DeepSeek 绕过 CUDA 框架，直接采用英伟达底层指令集 PTX 进行模型训练和优化，这一技术路径在人工智能领域引发了广泛关注。本文将从技术背景、实现方式、动机与挑战、行业影响等多个角度深入分析该技术。

一、技术背景：PTX 与 CUDA 的层级关系

（一）PTX 的定位

PTX 作为英伟达 GPU 的中间指令集，处于高级编程语言（如 CUDA C/C++）和底层机器码（SASS）之间，其功能类似于汇编语言。借助 PTX，开发者能够直接对 GPU 的寄存器分配、线程调度等硬件级操作进行控制，实现细粒度的性能优化。在多 GPU 协同训练场景中，可通过 PTX 手动调整跨芯片通信效率，提升整体训练效能。

（二）CUDA 的局限性

CUDA 作为高级编程框架，虽通过封装底层硬件细节降低了开发难度，但通用性设计使其在灵活性方面存在不足。在大模型训练时，CUDA 默认的矩阵乘法算子难以满足多节点通信对效率的严苛要求。此外，CUDA 生态的封闭性导致其跨硬件平台兼容性差，对中国国产 GPU（如华为昇腾）的适配存在较大困难。

二、DeepSeek的技术实现与优势

（一）绕过 CUDA 的直接动因

硬件限制：英伟达 H800 芯片互联带宽相比 H100 被阉割，为弥补这一缺陷，DeepSeek 借助 PTX 手动优化跨芯片通信，保障数据传输效率。

效率提升：PTX 可绕过 CUDA 编译器的中间转换步骤，直接生成更为紧凑的机器指令，有效减少计算开销。以流水线并行为例，PTX 能够实现计算与通信的深度重叠，大幅缩短训练时间。

（二）具体优化手段

通信优化：利用 PTX 直接控制 GPU 间的数据同步与传输，减少 CUDA 抽象层引入的延迟。在 MoE 架构中，PTX 可高效调度专家并行的跨节点通信，提升系统整体性能。

寄存器管理：通过手动分配寄存器和调整线程束调度，充分挖掘 GPU 的并行计算潜力，提高计算资源利用率。

（三）工程能力的体现

PTX 编程对开发者要求极高，既需要精通 AI 算法，又要熟悉硬件架构。DeepSeek 团队凭借在量化领域积累的低级语言经验（如高频交易中的汇编优化），将相关技术迁移至大模型训练，显著提升了工程效率。

三、技术挑战与争议

（一）对 CUDA 生态的依赖

尽管 DeepSeek 使用 PTX，但在编译和运行过程中，仍依赖 CUDA 的编译工具链（如 NVCC）和运行时环境（如 NVIDIA 驱动）。PTX 代码最终需编译为 SASS 指令，且仅能在英伟达 GPU 上运行，并未完全摆脱对 CUDA 生态的依赖。

（二）维护与迁移成本

代码可维护性：PTX 代码调试难度大，兼容性较差。不同 GPU 架构（如 Ampere 与 Hopper）的指令集细节存在差异，这增加了代码长期维护的成本。

国产 GPU 适配：虽然 PTX 经验对国产 GPU（如华为昇腾）的底层接口适配有一定帮助，但由于需要重新设计工具链，短期内难以实现无缝迁移。

（三）学术与工程的权衡

该技术侧重于工程优化，在学术领域（如 NeurIPS）未引起过多关注。不过，其在工程实践中取得的成果（如训练成本降至 557.6 万美元）充分证明了商业价值。

（四）法律与生态风险

PTX 虽非完全独立于 CUDA，但直接使用 PTX 可能触及英伟达的授权限制。英伟达可能会通过修改用户协议、调整驱动或利用专利诉讼等方式，限制 PTX 的公开使用，防止开发者绕过 CUDA，这给 DeepSeek 等使用 PTX 的开发者带来了一定的法律风险和不确定性。

四、行业影响与未来方向

（一）打破 CUDA 垄断的尝试

DeepSeek 的实践为国产 GPU 厂商（如华为、寒武纪）提供了技术思路，绕过 CUDA 生态封闭性，通过底层接口适配构建自主工具链，有望成为突破英伟达垄断的有效途径。

（二）开源生态的机遇

类似 Triton 的开源框架已尝试绕过 CUDA 直接调用 GPU 驱动接口。若 DeepSeek 将 PTX 优化经验开源，将加速行业对低层级编程的探索，推动开源生态发展。

（三）算力优化的新范式

在算力受限的背景下，PTX 级优化有望成为大模型训练的标准技术。AMD 宣布将 DeepSeek-V3 集成至 MI300X GPU，验证了该技术的跨平台潜力。

五、总结

DeepSeek 利用 PTX 实现的计算优化，本质上是在 CUDA 生态内追求极致性能，并非完全脱离英伟达体系。其成功实践表明，在硬件限制条件下，底层工程创新能够显著降低训练成本、提升训练效率。然而，要实现真正的生态自主，国产 GPU 厂商仍需在指令集、编译器等关键环节实现全栈突破。未来，这一技术路径可能成为 “软硬协同优化” 的典型案例，推动 AI 算力竞争走向精细化阶段。