部署超大规模MoE这件事，国产芯片的推理性能，已经再创新高了——

不仅是“英伟达含量为0”这么简单，更是性能全面超越英伟达Hopper架构！

而做到这一点的，正是华为昇腾；具体而言，共包含两个产品：

• CloudMatrix 384超节点

  部署DeepSeek V3/R1，在50ms时延约束下单卡Decode吞吐突破1920 Tokens/s

• Atlas 800I A2推理服务器

  部署DeepSeek V3/R1，在100ms时延约束下单卡吞吐达到808 Tokens/s，可支持灵活的分布式部署

之所以能够这般，是因为华为昇腾所采取的“以数学补物理”——这种通过数学理论、工具、算法和建模等方式，来弥补硬件和工艺的局限性，实现最大化发挥芯片和系统能力效果。

华为昇腾还不只是“官宣”一下而已，后面更会是全面开源。

不仅已经将昇腾在超大规模MoE模型推理部署的技术报告分享了出来，在一个月时间内，还会把实现这些核心技术的相关代码也都会陆续开源出来。

那么接下来，我们就来深入了解一下华为昇腾背后的技术实力。

在华为昇腾上推理DeepSeek

在深挖华为昇腾背后技术创新之前，我们且需了解一下为什么要这么做。

从2017年Google提出的Transformer架构，到2025年DeepSeek V3/R1的爆红，大语言模型的重心正在从训练开发转向推理应用落地。

推理能力不仅是大模型能力的“试金石”，各大企业已从 “拼模型参数” 转向 “拼推理效率”：

谁能让大模型在实际应用中跑得更快、更稳、更省资源，谁就能在商业化浪潮中抢占先机。

然而，以6710亿参数的DeepSeek V3为例，这类超大规模MoE模型虽然强大，却给硬件带来三大 “成长烦恼”：

1. 内存压力山大

   一个模型包含257个专家，每个专家 “体重” 2.5G，普通64GB内存的AI硬件根本 “扛不动”，必须依赖集群协作。

2. 通信开销爆炸

   专家分布在不同芯片上，数据传输耗时甚至超过计算时间，就像团队成员频繁开会沟通，效率大打折扣。

3. 架构创新的 “甜蜜负担”

   例如 “多头隐式注意力机制（MLA）” 虽然压缩了数据空间，却导致中间变量激增，对芯片的计算能力提出更高要求。

面对这些挑战，华为团队从算子、模型和框架三方面入手，基于昇腾硬件特性，开发了一整套面向集群的大规模专家并行解决方案。

在硬件部署上，华为团队根据不同硬件配置——CloudMatrix 384超节点和Atlas 800I A2推理服务器，针对性地采取了不同的部署优化策略。为解耦Prefill和Decode阶段的时延约束，昇腾采用PD分离部署方式。

在框架侧，昇腾基于vLLM框架，适配DP和EP等多种并行策略，通过Prefill调度分桶、灵衢互联与分层传输等技术来降低调度开销，优化请求下发、调度策略等环节，提升系统性能。

在模型方面，昇腾采用A8W8C16量化策略，其中A8W8使用INT8，C16使用BF16，并针对不同机型进行差异化部署。

针对CloudMatrix 384超节点，其强大的组网能力大幅降低了通信耗时，释放了昇腾芯片的算力。

团队采用大规模EP并行部署，Prefill使用16卡，Decode使用144卡，其中128卡部署路由专家，16卡部署共享专家，MLA部分采用DP部署。

尽管存在时延约束、带宽抢占、调度开销、负载不均等因素影响，最终在50ms时延下，单卡decode吞吐达到1920 Token/s。

针对机群规模较小但部署更加灵活的Atlas 800I A2服务器，华为团队采用多节点互联的方式进行部署。

作为示例，华为团队使用2机16卡进行Prefill，4机32卡进行Decode，每卡部署8个路由专家和1个共享专家，MLA部分采用DP并行，并针对性地使用在真实负载下性能更优的AllGather/ReduceScatter的通信方案。

通过各种策略优化，在100ms时延下，单卡吞吐达到808 Tokens/s。

还有更多优化技术

在推理框架优化方面，针对高并发场景下单点API Server这一性能瓶颈，华为团队设计了API Server横向扩展方案，采用水平扩展技术提升框架的请求响应能力，显著降低用户请求延迟并提高整体服务吞吐量（QPS）。

针对MoE模型中的负载不均问题，基于动态调整专家部署与缩小通信域、热专家冗余部署、实时调度与动态监控机制等核心技术，降低显存占用的同时实现动态负载均衡。

在投机推理技术的工程化应用中，如何将其从小批量低时延场景扩展至高吞吐量场景，是行业面临的共性难题。

华为团队基于昇腾芯片高计算带宽比的硬件特性，提出FusionSpec投机推理引擎，针对性优化多Token预测（MTP）场景下的推理性能：

• 流程重构

  将投机模型后置於主体模型，直接复用主体模型的输出结果与控制参数，大幅减少框架耗时，完美适配参数-数据分离（PD 分离）的分布式部署架构；

• 轻量步间优化

  对投机推理场景中的框架和算子优化实现了轻量步间准备，适配多核并行的全异步框架。

在通信优化方面，华为昇腾也有三大妙招。

首先，针对主流张量并行（TP）方案中AllReduce通信的固有缺陷（通信次数多、数据量大、冗余计算显著），华为团队推出FlashComm通信方案，通过集合通信逻辑重构与算子位置编排，实现低比特、低维度数据通信，在降低通信时延的同时消除冗余计算，最终实现25%通信量的降低和10%推理性能的提升。

其次，在FlashComm基础上，团队进一步提出层内并行转换方案，针对Prefill阶段的MLA层，通过张量并行（TP）与数据并行（DP）的灵活转换，消除节点内卡间求和操作，并利用网络低维特性与量化技术压缩通信数据量，显著降低跨卡通信时延，为大模型分布式推理提供更高效的通信支撑。

第三，通信方面的优化还有一个并发机制的深度挖掘，包括：

• 计算通信并发

  通过Gate函数计算与AllGather通信的解耦，结合共享专家的数据并行（DP）策略，利用昇腾多流机制实现计算与通信的并发执行，最大化硬件利用率；

• 通信通信并发

  针对DeepSeek模型的量化场景，将激活值与scale的传输任务并行处理，在不增加带宽压力的前提下掩盖小数据量通信的启动开销；

• 通信和权重预并发

  利用通信阶段HBM带宽低占用特性，提前将后续算子权重预取至缓存，降低计算阶段的数据搬运开销，实测MLA层计算性能提升10%。

最后，就是在算子方面的优化了。华为团队通过以数学补物理，发展了一系列的优化技术。

针对MLA算子中间变量膨胀与计算量激增的挑战，团队开展硬件亲和性优化：

• 算法重构：提出AMLA算法，通过二进制编码与存内计算，将乘性计算转换为加性等价形式，直接在全局内存完成输出更新，减少数据搬运耗时；

• 缓存策略：通过L1/L2缓存精细化管理与K-buffer流水排布，提升缓存命中率与计算效率，实现张量计算与向量计算的相互掩盖；

• 前序算子融合：在Prefill与Decode阶段分别采用双流并发与算子融合技术，结合权重预取、分块策略及定制指令集优化，构建端到端高效计算链路。

MoE算子方面的优化则包括：

• 通算融合算子：针对EP部署模式下MoE专家的跨卡调度难题，设计MoeDistributeDispatch/Combine算子，通过 Token 粒度的流水排布与内存语义通信技术，将通信与计算并行化，减少卡间同步开销；

• SMTurbo-CPP技术：针对小数据量通信效率问题，通过读写混合、聚合流水等硬件并发技术，提升AllToAll(v)算子的吞吐能力，降低Dispatch/Combine场景时延；

• 细粒度分级流水算法：基于Atlas 800I A2组网特性，实现节点内/节点间的集合通信并发执行，大幅提升集群环境下的带宽利用率。

性能创新高

在Decode性能测试方面，Atlas 800I A2所采用的方式是：

• 序列长度为2K输入+2K输出和1K输入+2K输出两种情况

• 在使能MTP进行推理加速的情况下，由于不同测试数据集和业务场景的MTP接受率不同，性能测试结果会有比较大的偏差。因此在计算时延和吞吐的时候默认按照70%接受率来折算。

• TPOT（Decode平均每Token时延）不超过100ms。

具体表现如下所示：

在Prefill上的测试方法是，单batch输入序列长度为2K/1K，通过拼batch的方式拼成一共16K序列。对于序列长度是2K，共8 batch拼成一共16K序列的场景，端到端耗时为631ms，卡均吞吐为1622 Tokens/s。

具体表现如下图所示：

在2025年4月，硅基流动联合华为云基于CloudMatrix 384超节点昇腾云服务和高性能推理框架SiliconLLM，用大规模专家并行最佳实践正式上线DeepSeek-R1。

该服务在保证单用户20 TPS(等效50ms时延约束) 水平前提下，单卡Decode吞吐突破1920 Tokens/s，可比肩H100部署性能。

而也正如我们刚才提到的，昇腾在超大规模MoE模型推理部署的技术报告分享了出来了。

 一、大模型风口已至：月薪30K+的AI岗正在批量诞生

2025年大模型应用呈现爆发式增长，根据工信部最新数据：

国内大模型相关岗位缺口达47万

初级工程师平均薪资28K

70%企业存在"能用模型不会调优"的痛点

真实案例：某二本机械专业学员，通过4个月系统学习，成功拿到某AI医疗公司大模型优化岗offer，薪资直接翻3倍！

二、如何学习大模型 AI ？

🔥AI取代的不是人类，而是不会用AI的人！麦肯锡最新报告显示：掌握AI工具的从业者生产效率提升47%，薪资溢价达34%！🚀

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

1️⃣ 提示词工程：把ChatGPT从玩具变成生产工具
2️⃣ RAG系统：让大模型精准输出行业知识
3️⃣ 智能体开发：用AutoGPT打造24小时数字员工

📦熬了三个大夜整理的《AI进化工具包》送你：
✔️ 大厂内部LLM落地手册（含58个真实案例）
✔️ 提示词设计模板库（覆盖12大应用场景）
✔️ 私藏学习路径图（0基础到项目实战仅需90天）

 

第一阶段（10天）：初阶应用

该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。

*   大模型 AI 能干什么？
*   大模型是怎样获得「智能」的？
*   用好 AI 的核心心法
*   大模型应用业务架构
*   大模型应用技术架构
*   代码示例：向 GPT-3.5 灌入新知识
*   提示工程的意义和核心思想
*   Prompt 典型构成
*   指令调优方法论
*   思维链和思维树
*   Prompt 攻击和防范
*   …

第二阶段（30天）：高阶应用

该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。

*   为什么要做 RAG
*   搭建一个简单的 ChatPDF
*   检索的基础概念
*   什么是向量表示（Embeddings）
*   向量数据库与向量检索
*   基于向量检索的 RAG
*   搭建 RAG 系统的扩展知识
*   混合检索与 RAG-Fusion 简介
*   向量模型本地部署
*   …

第三阶段（30天）：模型训练

恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。

到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？

*   为什么要做 RAG
*   什么是模型
*   什么是模型训练
*   求解器 & 损失函数简介
*   小实验2：手写一个简单的神经网络并训练它
*   什么是训练/预训练/微调/轻量化微调
*   Transformer结构简介
*   轻量化微调
*   实验数据集的构建
*   …

第四阶段（20天）：商业闭环

对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。

*   硬件选型
*   带你了解全球大模型
*   使用国产大模型服务
*   搭建 OpenAI 代理
*   热身：基于阿里云 PAI 部署 Stable Diffusion
*   在本地计算机运行大模型
*   大模型的私有化部署
*   基于 vLLM 部署大模型
*   案例：如何优雅地在阿里云私有部署开源大模型
*   部署一套开源 LLM 项目
*   内容安全
*   互联网信息服务算法备案
*   …

学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。

如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】