近期，DeepSeek-R1模型完成一次版本迭代。這次“小更新”引發(fā)了大量關(guān)注，測評顯示，其整體性能逼近目前頂級模型OpenAIo3和谷歌Gemini2.5-Pro。

同一時間，華為推出參數(shù)規(guī)模7180億的盤古UltraMoE大模型，全流程在昇騰AI計算平臺訓(xùn)練。

可以說，中國人工智能大模型的新賽季從此開啟，一邊是深度求索的開源低成本模式，一邊是華為全棧自研的“可控閉源”模式。

當(dāng)OpenAI和谷歌強化“更大參數(shù)”和“更強通用性”時，中國AI大模型逐漸進(jìn)入“拼軟件”或者“拼硬件”的“極致性價比”時代。按照歷史經(jīng)驗，無論技術(shù)由誰開創(chuàng)，只要進(jìn)入“性價比”競爭階段，中國企業(yè)的優(yōu)勢總是一騎絕塵。

話又說回來，到底是“軟件定義AI”還是“硬件定義AI”，可能正決定著大模型的未來形態(tài)。

R2還沒來，R1先迭代

千呼萬喚的R2模型沒出現(xiàn)，只有R1的迭代版本給大家“望梅止渴”。

5月29日，深度求索宣布其R1模型成功完成版本迭代，新版本為DeepSeek-R1-0528。這個版本依然基于2024年12月推出的DeepSeekV3Base模型，在后期訓(xùn)練階段增加了算力投入，增強了模型的思維深度和推理能力。

此次升級后，模型的響應(yīng)質(zhì)量提升，在復(fù)雜推理、多步驟計算方面更準(zhǔn)確，長文理解和生成更連貫，數(shù)學(xué)和編程等專業(yè)性輸出更可靠；響應(yīng)速度也有相應(yīng)提升，在網(wǎng)頁端、App和API接口中反應(yīng)更快，處理超長文本輸入時，延遲有所降低；對話的穩(wěn)定性增強，減少了“遺忘設(shè)定”或“離題”的情況；API和接口兼容性保持穩(wěn)定，升級后，用戶無需調(diào)整現(xiàn)有集成就可以無縫使用新版本。

最明顯的變化是“思維鏈”—像谷歌的Gemini一樣進(jìn)行深度推理，寫作的效果更加自然。

在性能方面，首先是模型的智能水平提升，在AIME2024（數(shù)學(xué)競賽，+21分）、LiveCodeBench（代碼生成，+15分）、GPQADiamond（科學(xué)推理，+10分）和《人類最后考卷》（推理與知識，+6分）等多個方面實現(xiàn)進(jìn)步；其次是編程能力提升，在ArtificialAnalysis編程能力指數(shù)中，R1已追平Gemini2.5Pro，僅次于o4-mini（高水準(zhǔn)版）和o3模型。

不過，Token的消耗量也大幅度增加。R1-0528在完成ArtificialAnalysis智能指數(shù)評估時消耗了9900萬Token，比初代R1的7100萬Token多出40%—也就是說，新版R1的“思考”時間更長。

當(dāng)然，消耗量也看跟誰比。同一個測試，Gemini2.5Pro的Token消耗量比R1-0528還要多30%。

雖然R1升級效果已經(jīng)“很強”，但對于被R2吊足了胃口的人們來說，還不夠。

根據(jù)之前各方透露的消息，DeepSeekR2模型基于華為昇騰芯片訓(xùn)練，1.2萬億參數(shù)規(guī)模，97%的成本降幅，以及實現(xiàn)多模態(tài)融合—文本、圖像和代碼聯(lián)合推理。

特別是成本斷崖式下降，有希望讓中小開發(fā)者首次觸達(dá)頂級AI能力，達(dá)成“AI普惠”的中國方案。

網(wǎng)友的普遍想法是，R1的小版本更新已經(jīng)很驚艷，R2到底強大成什么樣子？是不是得等到國慶節(jié)才能看到？

硬核自研，國產(chǎn)“定心丸”

華為習(xí)慣走那條最難走的路—全棧自研。在算力封鎖下，硬是用自己的芯片訓(xùn)練出7180億參數(shù)的MoE模型。

2021年盤古大模型正式立項，隸屬于華為云部門。盤古包含E、P、U、S四大系列，E系列用于平板電腦、手機和PC設(shè)備，參數(shù)規(guī)模十億級；P系列參數(shù)規(guī)模百億級，適合低延遲、低成本推理；U系列的Ultra，參數(shù)規(guī)模千億級，能夠處理復(fù)雜任務(wù)；S系列也叫“超級盤古”，參數(shù)規(guī)模萬億級，管理跨域或多任務(wù)應(yīng)用等高級AI技術(shù)場景。

5月29日，盤古大模型UltraMoE正式發(fā)布，該模型在模型架構(gòu)和訓(xùn)練方法進(jìn)行了創(chuàng)新設(shè)計，在昇騰NPU上實現(xiàn)MoE模型的全流程訓(xùn)練。

換個說法，就是華為“打個樣兒”，提供一套不用GPU訓(xùn)練千億級大模型的方法。

在模型架構(gòu)上，其采用了Depth-ScaledSandwich-Norm（DSSN）穩(wěn)定架構(gòu)和TinyInit小初始化的方法，在昇騰平臺進(jìn)行了超過18TB數(shù)據(jù)的長期穩(wěn)定訓(xùn)練。

此外，團隊也提出EPgrouploss負(fù)載優(yōu)化方法，不僅保證了各個專家之間負(fù)載均衡，也提升了專家的領(lǐng)域特化能力。

同時，盤古UltraMoE使用了業(yè)界先進(jìn)的MLA和MTP架構(gòu)，在預(yù)訓(xùn)練和后訓(xùn)練階段都使用了Dropless訓(xùn)練策略，實現(xiàn)了超大規(guī)模MoE架構(gòu)在模型效果與效率之間的平衡。

在訓(xùn)練方法上，華為團隊首次披露在昇騰CloudMatrix384超節(jié)點上，打通大稀疏比MoE強化學(xué)習(xí)后訓(xùn)練框架的關(guān)鍵技術(shù)。

華為在當(dāng)天發(fā)布的論文中指出，該系統(tǒng)設(shè)計的關(guān)鍵在于兩個部分：一是迭代難例挖掘。模型階段性更新后，從初始的數(shù)據(jù)池中進(jìn)行多回復(fù)推理，選取回復(fù)通過率在（0，1）的數(shù)據(jù)組成強化訓(xùn)練數(shù)據(jù)池，以保持推理效率最大化。

二是多能力項獎勵系統(tǒng)。為了確保模型多能力項協(xié)同提升，數(shù)學(xué)和代碼均采用了基于規(guī)則的獎勵，通用獎勵模型則使用LLM-as-a-judge的方法對生成的回復(fù)質(zhì)量進(jìn)行評分，并對最終的獎勵進(jìn)行歸一化處理，保證了模型在多個能力項的綜合表現(xiàn)。

極致突圍，軟硬大戰(zhàn)？

華為盤古和深度求索常?！袄墶背鍪?。比如馬來西亞購買中國的AI基礎(chǔ)設(shè)施，核心裝備就是3000臺華為昇騰AI計算平臺，搭載深度求索的開源模型。

但是以大模型產(chǎn)品作為分析對象時，二者是競爭關(guān)系，免不了有技術(shù)性的比較。

從底層架構(gòu)看，深度求索主打“動態(tài)優(yōu)化”，華為盤古主打“全棧自研”。

深度求索的核心競爭力就在于極致的工程優(yōu)化，其模型架構(gòu)不追求最大參數(shù)量，而是通過動態(tài)推理優(yōu)化，讓同一套模型在不同任務(wù)中自動調(diào)整計算資源分配。比如，在代碼生成案例中，R1可以自動識別代碼片段的關(guān)鍵部分（循環(huán)、條件判斷），動態(tài)分配計算資源，錯誤率也更低。

華為盤古大模型走的是全棧自研的路徑，從芯片到模型都是“自己的”。其訓(xùn)練完全基于昇騰910系列芯片，采用DSSN架構(gòu)。比如，在礦山設(shè)備故障檢測任務(wù)中，盤古大模型能在低光照、高噪聲環(huán)境下穩(wěn)定運行，穩(wěn)定性和可靠性更強。

從計算效率看，深度求索的撒手锏是超低成本推理，華為盤古更看重訓(xùn)練效率。

深度求索采用稀疏化計算和動態(tài)計算圖優(yōu)化方法，模型僅在運行時激活必要的神經(jīng)元，推理速度提升3倍，而成本僅為GPT-4的五分之一。華為盤古更關(guān)注讓模型在有限資源下達(dá)到最佳性能，像TinyInit小初始化技術(shù)，據(jù)悉可以讓700億參數(shù)的模型性能媲美千億模型。

從應(yīng)用場景看，深度求索更適合極客，做的是“開發(fā)者工具”；華為盤古做的是“行業(yè)AI”，適配很多工業(yè)場景，比如礦山、電力、制造、氣象、流體力學(xué)、核能、衛(wèi)星圖像優(yōu)化等等。

深度求索的瓶頸在于，長文本和多模態(tài)能力依然有待加強，也許R2可以解決這一問題，另外從“工具”升級到“平臺”，生態(tài)的搭建面臨很大的挑戰(zhàn)。

而華為盤古還要繼續(xù)打磨硬件，單個昇騰910芯片性能無法匹敵英偉達(dá)H200的情況下，集成的性能總有達(dá)到天花板的時候，那之后又該如何提升？

可能深度求索和華為正好代表了中國人工智能大模型的兩個方向，前者是軟件定義AI，用算法彌補算力的不足；后者是硬件定義AI，用自研芯片及優(yōu)化集成拉高算力。

它們雖然是兩種方向，實質(zhì)是同一場突圍：中國人工智能在性價比戰(zhàn)爭中依然有不可小覷的優(yōu)勢。