當下，人工智能蓬勃發展，創新技術不斷涌出，整個行業正經歷著一場意義深遠的變革。

而這其中，DeepSeek 和 LPU 的出現格外引人注目。DeepSeek 憑借其卓越的性能和強大的成本優勢，迅速在全球范圍內圈粉無數，掀起了一股使用熱潮。而 LPU，作為專為語言處理任務量身定制的硬件處理器，以其區別于傳統 GPU 的創新架構、令人驚嘆的性能表現和超低的成本優勢，成為了 AI 領域的新寵。

DeepSeek 與 LPU 的結合，或許會為這場變革注入新的動力。

LPU 是什么？

2024 年 2 月，由谷歌 TPU 設計者 Jonathan Ross 創立的 Groq 公司發布新一代 LPU，實測性能引發行業震動：在 Meta Llama 2-70B 推理任務中，其 LPU 相較英偉達 H100 實現 10 倍性能提升，推理成本降低 80%。而 LPU 本質為減少計算中內存調用次數，從而實現推理效率的提升。對推理芯片而言，更高性能、更低成本的 LPU，提供了一個新的技術路徑選項。

LPU，全稱 Language Processing Unitix，是一種專門為語言處理任務設計的硬件處理器。它與我們熟知的 GPU（Graphics Processing Unit，圖形處理器）有著本質的區別。GPU 最初是為處理圖形渲染任務而設計的，在并行計算方面表現出色，因此后來被廣泛應用于人工智能領域的模型訓練和推理。然而，LPU 則是專門針對語言處理任務進行優化的，旨在更高效地處理文本數據，執行諸如自然語言理解、文本生成等任務。

從硬件架構來看，LPU 有著獨特的設計，采用了時序指令集計算機架構。同時，LPU 不需要芯片外內存，這是其區別于傳統硬件架構的重要特點。傳統的 GPU 在運行過程中，需要依賴高速的數據傳輸和大量的芯片外內存來存儲和處理數據，這不僅增加了硬件成本，還可能在數據傳輸過程中產生延遲，影響系統性能。而 LPU 使用的是 SRAM（Static Random - Access Memory，靜態隨機存取存儲器），其速度比 GPU 所用的存儲器快約 20 倍。這種高速的內存使得 LPU 在處理數據時能夠更快地讀取和寫入信息，大大提高了處理效率。

在能效方面，LPU 通過減少多線程管理的開銷和避免核心資源的未充分利用，實現了更高的每瓦特計算性能，在執行推理任務時，無需像 GPU 那樣頻繁從內存加載數據，消耗的電量也低于英偉達的 GPU。

Groq 公司作為 LPU 的重要推動者，公布的 LPU 性能令人驚嘆。與當前行業內的領先模型相比，LPU 展現出了巨大的優勢。例如，在與 GPT - 4 的對比中，Groq 的 LPU 比 GPT - 4 快 18 倍，在處理速度上達到了每秒 500 token 的驚人成績，打破了行業紀錄，其性能是英偉達 GPU 的 10 倍。而且，不同于英偉達 GPU 對高速數據傳輸和高帶寬存儲器（HBM）的依賴，Groq 的 LPU 系統中沒有采用 HBM，而是通過優化的 SRAM 設計，實現了高效的數據處理。這種獨特的設計使得 LPU 在保證高性能的同時，還降低了硬件成本和系統復雜性。

這一突破也凸顯了計算模式的潛在轉變，即在處理基于語言的任務時，LPU 可以提供一種專業化、更高效的替代方案，挑戰傳統上占主導地位的 GPU。

國產企業布局 LPU

國產 LPU 當然也受到市場關注。

目前，清華系的無問芯穹已研發出全球首個基于 FPGA（現場可編程邏輯門陣列）的大模型處理器，稱其為無穹 LPU，通過大模型高效壓縮的軟硬件協同優化技術，使得 LLaMA2-7B 模型的 FPGA 部署成本從 4 塊卡減少至 1 塊卡，并且性價比與能效比均高于同等工藝 GPU，即展示「一張卡跑大模型」。

無問芯穹研發的端側大模型推理處理器 LPU 采用異構計算技術。其核心目標是提供如水電煤般便捷的算力服務，解決當前市場中算力資源匱乏的問題。目前已通過適配多種 AI 芯片，實現不同模型高效并行處理，根據無問芯穹的內部測試數據，這款芯片在大規模模型推理場景中，算力成本下降高達 90%，為國內算力之困開辟了一條前路。

據悉，無問芯穹成立于 2023 年 5 月，創始團隊來自清華大學電子工程系，致力于成為大模型落地過程中的"M×N"中間層，以打造大模型軟硬件一體化方案，鏈接上下游，建立 AGI（通用人工智能）時代大模型基礎設施。

DeepSeek 利好上游，將推動 AI 大規模應用

2025 年 1 月 20 日，DeepSeek 正式發布 DeepSeek-R1 模型，在數學、代碼、自然語言推理等任務上，性能成功比肩 OpenAI-o1 正式版，在 1 月 24 日國外大模型排名 Arena 上，DeepSeek-R1 基準測試升至全類別大模型第三，在風格控制類模型分類中與 OpenAI-o1 并列第一，展現出強大的技術實力。僅僅一周后，DeepSeek 在中國區及美區蘋果 App Store 免費榜均占據首位，成為首個同期在中國和美區蘋果 App Store 占據第一位的中國應用，用戶量在短時間內迅速攀升，在全球范圍內掀起了使用熱潮。

DeepSeek 發展速度之快令人咋舌，日活數據的增長堪稱「火箭式」上升。前幾日，DeepSeek 的日活剛突破 2000 萬，然而不到一周的時間，日活已經飆升至 3000 萬，短短 7 天內用戶增長一個億。與之形成鮮明對比的是，曾經風靡全球的 ChatGPT 達到同樣的用戶增長規模需要 2 個月的時間。DeepSeek 的快速崛起，彰顯了其在人工智能領域的強大競爭力和市場吸引力。

隨著 DeepSeek 用戶的大規模增長，對上游做算力的公司產生了顯著的利好影響。算力作為人工智能運行的基礎支撐，是模型訓練和推理得以實現的關鍵。DeepSeek 的火爆意味著對算力的需求呈指數級增長，這為上游的算力供應商提供了廣闊的市場空間。

值得一提的是，三家基礎電信企業均全面接入 DeepSeek 開源大模型。這一舉措不僅進一步推動了 DeepSeek 的廣泛應用，還為電信企業自身的業務發展帶來了新的機遇。電信企業擁有豐富的網絡資源和龐大的用戶基礎，接入 DeepSeek 大模型后，可以將人工智能技術融入到通信服務、智能客服、大數據分析等多個業務領域，提升服務質量和用戶體驗，同時也為自身在人工智能時代的轉型發展奠定了堅實的基礎。

在市場層面，DeepSeek 的成功也引發了資本的關注。大量的投資涌入與 DeepSeek 相關的產業鏈，從算力支持到算法優化，再到應用開發，各個環節都成為了資本追逐的熱點。這不僅促進了相關企業的技術研發和業務拓展，還加速了整個行業的發展進程。

之所以 DeepSeek 如此受到關注，除了其在性能上的卓越表現外，還在于其具有強大的成本優勢。DeepSeek 模型厲害的地方在于，整個訓練僅花費了 557.6 萬美元，在 2048xH800 集群上運行 55 天完成。性能卻能和 OpenAI 的頂尖模型 ChatGPT-o1 比肩，甚至在某些領域還強一點。

這筆費用是什么概念呢？Anthropic 的 CEO 曾透露，GPT-4o 這樣的模型訓練成本約為 1 億美元。而目前正在開發的 AI 大模型訓練成本可能高達 10 億美元。他還預測，未來三年內，AI 大模型的訓練成本將上升至 100 億美元甚至 1000 億美元。換句話說，DeepSeek-V3 的這個成本幾乎可以忽略不計。由于 OpenAI 的大模型成本巨大，在美國政府的支持下，甚至發起了總投資 5000 億美元的星門計劃來建設 AI 設施。

高性能低價平權之下，LPU 被看好

AI 基礎設施建設的巨額成本一直是阻擋 AI 大規模應用的絆腳石。

DeepSeek-R1 具備高性能、低成本、開源三大屬性。DeepSeek-R1 問世，其開源屬性為企業提供了技術底座，如教育機構可基于開源代碼定制學科知識庫、教學場景交互邏輯等，人力資源機構也可針對招聘培訓等垂直場景構建垂直助手。且 DeepSeek-R1 大模型單次訓練和推理對算力的需求低，因此基于 DeepSeek-R1 二次訓練的成本也更低，更有利于企業低成本訓練及本地部署。簡而言之，DeepSeek-R1 的突破性發展，直接降低了 AI 應用的研發落地成本，將加速 AI 技術在各行業的滲透。

如果說，DeepSeek 屬于「核彈」級，那 LPU 就是「氫彈」級。據了解，美國 Groq 公司已經在自己的 LPU 芯片上實機運行 DeepSeek，效率比最新的 H100 快上一個量級，達到每秒 24000token。某種程度上，單純靠堆砌硬件算力，實現智力的邏輯也將失效。隨著硬件芯片制程逐漸到達瓶頸，后期人工智能主要靠算法和芯片架構優化推動。

而 DeepSeek 與 LPU 的結合標志著 AI 算力領域的重要變革，特別是在大語言模型（LLM）推理場景中展現出顯著的技術突破和市場潛力。這種結合使得大語言模型在處理速度、成本控制和應用范圍等方面都有了新的突破，為人工智能的發展開辟了新的道路。

作為 LPU 的主要供應商，美半導體初創公司 Groq 也受到了投資市場的看好。據了解，目前該公司已獲得沙特阿拉伯 15 億美元的承諾投資，以支持 Groq 擴建位于沙特達曼的 AI 推理基礎設施。Groq 的達曼數據中心由該企業同石油巨頭沙特阿美旗下子公司合作建設，目前該數據中心已包含 19000 個 Groq LPU（語言處理單元），可向 41 個國家的 40 億用戶提供服務。

另一方面，這也對英偉達和其他美國人工智能科技公司造成打擊，三星電子和 SK 海力士預計將在快速增長的人工智能 (AI) 內存芯片業務中面臨越來越多的不確定性。而這兩家公司主要生產用于英偉達 GPU 的 HBM 芯片。SK 海力士 1 月份的數據比 12 月下跌了 19.3%。這是自 2023 年 4 月該公司開發出全球 12 層 HBM3 芯片以來，環比跌幅最大的一次。

當 LPU 技術將 AI 創作成本降至消費級硬件可承載范圍，普通人使用 RTX 顯卡即可運行百億參數模型時，UGC 內容生產將迎來核爆式增長。這種生產力解放可能提前 10 年實現"人人都是創作者"的預言。

當 LPU 架構與神經擬態芯片結合后，個人設備的計算能力將得到質的飛躍。也許，未來的智能手機或筆記本電腦，借助這種技術，用戶無需聯網就能在本地快速運行復雜的語言模型，實現高效的個人工作流部署。