中国AI，又迭代了

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。

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。

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%。

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。

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。

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。

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。

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。