扒完DeepSeek-V4技術(shù)報(bào)告，我看到了異構(gòu)內(nèi)存的含金量

芯東西（公眾號(hào)：aichip001）
作者 程茜
編輯 漠影

芯東西4月25日?qǐng)?bào)道，本周五，“國(guó)產(chǎn)大模型頂流”DeepSeek-V4開(kāi)源，其產(chǎn)業(yè)影響力火速蔓延：DeepSeek-V4-Pro登頂Hugging Face開(kāi)源模型榜，A股和港股的AI算力板塊全線飄紅，國(guó)產(chǎn)AI芯片廠家、云巨頭、服務(wù)器廠家開(kāi)啟密集適配、接入……

DeepSeek-V4兩款模型DeepSeek-V4-Pro與DeepSeek-V4-Flash，采用MoE架構(gòu)，總參數(shù)規(guī)模達(dá)到1.6T（激活49B）與284B（激活13B），均支持最長(zhǎng)百萬(wàn)Token上下文。

昨日，DeepSeek還亮出核心技術(shù)底牌，正式發(fā)布新模型技術(shù)報(bào)告，全面拆解新一代架構(gòu)升級(jí)內(nèi)核、深度優(yōu)化預(yù)訓(xùn)練與后訓(xùn)練全流程體系，公開(kāi)了全套核心算法與迭代秘籍。

扒完這份報(bào)告不難發(fā)現(xiàn)，DeepSeek-V4以CSA、HCA混合注意力、異構(gòu)KV Cache、FP4量化感知訓(xùn)練等系統(tǒng)性創(chuàng)新，從算法根源打破“內(nèi)存墻”，讓百萬(wàn)Token長(zhǎng)上下文推理真正走向低成本、可規(guī)模化的工程落地。

算法層面的突破背后，DeepSeek-V4更是用極致壓縮架構(gòu)，反向定義了下一代AI芯片必須走的硬件升級(jí)方向：通過(guò)差異化存算方案，適配不同數(shù)據(jù)在帶寬、延遲、存儲(chǔ)容量上的多元需求。

一、DeepSeek-V4開(kāi)啟效率革命，百萬(wàn)級(jí)超長(zhǎng)上下文拉滿

DeepSeek-V4全系標(biāo)配百萬(wàn)Token超長(zhǎng)上下文，其上下文長(zhǎng)度達(dá)到上一代DeepSeek-V3.2模型的近8倍。

根據(jù)技術(shù)報(bào)告，這得益于其核心架構(gòu)的幾項(xiàng)關(guān)鍵升級(jí)：

首先，DeepSeek-V4采用了混合注意力架構(gòu)。DeepSeek結(jié)合了CSA（壓縮稀疏注意力）和HCA（高度壓縮注意力），使DeepSeek-V4-Pro在100萬(wàn)Token的上下文設(shè)置下，相比DeepSeek-V3.2僅需27%的單Token推理浮點(diǎn)運(yùn)算量，KV Cache占用量降至前代模型的10%。

更輕量的DeepSeek-V4-Flash將效率推至更高水平，其單Token浮點(diǎn)運(yùn)算量?jī)H為DeepSeek-V3.2的10%，KV Cache占用容量更是低至后者的7%。

這一架構(gòu)升級(jí)的核心思路是，CSA先將KV Cache沿序列維度進(jìn)行壓縮，再在壓縮后的條目上執(zhí)行稀疏注意力，僅關(guān)注最相關(guān)的壓縮塊。HCA則采用更大壓縮率，將每128個(gè)Token的KV信息融合為一個(gè)條目，但保持稠密注意力，兩種機(jī)制交替，底層使用CSA保持精細(xì)的局部依賴，高層使用HCA大幅壓縮遠(yuǎn)端上下文。

▲CSA核心架構(gòu)（左）、HCA核心架構(gòu)（右）

其次，DeepSeek引入了mHC（流形約束超連接）以及Muon優(yōu)化器，mHC結(jié)構(gòu)能在保留模型表征能力的同時(shí)提升多層網(wǎng)絡(luò)間信號(hào)傳播的穩(wěn)定性；Muon優(yōu)化器可幫助實(shí)現(xiàn)更快的收斂速度和更高的訓(xùn)練穩(wěn)定性。

最后是升級(jí)版DeepSeekMoE，DeepSeek-V4保持每層384個(gè)路由專家+1個(gè)共享專家，每Token激活6個(gè)的DeepSeekMoE框架，并將初始層的密集FFN替換為Hash路由的MoE層，提升稀疏激活效率。

此外，DeepSeek-V4還設(shè)計(jì)了異構(gòu)KV Cache與磁盤(pán)緩存機(jī)制：壓縮后的CSA/HCA條目存盤(pán)，滑動(dòng)窗口SWA未壓縮KV支持全緩存、周期檢查點(diǎn)、零緩存三級(jí)策略，靈活平衡存儲(chǔ)與計(jì)算，實(shí)現(xiàn)共享前綴請(qǐng)求零重復(fù)預(yù)填充。

▲DeepSeek-V4整體架構(gòu)

二、算法創(chuàng)新打破內(nèi)存墻，DeepSeek-V4倒逼AI芯片重構(gòu)存算邏輯

DeepSeek-V4的技術(shù)革新背后，是萬(wàn)億參數(shù)模型普遍面臨的推理效率困局。

算力是最近幾年大模型產(chǎn)業(yè)的焦點(diǎn)話題，從算力供給、GPU緊缺程度，再到超算集群的規(guī)模化擴(kuò)張，始終是行業(yè)熱議焦點(diǎn)。

但伴隨大模型進(jìn)入商業(yè)落地、實(shí)際部署的關(guān)鍵期，產(chǎn)業(yè)界愈發(fā)意識(shí)到，即便算力問(wèn)題得到階段性緩解，系統(tǒng)層面的瓶頸并未消失，而是悄然轉(zhuǎn)移到了另一個(gè)核心環(huán)節(jié)——內(nèi)存。

伴隨大模型參數(shù)規(guī)模卷上萬(wàn)億、上下文長(zhǎng)度達(dá)到百萬(wàn)，AI推理產(chǎn)生的中間過(guò)程數(shù)據(jù)體量急劇膨脹，對(duì)內(nèi)存承載上限與讀寫(xiě)訪問(wèn)效率形成嚴(yán)苛考驗(yàn)。以英偉達(dá)H200為例，其配備141GB HBM3E顯存和4.8TB/s傳輸帶寬，但算力與內(nèi)存帶寬仍存在明顯差距。AI解碼時(shí)數(shù)據(jù)搬運(yùn)速度跟不上運(yùn)算節(jié)奏，大量計(jì)算單元空轉(zhuǎn)閑置，既浪費(fèi)硬件性能也加劇高功耗問(wèn)題。

當(dāng)前場(chǎng)景下，GPU算力并未充分閑置，但顯存裝不下、數(shù)據(jù)傳太慢拖了后腿，會(huì)引發(fā)功耗飆升、整機(jī)部署成本大幅攀升等一系列連鎖問(wèn)題。

在這樣的背景下，AI芯片的競(jìng)爭(zhēng)邏輯正在重構(gòu)：不單純比拼“運(yùn)算速度”，而是延伸至內(nèi)存容量、數(shù)據(jù)吞吐、能耗控制的綜合較量。

此前不少?gòu)S商依靠堆砌高規(guī)格內(nèi)存，以硬件冗余掩蓋架構(gòu)短板保障推理運(yùn)行，代價(jià)是功耗與硬件成本持續(xù)走高。但這種治標(biāo)不治本的方案，已無(wú)法適配長(zhǎng)期產(chǎn)業(yè)發(fā)展。

因此，當(dāng)下AI芯片廠商正面臨雙重挑戰(zhàn)：內(nèi)存墻瓶頸持續(xù)加劇，且DeepSeek-V4算法迭代提速，倒逼硬件同步進(jìn)化。

正如前文所述，DeepSeek-V4通過(guò)幾項(xiàng)關(guān)鍵架構(gòu)創(chuàng)新攻克“內(nèi)存墻”難題，真正實(shí)現(xiàn)了百萬(wàn)Token長(zhǎng)文本推理的規(guī)模化落地。但矛盾的是，當(dāng)前多數(shù)AI芯片仍采用同質(zhì)化存算設(shè)計(jì)，難以適配新一代大模型的分層運(yùn)行邏輯與異構(gòu)數(shù)據(jù)特征。

這也意味著，這樣的AI芯片會(huì)抵消模型算法升級(jí)換來(lái)的壓縮優(yōu)勢(shì)、成本優(yōu)勢(shì)與性能增益，成為制約大模型推理效能釋放的核心瓶頸。

具體來(lái)看，DeepSeek-V4推理存在鮮明的數(shù)據(jù)異構(gòu)特征：KV Cache、門(mén)控路由、注意力與共享專家參數(shù)屬于高頻低延遲的熱數(shù)據(jù)；384個(gè)全量路由專家、壓縮遠(yuǎn)端KV、磁盤(pán)級(jí)冷存KV為低頻低時(shí)效的冷數(shù)據(jù)，僅少量專家參與激活計(jì)算。

并且模型本身已通過(guò)量化壓縮、分級(jí)緩存、冷熱分層存儲(chǔ)完成精細(xì)化設(shè)計(jì)，天然適配異構(gòu)內(nèi)存架構(gòu)，亟需硬件以差異化存算方案匹配不同數(shù)據(jù)的帶寬、延遲與容量需求。

三、冷熱數(shù)據(jù)分層+雙DRAM融合，異構(gòu)內(nèi)存破局內(nèi)存墻

想要破解這一困局，從系統(tǒng)層面著手的核心思路是：讓不同類型的內(nèi)存各司其職。深耕3D內(nèi)存領(lǐng)域多年的微珩科技，其底層研發(fā)邏輯正與此思路一脈相承。

具體來(lái)看，針對(duì)DeepSeek-V4的異構(gòu)數(shù)據(jù)訪問(wèn)特性，微珩扶光芯片摒棄單一內(nèi)存堆疊設(shè)計(jì)，融合3D DRAM與2D DRAM，打造了定制化異構(gòu)內(nèi)存子系統(tǒng)：

該架構(gòu)的創(chuàng)新性在于，以3D堆疊DRAM替代端側(cè)LPU傳統(tǒng)片上SRAM，結(jié)合三維堆疊、混合鍵合封裝，縮短數(shù)據(jù)傳輸路徑，兼顧SRAM低時(shí)延與DRAM高密度、低成本優(yōu)勢(shì)。

基于此，其能解決SRAM容量小、面積與成本高的局限，同等芯片面積存儲(chǔ)大幅擴(kuò)容，適配大參數(shù)模型、長(zhǎng)上下文推理；避開(kāi)HBM供應(yīng)鏈與高帶寬依賴問(wèn)題。再加上其存算就近互聯(lián)，權(quán)重常駐存儲(chǔ)、訪存更穩(wěn)定，能降低功耗與量產(chǎn)成本。

其中，3D DRAM依托TSV硅通孔垂直堆疊架構(gòu)，大幅縮短數(shù)據(jù)傳輸路徑，兼具低訪問(wèn)延遲、低比特功耗與超高帶寬，適配高頻熱點(diǎn)數(shù)據(jù)讀寫(xiě)；

2D DRAM采用成熟平面布線方案，散熱表現(xiàn)優(yōu)異、容量可靈活拓展，且成本可控、供給穩(wěn)定，適配低頻冷數(shù)據(jù)存儲(chǔ)。

兩類內(nèi)存形成高速低耗、大容量低成本互補(bǔ)組合。此外，微珩科技自研的數(shù)據(jù)映射策略，還能適配DeepSeek-V4的分層調(diào)度邏輯。

對(duì)帶寬敏感的核心熱數(shù)據(jù)，微珩將KV Cache、MoE門(mén)控網(wǎng)絡(luò)、共享專家、注意力參數(shù)，以及已激活路由專家高速緩存，統(tǒng)一掛載至3D DRAM。

門(mén)控網(wǎng)絡(luò)需實(shí)時(shí)完成384個(gè)路由專家權(quán)重運(yùn)算，支撐單Token動(dòng)態(tài)調(diào)度；壓縮后的KV Cache解碼階段仍需逐輪高頻調(diào)取；共享專家與注意力參數(shù)為推理核心高頻組件，疊加激活專家緩存的時(shí)間局部性訪問(wèn)特征，依托3D DRAM高帶寬、低延遲優(yōu)勢(shì)，保障核心鏈路高速讀寫(xiě)與高效計(jì)算。

而帶寬需求較低的冷數(shù)據(jù)，則統(tǒng)一存放于2D DRAM，包含F(xiàn)P4量化全量路由專家、HCA壓縮遠(yuǎn)端KV條目及磁盤(pán)下沉冷緩存。

模型單Token僅激活6位專家，其余全量參數(shù)長(zhǎng)期低頻駐存，2D DRAM大容量、低成本的特性，可承載384個(gè)全量專家參數(shù)與低頻遠(yuǎn)端數(shù)據(jù)存儲(chǔ)，基礎(chǔ)帶寬足以匹配訪問(wèn)需求。

這樣通過(guò)冷熱數(shù)據(jù)分層異構(gòu)部署的策略，能在控制硬件成本的前提下進(jìn)一步釋放推理性能，以壓低萬(wàn)億參數(shù)大模型的落地部署成本與落地門(mén)檻。

四、微珩科技用異構(gòu)內(nèi)存，改寫(xiě)大模型落地規(guī)則

DeepSeek-V4的問(wèn)世，不僅是架構(gòu)層面的創(chuàng)新，更是大模型在端側(cè)落地部署的關(guān)鍵里程碑。

桌面一體機(jī)、邊緣服務(wù)器等端側(cè)設(shè)備在部署大模型時(shí)，往往會(huì)受限于高速內(nèi)存成本高昂且容量有限。

根源在于傳統(tǒng)架構(gòu)采用單一內(nèi)存方案，對(duì)所有模型參數(shù)進(jìn)行同質(zhì)化存儲(chǔ)，這樣一來(lái)，全部署于低速內(nèi)存會(huì)限制推理性能；全部署于高速內(nèi)存會(huì)面臨容量不足的問(wèn)題，都會(huì)導(dǎo)致大模型難以在端側(cè)落地。

而DeepSeek-V4來(lái)自算法層面的核心升級(jí)，疊加微珩扶光芯片的2D+3D異構(gòu)架構(gòu)，恰好形成一套完整可行的破局方案。

在算法端，DeepSeek通過(guò)CSA、HCA從算法層壓縮計(jì)算與顯存，搭配異構(gòu)KV Cache做分級(jí)存儲(chǔ)、FP4量化壓縮參數(shù)，三者協(xié)同使得僅高頻訪問(wèn)的關(guān)鍵參數(shù)駐留高速內(nèi)存，其余海量資源全部遷移至低速內(nèi)存，為端側(cè)部署掃清算力瓶頸。

在硬件端，微珩扶光芯片的2D+3D異構(gòu)內(nèi)存架構(gòu)具有天然優(yōu)勢(shì)，對(duì)應(yīng)DeepSeek-V4的分層策略，2D DRAM承接海量路由專家和冷數(shù)據(jù)，降低硬件成本；3D DRAM保障KV Cache、門(mén)控網(wǎng)絡(luò)等核心數(shù)據(jù)高速流轉(zhuǎn)，實(shí)現(xiàn)推理效率提升。無(wú)需堆砌昂貴的HBM，端側(cè)設(shè)備即可運(yùn)行萬(wàn)億參數(shù)級(jí)大模型。

長(zhǎng)期來(lái)看，這套算法與硬件一體化的解決方案或能打破超算中心對(duì)高階AI能力的壟斷，推動(dòng)AI算力從高成本云端，大規(guī)模下沉至消費(fèi)電子、智能硬件、邊緣終端等全域設(shè)備，真正落地端側(cè)普惠、算力平權(quán)的產(chǎn)業(yè)趨勢(shì)。

微珩科技在3D內(nèi)存方案的技術(shù)革新、商業(yè)化方面已經(jīng)有不少成果。其芯片團(tuán)隊(duì)于2021年量產(chǎn)了首款3D內(nèi)存方案計(jì)算芯片，是國(guó)內(nèi)首批開(kāi)展相關(guān)技術(shù)方案設(shè)計(jì)與量產(chǎn)的企業(yè)之一，近年來(lái)已先后量產(chǎn)兩代芯片，累計(jì)實(shí)現(xiàn)營(yíng)收超10億元。

身處本輪技術(shù)范式迭代的關(guān)鍵周期，微珩科技已成為端側(cè)AI產(chǎn)業(yè)化落地的核心推動(dòng)者。

結(jié)語(yǔ)：DeepSeek算法革新，正倒逼內(nèi)存產(chǎn)業(yè)升級(jí)

當(dāng)大模型競(jìng)爭(zhēng)從算法參數(shù)比拼邁入軟硬協(xié)同落地的全新周期，單一的架構(gòu)優(yōu)化或是硬件堆料，都已無(wú)法支撐行業(yè)長(zhǎng)期發(fā)展。可以預(yù)見(jiàn)，未來(lái)AI產(chǎn)業(yè)的核心競(jìng)爭(zhēng)力，將可能不再局限于云端超算的極限算力，而是落腳于存算異構(gòu)、分層調(diào)度、成本可控的全域部署能力。端側(cè)算力下沉、算力平權(quán)普及或?qū)⒊蔀椴豢赡娴漠a(chǎn)業(yè)趨勢(shì)。

當(dāng)下，DeepSeek-V4的算法革新，正倒逼內(nèi)存架構(gòu)走向精細(xì)化、差異化的分層設(shè)計(jì)。以微珩扶光芯片為代表的異構(gòu)內(nèi)存方案，印證了冷熱數(shù)據(jù)分流、高低速內(nèi)存協(xié)同是突破端側(cè)瓶頸的有效路徑。這也意味著，從云端集中式算力，到云邊端分布式協(xié)同，AI產(chǎn)業(yè)正迎來(lái)一次底層架構(gòu)的變革。