国产GPU跑满血DeepSeek，已经可以100 tokens/s了！_风闻

　　金磊 发自 WAIC

　　量子位 | 公众号 QbitAI

　　放眼当下，到底哪个芯片跑满血DeepSeek是最快的？

　　答案很意外——不是你以为的英伟达，而是一家国产GPU。

　　因为现在它的速度，已经直接来到了100 tokens/s！

　　这个速度相比国外GPU的50 tokens/s和国内的15 tokens/s，已经称得上是快上了一个数量级。

　　若是将三者放在一起同时运行，效果会更加一目了然。

　　当中间的国产GPU以行云流水之势给出了完整准确答案之际，两边的“选手”则是还在深度思考过程中：

　　那么这个国产GPU到底是谁？

　　不卖关子，它就是摩尔线程。

　　但这时肯定有很多小伙伴会问了，从成立到现在不到5年时间，摩尔线程的何以取得如此速度。

　　在量子位了解完其在“算力之道”的全貌之后发现，答案，远比“做出一颗更快的芯片”要宏大和深刻。

　　已经造了个AI超级工厂

　　没错，这是因为摩尔线程在搞算力这件事儿上，已经给自家打造了一个AI超级工厂（AI Foundry）。

　　提到Foundry这个单词，很多人第一反应或许就是造芯片时的“晶圆厂”，它的价值取决于于生产芯片的良率、产能和工艺先进性。

　　但AI超级工厂，它并非指代一个物理上生产芯片的晶圆厂，而是一个类比的概念：

　　这个AI工厂的进化，就像升级制程一样，绝不是改改某个单一技术就完事儿了，而是一个系统性、全方位的变革。

　　它要求整个技术栈“脱胎换骨”：从最底层的芯片架构必须革新、到集群的整体架构得巧妙设计，再到软件层面——算法怎么调更聪明，资源调度怎么跑更高效，每一个环节都至关重要。

　　正是这种从根儿上动起来的基础设施大改造，才能真正释放AI算力，实现大规模“生产”和“迭代”前沿AI大模型。

　　需要强调的一点是，要建成这样一座超级工厂，绝非暴力地将成千上万张显卡堆砌在一起这么简单。

　　它需要五大核心要素的紧密耦合与协同进化，缺一不可；

　　这个AI工厂的产能，用一套公式可概括为：

　　AI工厂生产效率 = 加速计算通用性 × 单芯片有效算力 × 单节点效率 × 集群效率 × 集群稳定性

　　摩尔线程正是围绕这五大要素，构建了技术护城河。

　　全功能GPU：超级工厂的基石

　　AI超级工厂的基石，指的是一颗具备强大通用性的“全功能GPU”。因为回顾算力的进化史，其实就是一部全功能GPU的发展史。

　　从最初只能加速3D图形的“显卡”（VGA Card），到开放编程接口、允许开发者创造无限可能的“现代图形处理器”，再到被广泛应用于超算、深度学习、区块链等领域的通用计算平台，GPU的每一次飞跃，都源于其通用性的拓展。

　　单一功能的加速器，如早期的3D加速卡或今天的某些专用AI芯片（ASIC），虽然在特定任务上效率极高，但其灵活性差、编程困难，无法适应AI模型日新月异、应用场景层出不穷的发展趋势。

　　一个AI模型可能既需要处理语言，也需要理解图像，甚至要进行物理世界的模拟。如果工厂的“机床”只能处理一种任务，那么它很快就会被淘汰。

　　因此，摩尔线程从创立之初就坚持打造真正的全功能GPU，既要“功能完备”，也要“精度完整”。

　　首先是“功能完备”，即芯片内部集成了四大核心引擎：

　　AI计算加速引擎：不仅能做推理，更能做训练，实现训推一体。

　　先进的3D图形渲染引擎：支持DX12等现代图形API，满足游戏、AIGC、数字孪生等视觉计算需求。

　　物理仿真与科学计算引擎：这是常被忽视却至关重要的一环。未来的Agentic AI、空间智能都需要与物理世界交互，强大的科学计算能力是连接数字世界与物理世界的桥梁。

　　超高清视频编解码引擎：AI的计算结果最终需要通过视觉和听觉呈现给人类，高清、低延迟的流媒体处理能力是人机交互体验的保证。

　　其次，“全计算精度”覆盖。从FP32、FP16到业界前沿的FP8，乃至更低精度的INT8/INT4，完整的精度支持让开发者可以根据不同任务的需求，在性能和精度之间找到最佳平衡点。

　　特别是在大模型训练中，混合精度训练已是标配，而摩尔线程是国内极少数能够提供FP8训练能力的平台。“全功能”和“全精度”能力，确保了摩尔线程的GPU这座“机床”能够承接各类AI模型生产订单。

　　MUSA统一系统架构：超级工厂的“总设计师”

　　如果说全功能GPU是工厂的机床，那么MUSA就是整个工厂的“总设计师”。一个卓越的顶层架构，能够决定一家公司未来十年甚至更长时间的技术路线和发展潜力。

　　MUSA的核心理念是“一个架构，万千应用”（One Architecture for Many Applications）。它采用创新的多引擎、可伸缩、可配置的统一系统架构，将GPU内部的计算、通信、内存、调度等功能进行顶层设计和统一管理。

　　先来看可伸缩，顾名思义，MUSA架构是可以根据不同客户、不同市场的需求，快速裁剪出优化的芯片配置，大幅降低了新品芯片的开发成本。

　　其次，资源全局共享，简单说，就是把所有硬件资源——像计算核心、内存、通信这些——都打通，变成一个大资源池，然后用智能调度灵活分配。

　　这招儿直接解决了大问题：以前那种单引擎GPU，多个任务一起跑的时候特别容易卡。现在好了，所有资源大家共享，按需取用！

　　再例如，统一编程接口与指令集，开发者只需学习一套API和编程模型，就能驱动MUSA架构下所有的硬件引擎，极大地降低了开发门槛，提升了开发效率。

　　除此之外，MUSA架构内部包含了多个摩尔线程自研的核心技术。

　　例如，专门为FP8设计的“Transformer引擎”，使其FP8的训练性能相比没有该引擎的方案能提升30%；独创的ACE异步通信引擎，可以让计算和通信并行不悖，解决了传统架构中通信会占用计算资源的痛点，减少了15%的计算资源损耗，将GPU的算力释放；自研的MTLink2.0互联协议，实现了GPU之间高效、低延迟的通信，提供了高出国内行业平均水平60%的带宽，为大规模集群部署奠定了坚实基础。

　　MUSA架构的先进性，确保了摩尔线程的每一颗芯片都不是孤立的算力单元，而是一个高度协同、管理高效的“作战小组”，有效提升每颗芯片有效算力，为整个AI超级工厂提供了坚实的、可扩展的算力底座。

　　MUSA全栈系统软件：超级工厂的“操作系统”与“工具箱”

　　再好的硬件，若是没有高效的软件，同样也无法发挥其全部潜力。因此，摩尔线程打造了与MUSA硬件架构深度耦合的全栈软件系统，它在AI超级工厂中扮演着“操作系统”和“开发者工具箱”的角色。

　　这个软件栈可以说是覆盖了从底层驱动到上层应用框架的方方面面：

　　高效驱动：摩尔线程的驱动经过深度优化，核函数启动时间缩短50%，任务派发延迟极低，可以一次性并发处理上千个任务，领先业界水平。

　　核心算子库：对标国际大厂的cuDNN，摩尔线程的muDNN在算子层面进行了大量优化，GEMM算子算力利用率达98%，Flash Attention 算子算力利用率突破95%。

　　通信效能跃升：MCCL训练通信库实现RDMA网络97%带宽利用率；基于异步通信引擎优化计算通信并行，集群性能提升10%。

　　生态兼容与Triton支持：通过MUSIFY等工具，实现了对PyTorch、TensorFlow等主流AI框架的无缝支持。尤其值得一提的是，基于Triton-MUSA编译器 + MUSA Graph 实现DeepSeek R1推理加速1.5倍，全面兼容Triton等主流框架。

　　完善的开发者套件：提供了一整套涵盖性能分析（Profiler）、调试、调优、一键部署等功能的工具链，如同一个“百宝箱”，让开发者能够洞察硬件运行的每一个细节，榨干硬件的每一分性能。

　　这套全栈系统软件，确保了开发者不仅能“用起来”，更能“用得好”，将MUSA硬件架构的强大能力顺畅地传递到上层应用，是连接硬件与算法的关键枢纽。并且通过MUSA全栈系统软件的优化，摩尔线程实现了“单节点计算效率”全面提升。

　　KUAE计算集群：超级工厂的“生产车间”

　　单卡、单节点的性能再强，也无法完成动辄千亿、万亿参数大模型的训练。AI超级工厂必须以大规模集群的形式存在。为此，摩尔线程构建了夸娥（KUAE）大规模智能计算集群。

　　夸娥计算集群远非简单的服务器堆叠，它是一个软硬一体化的系统工程，相当于AI大模型的“生产车间”：

　　软硬一体化设计：从服务器节点、交换机到机柜，再到上层的集群管理软件、任务调度系统，全部进行了协同设计和优化。

　　创新5D并行训练：摩尔线程整合数据并行（DP）、流水线并行（PP）、张量并行（TP）等所有主流的并行训练策略，全面支持Transformer等主流架构，并能根据模型特点自动搜索和推荐最优的并行方案。

　　端到端训练优化：覆盖了从数据预处理、模型预训练、强化学习、微调到验证评估的全流程，提供一站式服务。

　　性能仿真工具（Simumax）：自主研发的Simumax工具面向超大规模集群自动搜索最优并行策略，精准模拟FP8混合精度训练与算子融合，为DeepSeek等模型缩短训练周期提供科学依据。

　　高效Checkpoint：针对大模型稳定性难题，创新CheckPoint加速方案利用RDMA技术，将百GB级备份恢复时间从数分钟压缩至1秒，提升GPU有效算力利用率。

　　通过夸娥计算集群，摩尔线程将单点的GPU性能优势，成功扩展到了千卡、万卡乃至更大规模的集群层面，构建起了一个真正具备强大“生产力”的AI超级工厂。并且通过实测，KUAE 2大规模智算集群，在不同架构模型的MFU，已经达到了行业领先水平。

　　零中断容错技术：超级工厂的“安全生产协议”

　　对于一个需要7x24小时不间断运行的AI超级工厂来说，稳定性压倒一切。一次意外的宕机，可能意味着数百万美元的损失和数周工作的付诸东流。因此，摩尔线程开发了独有的“零中断容错技术”，这是保障工厂稳定运行的“安全生产协议”。

　　传统的容错机制，在硬件（如GPU卡）发生故障时，需要暂停整个训练任务，人工替换硬件，再从最近的Checkpoint恢复，整个过程耗时耗力。而摩尔线程的零中断技术则完全不同：

　　零中断容错技术：当某个节点变慢或出现故障时，仅隔离受影响节点组，其余节点继续训练，备机无缝接入，全程无中断。这一方案使KUAE集群有效训练时间占比超99%，大幅降低恢复开销。

　　多维度训练洞察：通过多维度的数据监控和AI预测模型，系统能够提前感知到哪些节点可能会成为“慢节点”，并进行预警或隔离，实现动态监测与智能诊断，异常处理效率提升50%；

　　集群自检及调度优化：在训练任务开始前，系统会自动对整个集群进行“体检”，确保所有软硬件都处于最佳状态，如同飞机起飞前的安全检查，训练成功率提高10%，为大规模AI训练提供稳定保障。

　　总结来看，上述的五大要素，即全功能GPU、MUSA架构、全栈软件、KUAE集群、零中断容错技术，共同构成了摩尔线程的AI超级工厂。

　　它是一个有机的整体，从芯片设计的最底层到集群管理的最上层，环环相扣，协同进化。正是这个完整的、端到端的体系，才造就了文章开头的性能表现。

　　那么接下来的一个问题是：

　　为什么要造AI超级工厂？

　　这个问题的答案，或许植根于摩尔线程对计算革命过去、现在与未来的深刻洞察。

　　十年前，以人脸识别、自动驾驶为代表的“感知AI”大爆发，催生了第一批AI巨头。而从2022年ChatGPT横空出世至今，我们正处在“生成式AI”的指数级爆发期。

　　大模型的“智商”迭代速度令人咋舌，从去年还在人类平均水平的四五十分，到如今顶尖模型已经飙升至七八十分，直逼人类顶尖水准。

　　模型的迭代速度，也从过去的数月一更，压缩到如今的数周甚至每周一更。这场竞赛的背后，驱动力只有一个——算力。

　　正如马斯克能够凭借其20万张H100，让Grok模型在短时间内登顶排行榜，这残酷地揭示了一个事实：Scaling Law是AI发展的铁律。

　　谁拥有更大、更强的算力基础设施，谁就能更快地迭代模型，抢占技术和市场的制高点。

　　而展望未来五年，Agentic AI（智能体AI）和空间智能将成为新的爆发点。AI将不再仅仅是聊天的工具，而是成为可以自主完成复杂任务的“数字员工”，并与物理世界深度融合。

　　这一切，都意味着对算力的需求将再次呈几何级数增长。在这样的大背景下，仅仅满足于当下的计算能力是远远不够的，必须为未来更加庞大的计算需求做好准备。

　　面对永无止境的算力需求，仅仅追求“快”是片面的。未来的计算，更需要的是全方位的“稳”——稳定、可靠、高效、通用。

　　这正是建设AI超级工厂的根本原因。

　　训练一个万亿参数的大模型，好比建造一座港珠澳大桥，是一项极其复杂的系统工程。它对基础设施的要求，堪比建造一座芯片晶圆厂。

　　你不能指望靠“人海战术”，找十亿个儿童去抬起一栋大楼；同样，你也不能简单地将一万张低效的显卡堆在一起，就期望能训练出高质量的大模型。

　　这个过程充满了挑战，例如在成本方面，一次大规模训练动辄耗费数月和数百万美元，任何中断或失败都是巨大的损失。

　　再如面对复杂的系统，上千个节点、上万颗芯片如何高效通信、同步？软件和硬件如何完美适配？又该如何快速定位和解决问题？

　　还有在实际应用过程中，往往任务又是多样性的：今天训练语言模型，明天可能就要处理多模态数据，后天又要进行科学计算……

　　这些挑战，都无法通过购买单一的“最快芯片”来解决。它需要一个从底层硬件到上层软件，再到集群管理和运维服务的端到端解决方案。

　　这恰恰是摩尔线程“AI超级工厂”的核心价值所在——它提供的不是孤立的算力，而是一种确定性的、高效率的、高成功率的AI模型生产能力。

　　总而言之，摩尔线程选择了一条最艰难，但可能也是最正确的道路。他们没有满足于在某个单点上追赶或超越，而是立足于未来，从根本上思考如何为这个时代提供最先进的“生产力工具”。

　　这，就是摩尔线程给出的答案，一个不止于快，更关乎未来的答案。