǔ)，Deepseek V3 系統(tǒng)架構(gòu)采取了務(wù)實(shí)且高效的漸進(jìn)式工程創(chuàng)新路徑，以MoE和MLA為例，進(jìn)一步闡述其漸進(jìn)式創(chuàng)新之道。 MoE并非DeepSeek首創(chuàng)，其最早的應(yīng)用甚至不在LLM領(lǐng)域，而是出現(xiàn)在谷歌的廣告投放和預(yù)測模型中。國外大模型研發(fā)機(jī)構(gòu)通常擁有充足算力資源，可穩(wěn)定提升模型性能，而DeepSeek團(tuán)隊(duì)面臨嚴(yán)格的算力限制，只能通過創(chuàng)新破局。MoE架構(gòu)基于“專家團(tuán)隊(duì)”分工協(xié)作，專家間的高效溝通是關(guān)鍵。DeepSeek在此基礎(chǔ)上，納入動(dòng)態(tài)子模型激活創(chuàng)新，實(shí)現(xiàn)了“讓正確的專家完成正確的合作”，從而突破資源瓶頸。以裝修房子為例，形象化的解釋MoE和傳統(tǒng)架構(gòu)核心原理以及DeepSeek MoE創(chuàng)新所在。 如圖1所示的傳統(tǒng)AI模型，就像你請了一個(gè)全能裝修師傅，他既懂水電、木工，又會(huì)刷墻鋪地板。但無論任務(wù)是裝水管還是打柜子，他每次都得獨(dú)自完成所有步驟。比如讓他“裝個(gè)插座”，他需要先回憶水電知識，再復(fù)習(xí)木工技巧，最后還要檢查刷墻步驟。雖然他很努力，但效率低下（每項(xiàng)任務(wù)都要重復(fù)完整流程），計(jì)算資源消耗大（容易“累”），遇到復(fù)雜任務(wù)（如全屋精裝）還可能忙不過來。而MoE（混合專家模型）則完全不同。你雇了一個(gè)裝修隊(duì)長，他手下有水電專家、木工專家、油漆專家和設(shè)計(jì)師。每當(dāng)你提出需求（比如“裝個(gè)復(fù)古吊燈”），隊(duì)長會(huì)迅速判斷：“這任務(wù)80%是水電問題，20%涉及設(shè)計(jì)”，然后只派水電工和設(shè)計(jì)師來干活，其他人則繼續(xù)待命。結(jié)果是：任務(wù)完成得又快又好（計(jì)算資源精準(zhǔn)分配），團(tuán)隊(duì)還能隨時(shí)擴(kuò)容（新增專家不影響整體運(yùn)行）。
MoE大模型架構(gòu)核心就是通過動(dòng)態(tài)路由機(jī)制將輸入數(shù)據(jù)分配到不同的子網(wǎng)絡(luò)（或者說專家）進(jìn)行處理每次應(yīng)用的時(shí)候只會(huì)激活部分的專家這樣就可以提高計(jì)算的效率降低訓(xùn)練和推理的成本。DeepSeek MoE采用動(dòng)態(tài)專家激活與參數(shù)高效利用，無輔助損失負(fù)載均衡，模塊化可擴(kuò)展架構(gòu)，F(xiàn)P8低精度訓(xùn)練與硬件協(xié)同優(yōu)化等創(chuàng)新技術(shù)，實(shí)現(xiàn)了“讓正確的專家完成正確的合作”。這進(jìn)一步解釋了6700億參數(shù)中DeepSeek V3只需要激活370億參數(shù)的原因所在。
MLA (Multi-Head Latent Attention) 多頭潛在注意力是DeepSeek在V3版本架構(gòu)上的創(chuàng)新，實(shí)現(xiàn)優(yōu)化顯存與計(jì)算效率，通過低秩鍵值聯(lián)合壓縮（Low-rank Key-Value Joint Compression）和潛在變量建模，減少推理時(shí)的KV緩存占用，同時(shí)保持或提升模型性能，解決了傳統(tǒng)MHA (Multi-Head Attention) 多頭注意力架構(gòu)，因并行多個(gè)注意力頭捕捉輸入序列的不同關(guān)聯(lián)造成的顯存占用高、長序列計(jì)算效率低的問題。以編輯雜志為例，形象化的描述MLA和MHA的核心原理以及MLA的創(chuàng)新所在。如圖2所描述，基于MHA的普通模型：每個(gè)欄目的寫作需要所有編輯同時(shí)參與，每個(gè)人都要記住整本書的情節(jié)（存儲(chǔ)所有KV緩存），導(dǎo)致效率低下。MLA模型：主編先提煉出每個(gè)欄目的領(lǐng)域（潛在向量），然后根據(jù)當(dāng)前欄目的領(lǐng)域（如物理、航空航天）只調(diào)用相關(guān)領(lǐng)域的編輯（專家），其他人休息。這樣既節(jié)省時(shí)間，又保證內(nèi)容質(zhì)量。
DeepSeek R1 基于群體相對策略優(yōu)化（GRPO）的強(qiáng)化學(xué)習(xí)架構(gòu)，引領(lǐng)逆向創(chuàng)新風(fēng)向
DeepSeek技術(shù)突破的標(biāo)志性成果當(dāng)屬其推理模型雙星——DeepSeek-R1-Zero與DeepSeek-R1，這兩大模型的問世首次構(gòu)建起與OpenAI o1推理體系的技術(shù)抗衡能力。在R1系列面世前，OpenAI的o1長期占據(jù)推理模型賽道的壟斷地位。DeepSeek實(shí)現(xiàn)"破圈傳播"的核心創(chuàng)新體現(xiàn)在雙重維度：顯性交互層面，R1模型不僅輸出最終結(jié)果，更首創(chuàng)"思維過程可視化"機(jī)制，將隱式推理鏈條轉(zhuǎn)化為可解釋的逐步推導(dǎo)路徑；技術(shù)底層層面，其突破性在于構(gòu)建了完全脫離人類反饋的強(qiáng)化學(xué)習(xí)訓(xùn)練范式。值得注意的是，R1的技術(shù)演進(jìn)始自其前身R1-Zero，研發(fā)團(tuán)隊(duì)在該原型階段實(shí)施了極具風(fēng)險(xiǎn)的技術(shù)驗(yàn)證：采用純強(qiáng)化學(xué)習(xí)框架，摒棄監(jiān)督微調(diào)環(huán)節(jié)，直接探索大模型在零人工標(biāo)注數(shù)據(jù)環(huán)境下自主演化推理能力的可能性。這項(xiàng)被稱為"無監(jiān)督認(rèn)知覺醒"的實(shí)驗(yàn)，最終驗(yàn)證了語言模型通過自主探索-利用機(jī)制發(fā)展出復(fù)雜推理能力的可行性。如圖3所示，DeepSeek R1研究論文中展示的自進(jìn)化強(qiáng)化學(xué)習(xí)架構(gòu)示意圖，其技術(shù)框架以"環(huán)境交互-策略內(nèi)生-獎(jiǎng)勵(lì)自洽"三重機(jī)制為理論根基，重點(diǎn)論證了無需人類反饋的強(qiáng)化學(xué)習(xí)范式作為系統(tǒng)核心支柱的可行性。
圖3 自進(jìn)化強(qiáng)化學(xué)習(xí)架構(gòu)示意圖
（來自DeepSeek R1論文）
為便于理解，簡單來說，強(qiáng)化學(xué)習(xí)是一種通過試錯(cuò)來學(xué)習(xí)最優(yōu)策略的方法，其核心在于為機(jī)器提供大量數(shù)據(jù)和一個(gè)獎(jiǎng)勵(lì)函數(shù)（reward function）。以AlphaGo為例，它最初通過模仿人類棋譜學(xué)習(xí)下棋，但最終通過強(qiáng)化學(xué)習(xí)實(shí)現(xiàn)了從模仿到超越人類的突破。在這一過程中，AlphaGo完全摒棄了人類棋譜，轉(zhuǎn)而通過自我對弈不斷優(yōu)化策略，最終達(dá)到超越人類頂尖水平的成就。如圖4所示，以AlphaGo為例，形象化地展示了監(jiān)督學(xué)習(xí)和強(qiáng)化學(xué)習(xí)的基本原理。
圖4 以AlphaGo為例，闡述監(jiān)督學(xué)習(xí)和
強(qiáng)化學(xué)習(xí)的基本原理
理解強(qiáng)化學(xué)習(xí)與監(jiān)督學(xué)習(xí)的基本原理后，我們聚焦DeepSeek R1的逆向創(chuàng)新路徑的探討。OpenAI提出的近端策略優(yōu)化（PPO）算法基于Actor-Critic雙模型架構(gòu)，其設(shè)計(jì)核心包含兩個(gè)關(guān)鍵技術(shù)：首先，通過策略更新裁剪機(jī)制約束策略模型的梯度幅度，有效控制策略迭代的穩(wěn)定性邊界；其次，運(yùn)用廣義優(yōu)勢估計(jì)（GAE）對時(shí)序差分誤差進(jìn)行指數(shù)衰減加權(quán)，實(shí)現(xiàn)偏差-方差權(quán)衡下的優(yōu)勢函數(shù)精準(zhǔn)估計(jì)。相較之下，DeepSeek研發(fā)的群體相對策略優(yōu)化（GRPO）實(shí)現(xiàn)了三大范式突破：其一，摒棄價(jià)值函數(shù)估計(jì)模塊，通過策略網(wǎng)絡(luò)直接生成多組候選動(dòng)作序列；其二，創(chuàng)新性地構(gòu)建群體相對優(yōu)勢評估體系，利用同批次采樣輸出的獎(jiǎng)勵(lì)分布統(tǒng)計(jì)量（均值μ與標(biāo)準(zhǔn)差σ）進(jìn)行動(dòng)態(tài)標(biāo)準(zhǔn)化處理；其三，采用隱式優(yōu)勢歸一化技術(shù)，將傳統(tǒng)基于絕對值的優(yōu)勢評估轉(zhuǎn)化為群體內(nèi)相對排序評估，此舉不僅將計(jì)算復(fù)雜度降低至線性級別，更通過分布感知機(jī)制增強(qiáng)了策略更新的魯棒性。表1從10個(gè)關(guān)鍵維度對PPO和GRPO進(jìn)行了詳細(xì)對比總結(jié)。
從技術(shù)演進(jìn)脈絡(luò)分析，GRPO的創(chuàng)新性體現(xiàn)為基于PPO范式的架構(gòu)重構(gòu)而非理論顛覆，其技術(shù)路徑的連續(xù)性表現(xiàn)在兩個(gè)維度：其一，繼承策略梯度法的參數(shù)空間優(yōu)化內(nèi)核，保留策略模型與環(huán)境交互的馬爾可夫決策過程建模框架；其二，將PPO的顯式優(yōu)勢估計(jì)-策略更新分離機(jī)制，轉(zhuǎn)化為基于群體采樣的隱式策略評估-改進(jìn)循環(huán)，通過算法組件重組實(shí)現(xiàn)計(jì)算流重構(gòu)。盡管該方案因去除價(jià)值模型引發(fā)"策略退化風(fēng)險(xiǎn)"的技術(shù)爭議，但DeepSeek通過三階技術(shù)補(bǔ)償機(jī)制完成創(chuàng)新閉環(huán)：①采用動(dòng)態(tài)過程監(jiān)督獎(jiǎng)勵(lì)塑形，在生成長文本時(shí)實(shí)施多粒度即時(shí)反饋；②構(gòu)建隱式課程學(xué)習(xí)機(jī)制，通過組內(nèi)輸出質(zhì)量分布自動(dòng)調(diào)節(jié)探索-利用平衡；③設(shè)計(jì)計(jì)算最優(yōu)性驅(qū)動(dòng)的策略熵約束，在降低方差的同時(shí)維持策略多樣性。這種逆向工程創(chuàng)新思維本質(zhì)上是以大語言模型訓(xùn)練的現(xiàn)實(shí)算力約束為先驗(yàn)條件，通過結(jié)構(gòu)簡化→計(jì)算加速→數(shù)據(jù)通量提升→策略隱性增強(qiáng)的鏈?zhǔn)椒磻?yīng)，在數(shù)學(xué)定理證明等復(fù)雜推理任務(wù)中實(shí)現(xiàn)百倍級訓(xùn)練速度提升，驗(yàn)證了"參數(shù)效率優(yōu)先于架構(gòu)完備性"的技術(shù)假設(shè)。
總結(jié)： 在生成式AI技術(shù)范式重構(gòu)期，DeepSeek提出的逆向漸進(jìn)式創(chuàng)新架構(gòu)開創(chuàng)了系統(tǒng)級優(yōu)化的新范式：其核心在于以終端場景需求為錨點(diǎn)，逆向重構(gòu)技術(shù)路徑實(shí)現(xiàn)效率躍遷。典型技術(shù)突破包括——基于低秩緩存重構(gòu)的多頭潛在注意力（MLA）機(jī)制，將KV緩存顯存消耗降低76%的同時(shí)維持多粒度語義建模能力；采用動(dòng)態(tài)子模型激活的混合專家架構(gòu)（MoE），使175B參數(shù)模型推理成本降至1/8。這種架構(gòu)革新不僅驅(qū)動(dòng)DeepSeek V3/R1實(shí)現(xiàn)性能-能效雙突破，更引發(fā)三重產(chǎn)業(yè)變革：催化垂直領(lǐng)域AI原生應(yīng)用爆發(fā)，重構(gòu)大模型開源與閉源的價(jià)值平衡點(diǎn)，倒逼GPU算力市場形成彈性供給體系，最終推動(dòng)生成式AI從實(shí)驗(yàn)室創(chuàng)新向量產(chǎn)化部署的歷史性跨越。
安擎作為國內(nèi)專業(yè)的AI服務(wù)器及定制化方案提供商，從基礎(chǔ)技術(shù)出發(fā)，探索未來算力發(fā)展趨勢，后續(xù)安擎將陸續(xù)推出DeepSeek時(shí)代的生成式人工智能系統(tǒng)架構(gòu)關(guān)鍵技術(shù)及解決參考方案分享，內(nèi)容涉及場景需求定義系統(tǒng)架構(gòu)、 基于OCS（光電路開關(guān)）的GenAI fabric 開放互聯(lián)、系統(tǒng) RAS (可靠性、可用性和可維護(hù)性) 和智能調(diào)試及根因定位、先進(jìn)液冷、可持續(xù)和可擴(kuò)展碳優(yōu)化計(jì)算、系統(tǒng)安全，以及電力算力資源調(diào)度優(yōu)化等。歡迎您的及時(shí)關(guān)注。
公眾號
公網(wǎng)安備 12011402001065號 
