声明：本文来自于微信公众号“新智元”，编辑:桃子 好困，授权站长之家转载发布。
原本DeepSeek低成本训出的R1，就已经让整个硅谷和华尔街为之虎躯一震。
而现在又曝出，打造这款超级AI，竟连CUDA也不需要了?
根据外媒的报道，他们在短短两个月时间，在2，048个H800GPU集群上，训出6710亿参数的MoE语言模型，比顶尖AI效率高出10倍。
这项突破不是用CUDA实现的，而是通过大量细粒度优化以及使用英伟达的类汇编级别的PTX（并行线程执行）编程。
这则消息一出，再次掀翻AI圈，网友对其策略纷纷表示震惊:
「在这个世界上，如果有哪群人会疯狂到说出『CUDA太慢了!干脆直接写PTX吧!』这种话，绝对就是那些前量化交易员了。」
还有人表示，如果DeepSeek开源了CUDA替代品，这将意味着什么?
天才极客微调PTX，让GPU性能极致发挥
英伟达PTX（并行线程执行）是专门为其GPU设计的中间指令集架构，位于高级GPU编程语言(如CUDA C/C++或其他语言前端)和低级机器代码(流处理汇编或SASS)之间。
PTX是一种接近底层的指令集架构，将GPU呈现为数据并行计算设备，因此能够实现寄存器分配、线程/线程束级别调整等细粒度优化，这些是CUDA C/C++等语言无法实现的。
当PTX转换为SASS后，就会针对特定代的英伟达GPU进行优化。
在训练V3模型时，DeepSeek对英伟达H800GPU进行了重新配置:
在132个流处理器多核中，划分出20个用于服务器间通信，主要用于数据压缩和解压缩，以突破处理器的连接限制、提升事务处理速度。
为了最大化性能，DeepSeek还通过额外的细粒度线程/线程束级别调整，实现了先进的流水线算法。
这些优化远超常规CUDA开发水平，但维护难度极高。然而，这种级别的优化恰恰充分展现DeepSeek团队的卓越技术实力。
V3论文中具体提到了关于PTX的细节
这是因为，在全球GPU短缺和美国限制的双重压力下，DeepSeek等公司不得不寻求创新解决方案。
所幸的是，他们在这方面取得了重大突破。
有开发者认为，「底层GPU编程才是正确的方向。优化得越多，就越能降低成本，或在不增加额外支出的情况下，提高可用于其他方面进步的性能预算」。
这一突破对市场造成了显著冲击，部分投资者认为新模型对高性能硬件的需求将会降低，可能会影响英伟达等公司的销售业绩。
然而，包括英特尔前掌门人Pat Gelsinger等在内的行业资深人士认为，AI应用能够充分利用一切可用的计算能力。
对于DeepSeek的这一突破，Gelsinger将其视为在大众市场中，为各类低成本设备植入AI能力的新途径。
CUDA护城河，也不存在了?
那么，DeepSeek的出现是否意味着前沿LLM的开发，不再需要大规模GPU集群?
谷歌、OpenAI、Meta和xAI在计算资源上的巨额投资是否最终将付诸东流?AI开发者们的普遍共识并非如此。
不过可以确定的是，在数据处理和算法优化方面仍有巨大潜力可以挖掘，未来必将涌现出更多创新的优化方法。
随着DeepSeek的V3模型开源，其技术报告中详细披露了相关细节。
该报告记录了DeepSeek进行的深度底层优化。简而言之，其优化程度可以概括为「他们从底层重新构建了整个系统」。
如上所述，在使用H800GPU训练V3时，DeepSeek对GPU核心计算单元（流处理器多核，简称SM）进行了定制化改造以满足特定需求。
在全部132个SM中，他们专门划分出20个用于处理服务器间通信任务，而非计算任务。
这种定制化工作是在PTX（并行线程执行）层面进行的，这是英伟达GPU的低级指令集。
PTX运行在接近汇编语言的层面，能够实现寄存器分配和线程/线程束级别调整等细粒度优化。然而，这种精细的控制既复杂又难以维护。
这也是为什么开发者通常会选择使用CUDA这类高级编程语言，因为它们能为大多数并行编程任务提供充分的性能优化，无需进行底层优化。
但是，当需要将GPU资源效能发挥到极致并实现特殊优化需求时，开发者就不得不求助于PTX。
虽然但是，技术壁垒依然还在
对此 ，网友Ian Cutress表示:「Deepseek对于PTX的使用，并不会消除CUDA的技术壁垒。」
CUDA是一种高级语言。它使代码库的开发和与英伟达GPU的接口变得更简单，同时还支持快速迭代开发。
CUDA可以通过微调底层代码（即PTX）来优化性能，而且基础库都已经完备。目前绝大多数生产级的软件都是基于CUDA构建的。
PTX更类似于可以直接理解的GPU汇编语言。它工作在底层，允许进行微观层面的优化。
如果选择使用PTX编程，就意味着上文提到的那些已经建好的CUDA库，都不能用了。这是一项极其繁琐的任务，需要对硬件和运行问题有深厚的专业知识。
但如果开发者充分了解自己在做什么，确实可以在运行时获得更好的性能和优化效果。
目前，英伟达生态的主流，仍然是使用CUDA。
那些希望从计算负载中提升额外10-20%性能或功耗效率的开发者，比如在云端部署模型并销售token服务的企业，确实都已经将优化从CUDA层面深入到了PTX层面。他们愿意投入时间是因为，从长远来看这种投入是值得的。
需要注意的是，PTX通常是针对特定硬件型号优化的，除非专门编写适配逻辑，否则很难在不同硬件间移植。
除此之外，手动调优计算内核也需要极大的毅力、勇气，还得有保持冷静的特殊能力，因为程序可能每运行5000个周期就会出现一次内存访问错误。
当然，对于确实需要使用PTX的场景，以及那些收到足够报酬来处理这些问题的开发者，我们表示充分的理解和尊重。
至于其他开发者，继续使用CUDA或其他基于CUDA的高级变体（或MLIR）才是明智的选择。
参考资料:
https://www.tomshardware.com/tech-industry/artificial-intelligence/deepseeks-ai-breakthrough-bypasses-industry-standard-cuda-uses-assembly-like-ptx-programming-instead
https://x.com/Jukanlosreve/status/1883304958432624881
https://x.com/IanCutress/status/1884374138787357068
