今天小编分享的科学经验：Deepseek进入业务深水区，为什么需要昇腾大EP？，欢迎阅读。
DeepSeek 让各行业引入 AI 大模型的意识和积极性明显提高，已推动 AI 在政务、能源、制造等领網域广泛铺展开来。
很多政企用户接入 DeepSeek 之后，感受到了 AI 大模型给业务带来了 " 旦用难回 " 的体验，很快就从试用的第一阶段，进入第二阶段——大模型推理集群的扩容更新。
当 " 有没有 Deepseek 用 " 不再成为问题，那么 "Deepseek 好不好用 " 的挑战就迎面而来。
一来，人多了，大量访问请求带来的高并发，就像春运高峰期涌入巨大的人流量，会出现请求积压，模型推理思考时间变长，token 吞吐速度下降，用户的等待时延达到 50-100 毫秒，伺服器繁忙和排队让人恼火。
二来，机器多了，增加更多伺服器会遇到物理天花板，机器扩容并不会线性提升在线推理服务的体验，就像即使增加了更多车厢，但铁轨承载能力有限，也无法运送更多旅客（AI 任务）了。
当行业智能化进入深度应用 DeepSeek 的第二阶段，不得不面临高并发推理的技术挑战。在堆算力的同时，也要同步优化性能体验，相当于想要运送更多乘客，不仅要增加车厢数量，还要同步改造轨道、站台和管理机制，将老式火车更新为高铁，才能综合提高运输效率。
以 DeepSeek 为例，前不久公布了其利润率，高达 545%，其中就涉及大量工程化能力，比如引入大 EP 推理集群，实现高并发推理吞吐量指数级增长。
对于更多行业和企业来说，没有 DeepSeek 那样的极客天才和顶尖技术团队，怎样用大 EP 来解决高并发推理挑战呢？当 AI 大模型开始进入千行万业的深水区，亟需一场大 EP 的 " 运力革命 "。
很多政企客户在接入了 Deepseek 之后，使用量进一步增加，有了扩展推理集群规模的需求，推理资源需要从 2 台扩展到 10 台，从 16 卡扩展到千卡，但扩容更新并不是往机房一放、网络一连，就能高枕无忧了。
就像印度仍在使用的老式火车，仅靠增加车厢，还是无法提高运力，每个乘客能占用的火车空间极小，体验很差，火车不堪重负，延误晚点成了家常便饭。类似问题，在 Deepseek 和各种大模型与业务的结合中，高并发推理卡住了用户的体验瓶颈。
面对上述问题，大 EP 大规模专家并行的技术架构，成为趋势。
简单来说，大 EP 就是将 MoE（混合专家）模型中数千个专家，分配到更多的卡（算力）上去。原本一张卡只能拉 10 个人，有了大 EP，可以同时拉 100 个（高并发）；原本只能跑一趟车，现在可以同时跑八趟车（提高专家计算路数 batch size），那么乘客就不用长时间等待了。
所以，通过大 EP 可以提高高并发推理场景下的计算效率，实现更大的吞吐和更低的时延。用户体感上，比如一家银行的工作人员同时访问 Deepseek，不会遇到排队、延迟、过长等待等情况。
大 EP 这么好，怎么才能部署到自己的一体机或推理资源池呢？不经过一番努力，确实很难吃到大 EP 的蛋糕。
一方面，推理场景的算力需求指数级扩展，而海外厂商的推理芯片如 H20，虽然显存高，但算力不足，处理大 EP 场景时吞吐骤降。Deepseek 公开的论文来看，仍然使用 H800 来进行推理。更强算力且供应链稳定的推理硬體，是大 EP 必不可少的。
另一方面，当请求总量猛增之后，会带来多种多样的负载，且极不均衡，相当于有的车厢坐的人多，有的车厢坐的人少，负载不均一样会导致体验不佳。
此外，大 EP 场景的 All-to-All 通信，导致卡间通信占比时间高，相当于每个车厢的专家都要通知到，这就会耽误进出站的效率。NVLink 在大 EP 场景中，实际有效带宽利用率就不足。
由此可见，当行业使用 Deepseek 进入深水区，面对高并发推理场景，不能抱有 " 头疼医头脚疼医脚 " 的侥幸心理，而需要通盘思考和系统攻坚。
今天来看，各行各业拥抱 Deepseek 不是追逐一时风口，而是对智能化发展趋势的长期价值判断。普惠 LLM 进入千行万业，已经是大势所趋。
而大 EP 无法顺利被行业用起来，就意味着接入 Deepseek 始终存在时延高、体验差、成本难优化的问题，那么行业智能化也就无法顺利达成。
不过也不必过于担心，Deepseek、科大讯飞等模厂，与昇腾等算力厂商，以及政企行业用户，一直保持着紧密协作与沟通，自开年 Deepseek 热潮以来，从部署实践中沉淀了大量技术创新。
近期，昇腾推出了大 EP 解决方案，面向高并发推理场景，一站式更新为智能化 " 高铁 "。
具体来说，昇腾大 EP 解决方案借助五大关键技术，与昇腾算力深度协同优化，成功突破了 " 专家负载均衡 + 通信优化 " 两大难题。
针对专家负载不均的难题：
昇腾大 EP 解决方案提出了MoE 负载均衡技术，可以自动寻优，根据业务情况、集群规模，找到最优的专家，自动预测哪个专家更忙，自动配比，当一个专家负载过多时自动讲解，从而实现了备份节点和副本专家灵活可扩展、高可用和极致均衡，性能得到极大提升。
采用多种创新技术，做到自适应的 autoPD 分离部署。根据 Prefill 和 Decode 的动态负载，进行 P、D 实例的自动伸缩，无需人工介入，从而减少计算访存资源竞争。结合多级缓存内存资源池化，对冷热温数据进行区分，可以让系统的有效吞吐提升 50% 以上。
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。
MLA 预处理阶段，昇腾大 EP 解决方案把大量的小算子，合成为大的融合算子，将计算耗时降低 70%，让算力能力充分发挥出来。
如果你觉得上述技术创新多、不好记，那么只需要，借助昇腾大 EP 解决方案，行业应用 Deepseek 时，可以做到：
快。访问 Deepseek 无需等待。昇腾大 EP 可以将单卡并发提升 3 倍，Decode 阶段响应速度稳定在 50ms 以内，支撑 600+ 并发请求。
省。业务使用 Deepseek 上量之后，推理集群扩展的同时，性能也保持线性度，扩容综合成本更优。
正如高铁改变了中国人的出行，昇腾大 EP 为高并发推理铺设了一条 " 高速铁路 "，改变了 Deepseek 上量扩容阶段的体验，为行业智能化提速增效。
仅用两个多月的时间，Deepseek 就完成了从试用阶段到扩容阶段的进阶。高并发推理场景和大 EP 技术架构，成为应用 Deepseek 的新挑战。这也提醒我们，行业智能化是一个循序渐进的过程，不可能一蹴而就。
自主创新算力与国产模型如同高铁的双轨，成为支撑起智能中国的 " 新基建 "。昇腾生态之所以与 Deepseek 等大模型更加适配，答案逐步清晰明确。
首先，昇腾有硬體，为行业智能化提供 " 永不沉降 " 的算力路基。昇腾硬體的 FP16 和 INT8 算力，可达到 H20 的 2 倍以上，且功耗更低，足以支撑各行业智能化的平稳前进。
此外，昇腾有软硬體的协同优化能力。随着行业智能化的不断深入，AI 模型对算力需求不断扩张，但硬體的物理天花板和企业的投入产出比，都要求计算性能持续优化。昇腾的 AI 软硬體，提供从预训练到微调到强化学习，到推理集群、一体机，全流程全覆盖的方案，可以快速响应客户需求，高效支撑技术创新。目前，昇腾与 DeepSeek 最新技术已经实现了 "day0" 级别同步，确保企业智能化在昇腾软硬體基座上，始终行驶在技术最前沿。
更重要的是，昇腾有伙伴。行业智能化是一个体系化工程，不是单一硬體或軟體厂商就能独自完成的。在自主创新算力生态中，昇腾一方面兼容主流生态与 PyTorch 等国内外框架，同时与 ISV 伙伴、各大模厂都保持着紧密共生与合作。这意味着，当行业用户基于昇腾底座开发 AI 应用，能得到生态的全方位助力，减少智能化更新的阻力，降低综合成本。
今天，智能化已经成为全球经济发展的主航道。在自主算力与国产模型所铸就的双轨上，行业智能化也将走深向远，向着智能时代飞驰。
