近年来，人工智能领域迎来爆发式增长，大模型技术成为推动行业变革的核心引擎，大模型能力的跃升不断刷新人类对AI潜力的认知。
当OpenAI的GPT-4训练需消耗数数万张GPU卡时，中国AI企业DeepSeek却以“千卡级”算力训练出性能对标国际巨头的模型，这一反差揭示了行业的关键转折点——从单纯追求硬件性能的“军备竞赛”，转向通过工程创新实现算力效率的颠覆性提升。
DeepSeek在开源周里发布的大规模跨节点专家并行（大EP），更是揭开推理服务提高吞吐、降低时延的技术秘诀，掀起大模型推理系统优化的热潮。
以DeepSeek为代表的大模型创新为算力基础设施也带来新的技术趋势：大模型向大量小专家方向演进，性能提升、成本降低开始快速普及；另一方面，少量大专家模式走向高性能摸高，大量小专家向创新普及，未来两种方案并存。
同时，DeepSeek采用的大规模跨节点专家并行，实现性能、吞吐量和并发用户数量的显著提升，成本大幅度降低，也为大模型推理系统采用大规模跨节点专家并行方案提供了可行性。
大规模专家并行EP，就是将专家Expert分布到更多的卡上，可以减少每张卡权重加载的时延，减少权重的显存占用，能够显著的提升单卡并行的路数(batch size)。每个专家计算路数的提升可以提高矩阵乘的效率，从而实现更大的吞吐和更低的时延。同时大规模专家并行EP，更多专家也带来负载均衡、卡间通信的挑战。
尽管大规模跨节点专家并行集群推理能够降低成本，但在实际应用中仍面临专家动态均衡与通信时延等挑战。
昇腾大EP解决方案凭借多项关键技术有效解决了以上挑战，针对专家负载不均的难题，通过自动寻优、自动配比、自动预测、自动降解，实现备份节点和副本专家灵活可扩展、高可用和极致均衡。
针对All-to-All通信优化的难题，昇腾大EP解决方案提出了双流/多维混合并行，其中Prefill micro-batch双流并行，可以实现计算和通信的相互掩盖；MoE expert专家双流并行，实现两条数据流Stream的并行计算；Weight权重预取双流并行，可以把访存和通信并行起来，降低权重加载时间，提升效率。
此外，昇腾MLAPO融合算子也是关键技术之一，降低计算耗时70%。我们知道，MLA预处理阶段，传统方案多算子串行，频繁占用内存、通信等资源，整体计算耗时占比高。而昇腾MLAPO融合算子，将小算子融合成单一算子，Vector和Cube计算并行处理，减少开销降低计算耗时。
在昇腾大EP推动技术普惠的同时，英伟达针对中国市场推出的H20芯片却显露出明显短板。
H20作为英伟达针对中国市场发布的AI芯片，是用于大模型训练普遍采用的H100“低配版”，其AI算力仅为H100的15%，在推理方面，受性能的制约，H20只能在特定模型架构，展现出一定的效能。像DeepSeek采用的是混合专家(MoE)架构，在高batch size场景下，H20极易陷入性能瓶颈，导致时延显著增加，从而无法充分发挥DeepSeek专家并行机制所具有的高吞吐量优势。因此，在大规模高并发的训推场景，H20难以满足实际应用需求。
当DeepSeek证明“小算力亦可挑战巨头”，昇腾大EP则进一步回答：如何让每一焦耳电力、每一美元投入，释放最大AI价值。这场效率革命的意义远超技术参数之争——它标志着AI竞争从“硬件堆叠”转向“工程创新”，最终迈向产业普惠。（御风）
