摘要：5月底，DeepSeek-R1模型完成一次版本迭代，这次“小更新”引发了大量关注，测评显示，其整体性能逼近目前顶级模型OpenAI o3和谷歌Gemini 2.5-Pro。

唯物的中国芯片产业深度观察

5月底，DeepSeek-R1模型完成一次版本迭代，这次“小更新”引发了大量关注，测评显示，其整体性能逼近目前顶级模型OpenAI o3和谷歌Gemini 2.5-Pro。

同一时间，华为推出参数规模7180亿的盘古Ultra MoE大模型，全流程在昇腾AI计算平台训练。

可以说，中国人工智能大模型的新赛季从此开启，一边是深度求索的开源低成本模式，一边是华为全栈自研的“可控闭源”模式。

集群训练系统

当OpenAI和谷歌强化“更大参数”和“更强通用性”时，中国AI大模型逐渐进入“拼软件”或者“拼硬件”的“极致性价比”时代。按照历史经验，无论技术由谁开创，只要进入“性价比”竞争阶段，中国企业的优势总是一骑绝尘。

话又说回来，到底是“软件定义AI”还是“硬件定义AI”，可能正决定着大模型的未来形态。

R2还没来，R1先迭代

千呼万唤的R2模型没出现，只有R1的迭代版本给大家“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，新版本为DeepSeek-R1-0528。这个版本依然基于2024年12月推出的DeepSeek V3 Base模型，在后期训练阶段增加了算力投入，增强了模型的思维深度和推理能力。

此次升级后，模型的响应质量提升，在复杂推理、多步骤计算方面更准确，长文理解和生成更连贯，数学和编程等专业性输出更可靠；响应速度也有相应提升，在网页端、APP和API接口中反应更快，处理超长文本输入时，延迟有所降低；对话的稳定性增强，减少了“遗忘设定”或“离题”的情况；API和接口兼容性保持稳定，升级后，用户无需调整现有集成就可以无缝使用新版本。

DeepSeek-R1-0528版本/图源：DeepSeek

最明显的变化是“思维链”——像谷歌的Gemini一样进行深度推理，写作的效果更加自然。

在性能方面，首先是模型的智能水平提升，在AIME 2024（数学竞赛，+21分）、LiveCodeBench（代码生成，+15分）、GPQA Diamond（科学推理，+10分）和《人类最后考卷》（推理与知识，+6分）等多个方面实现进步；其次是编程能力提升，在Artificial Analysis编程能力指数中，R1已追平Gemini 2.5 Pro，仅次于o4-mini（高水准版）和o3模型。

不过，Token的消耗量也大幅度增加。R1-0528在完成Artificial Analysis智能指数评估时消耗了9900万Token，比初代R1的7100万Token多出40%——也就是说，新版R1的“思考”时间更长。

当然，消耗量也看跟谁比。同一个测试，Gemini 2.5 Pro的Token消耗量比R1-0528还要多30%。

DeepSeek-R1-0528版本与其他模型对比/图源：DeepSeek

虽然R1升级效果已经“很强”，但对于被R2吊足了胃口的人们来说，还不够。

根据之前各方透露的消息，DeepSeek R2模型基于华为昇腾芯片训练，1.2万亿参数规模，97%的成本降幅，以及实现多模态融合——文本、图像和代码联合推理。

特别是成本断崖式下降，有希望让中小开发者首次触达顶级AI能力，达成“AI普惠”的中国方案。

网友的普遍想法是，R1的小版本更新已经很惊艳，R2到底强大成什么样子？是不是得等到国庆节才能看到？

硬核自研，国产“定心丸”

华为习惯走那条最难走的路——全栈自研。在算力封锁下，硬是用自己的芯片训练出7180亿参数的MoE模型。

2021年盘古大模型正式立项，隶属于华为云部门。盘古包含E、P、U、S四大系列，E系列用于平板电脑、手机和PC设备，参数规模十亿级；P系列参数规模百亿级，适合低延迟、低成本推理；U系列的Ultra，参数规模千亿级，能够处理复杂任务；S系列也叫“超级盘古”，参数规模万亿级，管理跨域或多任务应用等高级AI技术场景。

盘古大模型首页

5月29日，盘古大模型Ultra MoE正式发布，该模型在模型架构和训练方法进行了创新设计，在昇腾NPU上实现MoE模型的全流程训练。

换个说法，就是华为“打个样儿”，提供一套不用GPU训练千亿级大模型的方法。

在模型架构上，其采用了Depth-Scaled Sandwich-Norm（DSSN）稳定架构和TinyInit小初始化的方法，在昇腾平台进行了超过18TB数据的长期稳定训练。此外，团队也提出EP group loss负载优化方法，不仅保证了各个专家之间负载均衡，也提升了专家的领域特化能力。

同时，盘古Ultra MoE使用了业界先进的MLA和MTP架构，在预训练和后训练阶段都使用了Dropless训练策略，实现了超大规模MoE架构在模型效果与效率之间的平衡。

Pangu Ultra MoE与目前主流模型效果对比

在训练方法上，华为团队首次披露在昇腾CloudMatrix 384超节点上，打通大稀疏比MoE强化学习后训练框架的关键技术。

华为在当天发布的论文中指出，该系统设计的关键在于两个部分：一是迭代难例挖掘。模型阶段性更新后，从初始的数据池中进行多回复推理，选取回复通过率在 (0,1) 的数据组成强化训练数据池，以保持推理效率最大化。

二是多能力项奖励系统。为了确保模型多能力项协同提升，数学和代码均采用了基于规则的奖励，通用奖励模型则使用 LLM-as-a-judge的方法对生成的回复质量进行评分，并对最终的奖励进行归一化处理，保证了模型在多个能力项的综合表现。

极致突围，软硬大战？

华为盘古和深度求索常常“捆绑”出售。比如马来西亚购买中国的AI基础设施，核心装备就是3000台华为昇腾AI计算平台，搭载深度求索的开源模型。

但是以大模型产品作为分析对象时，二者是竞争关系，免不了有技术性的比较。

从底层架构看，深度求索主打“动态优化”，华为盘古主打“全栈自研”。

深度求索的核心竞争力就在于极致的工程优化，其模型架构不追求最大参数量，而是通过动态推理优化，让同一套模型在不同任务中自动调整计算资源分配。比如，在代码生成案例中，R1可以自动识别代码片段的关键部分（循环、条件判断），动态分配计算资源，错误率也更低。

DeepSeek的代码代写页面

华为盘古大模型走的是全栈自研的路径，从芯片到模型都是“自己的”。其训练完全基于昇腾910系列芯片，采用DSSN架构。比如，在矿山设备故障检测任务中，盘古大模型能在低光照、高噪声环境下稳定运行，稳定性和可靠性更强。

从计算效率看，深度求索的撒手锏是超低成本推理，华为盘古更看重训练效率。

深度求索采用稀疏化计算和动态计算图优化方法，模型仅在运行时激活必要的神经元，推理速度提升3倍，而成本仅为GPT-4的五分之一。华为盘古更关注让模型在有限资源下达到最佳性能，像TinyInit小初始化技术，据悉可以让700亿参数的模型性能媲美千亿模型。

从应用场景看，深度求索更适合极客，做的是“开发者工具”；华为盘古做的是“行业AI”，适配很多工业场景，比如矿山、电力、制造、气象、流体力学、核能、卫星图像优化等等。

盘古行业模型

深度求索的瓶颈在于，长文本和多模态能力依然有待加强，也许R2可以解决这一问题，另外从“工具”升级到“平台”，生态的搭建面临很大的挑战。

而华为盘古还要继续打磨硬件，单个昇腾910芯片性能无法匹敌英伟达H200的情况下，集成的性能总有达到天花板的时候，那之后又该如何提升？

可能深度求索和华为正好代表了中国人工智能大模型的两个方向，前者是软件定义AI，用算法弥补算力的不足；后者是硬件定义AI，用自研芯片及优化集成拉高算力。

它们虽然是两种方向，实质是同一场突围：中国人工智能在性价比战争中依然有不可小觑的优势。

文中配图部分来源于视觉中国，部分来源于网络

来源：智慧瞭望哨