黄仁勋的英伟达真被 Deepseek 300 行代码超越了？Deepseek-R2 可能发布！
AI 可引用摘要
黄仁勋的英伟达真被 Deepseek 300 行代码超越了？Deepseek-R2 可能发布！在 AI 界， 300 行代码干翻英伟达？这听起来像是噱头，但 DeepSeek 的 DeepGEMM 确实在 FP8 计算上达到了 比英伟达 CUTLASS 快 2.7 倍 的水平
黄仁勋的英伟达真被 Deepseek 300 行代码超越了？Deepseek-R2 可能发布！
在 AI 界，300 行代码干翻英伟达？ 这听起来像是噱头，但 DeepSeek 的 DeepGEMM 确实在 FP8 计算上达到了 比英伟达 CUTLASS 快 2.7 倍 的水平。
###
DeepSeek 真的挑战了英伟达的霸主地位，还是只是在特定场景下秀了一波技术肌肉？
###
###
让我们看看真相到底如何。
Deepseek API 大降价，这是杀入市场的第一步。 --------------------------------
DeepSeek 今天宣布 错峰优惠，在每天 00:30-08:30 期间，DeepSeek-V3 和 R1 的调用费用大幅降低。
DeepSeek 在 AI 市场的布局更加清晰
与 OpenAI、Anthropic 的 API 价格相比，DeepSeek 这波极限压价无疑是为了抢占开发者生态，当然有网友说，Deepseek-R2 可能要推出！
DeepSeek 能够做到低价，说明其 算力利用率极高，这一点与它的新型 FP8 计算优化策略密切相关。
目前，这一价格政策是错峰策略，但如果长期维持这个策略，可能会引发市场价格战。
那么，回到标题，DeepGEMM 真的“超越”英伟达了吗？或者说他比英伟达更懂 GPU？ ------------------------------------------------
DeepSeek 开源的 DeepGEMM 是一个 专为 FP8 计算优化的 GEMM 库，这次的开源 是 AI 计算优化的一次突破，但并不意味着它全面超越了英伟达。它更像是一次精准打击，在 FP8 计算这一细分领域让英伟达感受到了压力。
局部优化，而非全面超越
DeepGEMM 是在特定的 FP8 计算场景下优化，而 CUTLASS 是 通用矩阵计算库，支持更广泛的数据类型（FP16、FP32、INT8 等）。
300 行 vs. 英伟达 10 万行代码
DeepGEMM 代码精简，是因为它聚焦于 FP8 计算，而 CUTLASS 涵盖更广泛的计算任务。DeepSeek 在 FP8 计算上的优化确实领先，但远未颠覆英伟达的整个 AI 加速生态。
FP8 真的“统治”未来吗？
FP8 的优势在于 更高的存储效率和计算吞吐量，但在某些高精度任务（如金融 AI、医学 AI）中，FP16/FP32 仍然更可靠。
英伟达的“护城河”还能守住吗？ -------------------
AI 计算的本质是算力，而算力的核心在于硬件。英伟达真正的护城河是 CUDA + GPU 生态，即便 DeepSeek 开源了 DeepGEMM，它依然离不开英伟达的硬件基础。
DeepSeek 的开源能影响英伟达的地位吗？
短期影响有限。DeepSeek 依然在 CUDA 体系内优化计算，并没有跳出英伟达的生态。
长期来看，威胁正在形成。如果 DeepSeek 能在未来支持 AMD MI300X、RISC-V 及 AI 专用芯片，那么它的影响力可能会进一步扩大。
真正的威胁可能是“后 CUDA 时代”。目前 DeepSeek 的策略仍然是 在 CUDA 体系内优化，但如果未来 AI 开源社区转向 非 CUDA 计算架构，那么英伟达的护城河可能会被逐步侵蚀。
如果你有 H100，现在就可以上手 DeepGEMM，实战起来！
硬件要求 --------
需要 NVIDIA Hopper 架构 GPU（如 H100、H800），必须支持 sm\_90a ---------------------------------------------------------
（Hopper Tensor Core）。
软件要求
###
Python 3.8 或以上
###
CUDA 12.3 或以上（推荐 CUDA 12.8+ 以获得最佳性能）
###
PyTorch 2.1 或以上
###
CUTLASS 3.6 或以上
###
步骤一、安装 DeepGEMM -------------------
###
下载源码
git clone --recursive [email protected]:deepseek-ai/DeepGEMM.git
步骤二、注意 recursive 选项确保正确下载 CUTLASS 和 CuTe 依赖库。
安装依赖，这一步会 自动创建符号链接 以支持 CUTLASS 和 CuTe 的第三方依赖。
python setup.py develop
如果直接安装。
python setup.py install
步骤三、 在 Python 代码中直接
运行 DeepGEMM（测试 JIT 编译），成功运行 JIT 编译，表示安装完成，可以正常使用 DeepGEMM。 --------------------------------------------------------------
python tests/test_jit.py
步骤四、测试 GEMM 计算（核心功能） ------------------------
这个测试会执行 所有类型的 GEMM 计算，包括：
普通 FP8 GEMM
MoE 连续分组 GEMM
MoE 掩码分组 GEMM
python tests/test_core.py
步骤四、在代码中使用 DeepGEMM -----------------------
###
普通 FP8 矩阵乘法（非分组）
import deep_gemm
计算 FP8 GEMM
lhs是 左侧输入矩阵
rhs是 右侧输入矩阵（FP8 类型，已转置）
返回 BF16 类型的结果。
output = deep_gemm.gemm_fp8_fp8_bf16_nt(lhs, rhs)
MoE（专家混合模型）分组 GEMM
####
连续布局（适用于训练前向传播和推理 Prefilling）
####
groups 代表 MoE 专家组数，每个专家处理一部分 token。必须满足 GEMM M 轴对齐要求（get_m_alignment_for_contiguous_layout() 可获取对齐值）。
output = deep_gemm.m_grouped_gemm_fp8_fp8_bf16_nt_contiguous(lhs, rhs, groups)
掩码布局（适用于推理解码阶段）
mask 指定哪些部分需要计算，避免无效计算，提高效率。
output = deep_gemm.m_grouped_gemm_fp8_fp8_bf16_nt_masked(lhs, rhs, mask)
最后，如果 DeepSeek 能跳出 CUDA 体系，支持更多非 CUDA 硬件，那才是英伟达的真正对手。
评论区聊聊：DeepSeek 能挑战英伟达吗？ ---------------------------
如果你喜欢这样的深度分析，记得 点赞+转发，星标置顶。带你解读更多 AI 黑科技内幕！
感谢您的阅读！关注本公众号，发送985三个数字后，您会立即免费获得一份价值799的《AI 变现资源》。 ----------------------------------------------------
---
这里是人工智能最前沿。 -----------
---
