DeepSeek放大招！開源“新星”FlashMLA登場：大模型效率革命能否破解“AI芯片荒”？

每經(jīng)記者 朱成祥    每經(jīng)編輯 魏官紅    

2月24日上午，DeepSeek（深度求索）發(fā)布首個開源項目FlashMLA。根據(jù)DeepSeek在GitHub社區(qū)披露的信息，F(xiàn)lashMLA是適用于Hopper GPU（一種英偉達圖形處理器架構(gòu)）的高效MLA（多頭潛注意力）解碼內(nèi)核，針對可變長度序列服務進行了優(yōu)化。在H800（一款英偉達芯片）上可以實現(xiàn)每秒處理3000GB（千兆字節(jié)）數(shù)據(jù)，每秒執(zhí)行580萬億次浮點運算。

有業(yè)內(nèi)觀點認為，目前限制DeepSeek推理的主要瓶頸就是顯存，F(xiàn)lashMLA則是“以算代存”，可解決推理過程中顯存容量不足的問題。

對此，PPIO派歐云聯(lián)合創(chuàng)始人兼CTO王聞宇告訴《每日經(jīng)濟新聞》記者：“（該觀點）不完全正確，MLA的本質(zhì)是在基礎算法上的創(chuàng)新，通過將KV的權(quán)重矩陣轉(zhuǎn)換到潛空間，實現(xiàn)矩陣的大幅壓縮并且不造成精度損失。壓縮算法會引入微弱的計算量的增加，但是由此帶來的數(shù)據(jù)存儲開銷大幅下降，訓練及推理速度大幅提升，需要計算的數(shù)據(jù)總量減少了，總計算量反而減少了，相應的訓練和推理速度就會大幅提高。”

顯存容量成門檻

當下，外界普遍使用顯存來測算部署DeepSeek各類模型所需要的推理算力。比如根據(jù)民生證券研報，像DeepSeek-R1一個專注于實時推理的優(yōu)化版本，擁有15B參數(shù)，推理時激活全部15B參數(shù)，顯存需求約為30GB（FP16精度），單張NVIDIA A100（英偉達顯卡）或單張RTX 4090（英偉達消費級顯卡）等顯卡可滿足需求。

像DeepSeek 67B是一個擁有67B參數(shù)的大型模型，推理時激活全部67B參數(shù)，顯存需求約為140GB（FP16精度）。推薦使用4張A100-80G GPU進行多卡并行推理。

照此計算，DeepSeek R1“滿血版”擁有671B參數(shù)，在FP16精度下，需要1.4TB（太字節(jié)）顯存；在FP8精度下，也需要約700GB顯存。如果按照一個服務器8張卡計算，單卡80GB的8卡服務器滿足不了“滿血版”的推理工作，可能需要多個服務器互連。

關(guān)于顯存是否為限制DeepSeek推理的主要瓶頸，王聞宇認為：“DeepSeek模型與其他主流模型相比，參數(shù)量更大，決定了其需要更大容量顯存以加載模型權(quán)重，顯存容量是門檻，不是瓶頸。”

那么，參數(shù)量小得多的蒸餾模型是否滿足應用需求？王聞宇表示：“蒸餾版本與滿血版本相比，參數(shù)量少很多，比如Qwen-7B，只有滿血版671B的百分之一，參數(shù)量少，導致在模型性能上遠弱于滿血版，如何選擇模型取決于實際的應用場景，要求高的場景可能無法用蒸餾版本來滿足。”

一位不愿具名的算力芯片廠商高管對《每日經(jīng)濟新聞》記者表示：“AI行業(yè)從業(yè)者，不管是哪個環(huán)節(jié)的，包括模型公司、AI芯片公司等，都是圍繞一個三角形來做的，三角形的三個角分別是提高價值，提高或者保持用戶體驗，維持或者降低使用成本??提高價值就是要能解決更多問題，能解決更難的問題；模型規(guī)模起來后，一般來說會降低用戶體驗、提高成本??所以大家都在這個三角形中螺旋式地往上爬。”

圖片來源：受訪對象提供

大模型效率革命？

而FlashMLA，正是在大模型規(guī)模變大、能力變強后，在不降低用戶體驗的基礎上降低成本。

根據(jù)民生證券研報，傳統(tǒng)計算方式存在KV（鍵值）矩陣重復計算的問題，這不僅浪費了大量的計算資源，還會導致顯存消耗過大，影響模型的運行效率。而MLA技術(shù)解決了這個難題，它通過獨特的算法設計，減少了對KV矩陣的重復計算，大大降低了顯存的消耗。

需要注意的是，目前FlashMLA適配的是英偉達Hopper架構(gòu)的GPU。若FlashMLA在CUDA生態(tài)大幅減少對顯存的占用，那么未來應用到國內(nèi)算力芯片領(lǐng)域，是否有助于“推理平價”，降低推理成本，推動國產(chǎn)算力芯片在推理領(lǐng)域的使用？

沐曦工作人員反饋：“這一周大家都忙著DeepSeek開源周的適配。”另據(jù)沐曦官方微信號：“沐曦技術(shù)團隊在FlashMLA開源后迅速響應，僅用2小時即完成與沐曦GPU的適配工作，并于當日將代碼提交至開源社區(qū)。”

此外，沐曦方面也表示：“FlashMLA通過MLA解碼優(yōu)化與分頁KV緩存技術(shù)等顯著提升硬件利用率，可加速大語言模型解碼過程，有效提升響應速度與吞吐量，尤其適用于聊天機器人等實時生成場景。沐曦在適配中應用矩陣吸收算法將低秩投影融入Flash Attention 2核函數(shù)，在保證計算效率的同時顯著降低顯存占用。”

PPIO派歐云王聞宇也表示：“FlashMLA對國內(nèi)算力芯片具有很大的借鑒價值，通過技術(shù)創(chuàng)新，將FlashMLA移植到國內(nèi)算力芯片上，也可以實現(xiàn)類似CUDA中的減少顯存占用和加速效果。”

事實上，除了通過算法領(lǐng)域的進步來減少顯存占用，也可以從芯片設計角度出發(fā)，通過定制化的芯片來增加顯存。

上述算力芯片公司高管稱：“核心問題是HBM（高帶寬存儲）每GB是DDR（雙倍速率同步動態(tài)隨機存儲器）的5x（5倍）價錢，用HBM來存所有權(quán)重不劃算。”

其給出的解決辦法是多級存儲。他表示：“需要模型來進一步改造，我認為比較理想的軟硬件，在未來應該是兩級或者多級存儲的，比如HBM和DDR都上，HBM更快，DDR更大，所以整個模型都存更大的DDR里面，就像DeepSeek論文里面寫的，他們每10分鐘刷新一批redundant expert（冗余專家），這批可以放在HBM里面，用戶用的時候，大概率從這個redundant expert里面取expert，這樣就可以既便宜又快了。”

關(guān)于MoE結(jié)構(gòu)對算力硬件需求的變化，中金研報認為，可能帶來對處理器架構(gòu)進一步的定制化需求，如更大的計算單元、和更高效的通信kernel（內(nèi)核）相匹配的設計單元、近存計算單元等，利好DSA（領(lǐng)域?qū)Ｓ眉軜?gòu)）架構(gòu)發(fā)展。

封面圖片來源：視覺中國-VCG41N1350722136