英伟达发布Dynamo，向DeepSeek等中国开源生态致敬

未尽研究

2025-03-19 19:18发布于上海未尽研究官方账号

+关注

AI划重点 · 全文约2219字，阅读需7分钟

1.英伟达发布Dynamo，旨在致敬DeepSeek等中国开源生态，促进创新的民主化。

2.黄仁勋表示，推理时代的AI算力需求提升了100倍，既要快速得到结果，又要结果准确。

3.Dynamo具有优化GPU利用率、通信效率和数据处理的功能，如动态调度GPU、智能路由大模型请求等。

4.事实上，DeepSeek的开源技术已被英伟达Dynamo官方文档提及，如KV缓存优化等。

5.除此之外，阿里巴巴的Qwen系列模型和字节跳动的开源项目也在推动着中国开源生态的发展。

以上内容由腾讯混元大模型生成，仅供参考

DeepSeek挑起的模型价格战，冲击了市场对英伟达的信仰。黄仁勋的公开回击是，一边向DeepSeek、月之暗面与字节跳动等中国企业致敬，一边将其开源的优化思路，封装在自己的Dynamo中，促进创新的民主化。

黄仁勋将Dynamo称为AI工厂的操作系统。AI工厂的叙事，这两年已经被黄仁勋说了无数遍，它是生产token的地方；DeepSeek出现后，黄仁勋要回答的是，自己如何比其他AI工厂，更有性价比地生产token。

黄仁勋试图证明杰文斯悖论成立，给出了一组简单粗暴的数据：推理模型的“思维链”消耗的token，是之前对话的10倍；但是人们不会愿意等这10倍的处理时间。所以，推理时代的AI算力需求提升了100倍。人们既要快速得到结果，又要结果准确。

他在台上反复说明，“既要又要”的最佳性价比，就藏在单位时间token吞吐能耗（下图，纵轴）和单用户推理速度（横轴）的最优函数中，也就是英伟达最新的Dynamo驱动的NVL72。他用一张五彩斑斓的黑的PPT，以及一段金光闪闪的曲线，标注了它的位置。

（来源：GTC25）

在正式介绍Dynamo前，黄仁勋直接致敬了DeepSeek。他让Llama-3.3-70B与DeepSeek-R1-671B比上一比，看谁能更合乎礼节地回答婚礼餐桌座位安排问题。前者花了439个token，但是错了；后者花了8559个token，正确。

黄仁勋引申说，有人以为R1小，它可不小，有6710亿参数规模呢，以后，这类模型可能达到万亿参数级别。要把如此庞大的模型和工作负载，合理分配到GPU上，中间涉及到流水线并行、张量并行和专家并行，可都不容易。有时候需要优化延迟，有时候需要优化吞吐量，有时候又需要对批处理方式进行优化。这都得靠一个叫做Dynamo的操作系统来协调。

这是对DeepSeek的第二次致敬。虽然黄仁勋在演讲中没有直接提到这一点，但是我们要说，任何关注DeepSeek开源周的人，都会非常熟悉Dynamo的技术。

目前业内还没有对Dynamo实际性能的完整测评。据Github上的产品文档介绍，它的架构与特性，包括：

1，将预填充和解码推理分开处理，以最大化GPU吞吐量，同时平衡吞吐量和延迟。
2，动态调度GPU，根据需求变化优化性能。
3，智能路由大模型请求，避免重复计算KV缓存。
4，加快数据传输，通过NIXL缩短推理等待时间。
5，将KV缓存分担出去，利用多层内存提升系统吞吐量。

半导体及AI研究机构Semianalysis分析称：智能路由，实现了预填充阶段与解码阶段的负载平衡；动态调度GPU，实现了预填充和解码阶段的MoE模型不同专家间的负载平衡；要从预填充节点传输到解码节点，需要低延迟高带宽通信传输库，NCCL与NIXL就是负责这个的；KV缓存卸载管理，可以释放预填充节点的容量来处理更多传入数据量，或者可以减少所需的预填充部署规模。这些听起来是不是有些耳熟能详。

再来回顾一下，DeepSeek年初开源周都介绍了什么：

1，FlashMLA，针对可变长度序列和分页KV缓存进行优化的GPU解码内核。
2，DeepEP，面向MoE模型，优化了通信速度和效率。
3，DeepGEMM，兼顾数据精度的同时，提升矩阵乘法性能，间接支持推理效率。
4，DualPipe，双向数据流设计减少流水线空闲，提升GPU利用率。
5，EPLB，智能流量调度，确保混合专家负载均匀分布，降低通信开销。
6，Profile-data，分析计算与通信重叠状态，帮助优化效率。
7，3FS，高效数据访问和KV缓存管理的并行文件系统。

简言之，两者在优化GPU利用率、通信效率和数据处理的目标一致，思路相近。事实上，在英伟达Dynamo的产品文档上，确实点名提到了DeepSeek对KV缓存问题的贡献。

KV缓存是对之前发生过的问题和响应等中间结果的缓存。以往，大模型推理对KV缓存的管理不够精细，导致了频繁重复计算。这是对资源的浪费。DeepSeek在V3中就提出了解决方案，并在R1中进一步改进，极限压榨算力。在开源周中提到的FlashMLA与3FS，也都涉及KV缓存优化相关内容。

目前，DeepSeek对输入时缓存未命中的API定价（标准时间内，R1模型百万token为$0.55），要比命中时高出3倍左右（标准时间内，R1模型百万token为$0.14）。

在DeepSeek额外的第6天的开源日中，研究人员披露了更多运营数据。市场的注意力都被545%的理论成本利润率吸引去了，选择性地忽略了DeepSeeK公布的KV缓存命中率高达56.3%。

可以说，优化KV缓存等技术创新，是DeepSeek开启大模型商品化的关键。更低的推理成本，既可以转化为AI应用的利润率，也可以通过AI应用厂商的让利，转化为AI应用的用户规模。

Semianalysis感叹道，英伟达推出Dynamo，本质上是DeepSeek技术创新的民主化。当英伟达发布更多Dynamo官方技术文档的时候，人们将更快更多地了解，这些技术创新究竟意味着什么。

不妨再往前推一步。DeepSeek是中国大模型时代开源的领先者，但不是唯一。阿里巴巴的Qwen系列模型已经成为HuggingFace上最受欢迎的。在DeepSeek的推动下，更多中国大模型企业正在加入到开源生态之中。

（来源：dynamo/docs/architecture.md at main · ai-dynamo/dynamo · GitHub）

在英伟达Dynamo的官方文档里，还有不少小彩蛋。Dynamo参考了另一家中国大模型初创企业在内存瓶颈方面的思考，以及字节跳动的开源项目。

其中，Mooncake，是月之暗面的底层推理服务平台，技术框架于去年12月开源。AIBrix，原本是字节跳动为企业内部多个业务用例打造的一款可扩展、经济高效的推理优化的云原生解决方案，于今年2月正式开源。

英伟达的芯片正在失去中国市场。中国开源生态与技术创新正在通过英伟达扩散至全球。

免责声明：本内容来自腾讯平台创作者，不代表腾讯新闻或腾讯网的观点和立场。