​ DeepSeek作为一款新兴的人工智能模型，其在短时间内取得了显著的训练效率提升，引发了业界的广泛关注。其核心技术之一便是绕过了英伟达的CUDA编程框架，转而使用更底层的PTX（Parallel Thread Execution）编程。PTX是英伟达GPU的一种中间指令集架构，位于高级编程语言（如CUDA）和底层机器码之间。这种技术选择为DeepSeek带来了多方面的好处。

​ PTX作为一种接近汇编语言的中间指令集，允许开发者对GPU进行更细致的硬件层面优化。例如，开发者可以通过PTX直接进行寄存器分配、线程/线程束级别的调整等操作。这些优化在传统的CUDA编程中是无法实现的，因为CUDA主要是一种高级编程语言，虽然易于使用，但在灵活性和控制力上不如PTX。DeepSeek通过PTX实现了寄存器重分配，将每个流处理器的寄存器使用率从78%提升至92%，这种优化显著提升了GPU的资源利用率，从而提高了整体性能。

​ 在大规模模型训练中，尤其是涉及多机多卡的场景，对数据传输、权重管理以及梯度管理等的控制需求非常复杂。PTX语言能够提供这种能力，而CUDA则更多依赖于高级抽象，可能无法满足这些复杂需求。DeepSeek通过PTX优化，将H800 GPU中的132个流处理器中的20个专门用于服务器间的通信任务，而不是传统的计算任务。这种配置极大地提高了数据传输效率，减少了通信延迟，从而显著提升了多机多卡训练的效率。

​ 尽管PTX是英伟达专为其GPU设计的指令集，但DeepSeek通过PTX编程能够在不依赖CUDA的情况下优化其他GPU平台。例如，AMD已经宣布将DeepSeek V3集成到其MI300X GPU中，这表明DeepSeek的技术具有跨平台兼容性。此外，DeepSeek绕开CUDA的策略也减少了对英伟达技术的依赖，从而降低了潜在的技术垄断风险。在全球科技竞争日益激烈的背景下，这种技术独立性对于DeepSeek的长期发展具有重要意义。

​ PTX语言的运行效率极高，尽管其编写难度较大，但DeepSeek通过优化H800 GPU的流水式多流处理器（SMs），实现了通信任务间的高效调度，并采用先进的流水线算法和细粒度调整，使得其在硬件层面达到了超越传统CUDA开发框架的性能。具体来说，DeepSeek通过PTX优化，将全局内存访问延迟从600周期降至450周期，这种优化显著减少了数据传输的时间，从而提高了整体计算效率。

​ 当前GPU市场的竞争加剧，尤其是美国对华制裁加剧了GPU厂商之间的竞争压力。DeepSeek选择PTX编程也是为了更好地适应这一环境，通过掌握底层硬件优化技术来增强自身的竞争力。此外，DeepSeek的技术创新和成本优势也吸引了小米等国内科技公司加入其生态链，进一步推动了国产AI技术的应用。

​ DeepSeek的适配不仅有助于减少对英伟达GPU的依赖，还可能推动国产GPU产业链的进一步发展。例如，DeepSeek已经与华为昇腾展开合作，通过优化算法和硬件协同，显著降低了运行成本。这种合作不仅验证了国产芯片（如昇腾）的可行性，还为国内算力基建投资提供了新的方向。

​ PTX编程虽然复杂且难以维护，但DeepSeek团队通过技术创新实现了突破。他们不仅掌握了AI算法和计算机系统架构知识，还招聘了擅长PTX语言的程序员，从而能够直接使用PTX进行算法层面的硬件加速。这种技术手段不仅提升了性能，也展示了DeepSeek在硬件适配上的能力。

​ DeepSeek通过PTX优化，显著降低了训练成本。据分析，其训练成本至少降低了50%，并且训练速度更快。这种成本效益对于大规模AI模型的开发和部署具有重要意义，尤其是在资源有限的情况下，能够更高效地利用现有硬件资源。

​ DeepSeek的PTX优化策略不仅为当前的AI模型训练带来了显著的性能提升，也为未来的技术发展提供了新的思路。例如，有观点认为，让AI擅长编写汇编语言可能是AI自我改进的一个方向。虽然目前尚不清楚DeepSeek是否使用了AI辅助编写PTX代码，但这种可能性为未来AI技术的自我优化提供了新的方向。

​ DeepSeek绕过CUDA使用PTX实现的策略，为其带来了多方面的好处，包括更精细的硬件控制、满足复杂训练需求、摆脱对英伟达的依赖、提升效率与性能、应对市场和技术环境的变化、推动国产GPU产业链发展、技术挑战与创新以及降低训练成本等。