近期，国内人工智能领域的新星DeepSeek，凭借其强大的技术能力和广泛的应用场景迅速走红，成为业界关注的焦点。然而，随着用户量的激增，DeepSeek频繁出现的宕机问题也引发了广泛关注。算力不足、系统稳定性等挑战，成为了制约其发展的瓶颈。

为此，金融投资报记者深入成都智算中心，专访了常务副总经理谢一明及技术部负责人廖显，试图揭开DeepSeek宕机背后的技术难题，并探讨算力需求激增背景下，如何保障系统的稳定运行。

面临技术突破与资源调度双重压力

金融投资报记者：您认为DeepSeek频繁宕机的主要原因是什么？

廖显：DeepSeek的迅速流行带来了突发的用户使用量激增，这对系统的稳定性提出了严峻挑战。尽管DeepSeek在训练阶段已经对算力消耗进行了优化，但在模型推理方面，仍然需要依赖高可靠性的算力资源来确保服务的顺畅。用户访问量急剧增加时，如何应对这种峰值消耗，成为了一个亟待解决的问题。

此外，DeepSeek在传统注意力机制上进行了诸多逻辑创新，增加了每次对话时的推理计算量，提高了对算力的需求。软硬件结合是否需要进一步优化？这些都可能是导致DeepSeek频繁宕机的潜在原因。

破局算力困局：

AI基础设施的进化路径

金融投资报记者：当前，AI大模型的训练和推理对算力的需求有多大？未来趋势如何？

廖显：AI大模型的训练和推理对算力的需求极其庞大。大型模型拥有海量参数和需要处理巨额数据集，导致训练和推理过程中需要进行大量计算操作。随着AI技术不断进步和应用场景日益拓展，未来AI大模型对算力的需求将持续增长。我们需要加强算力基础设施建设，提升算力供应能力和利用效率，探索高效算法和软硬件协同优化方案。

金融投资报记者：算力瓶颈会如何制约AI技术的发展和应用？有哪些潜在的解决方案？

廖显：算力瓶颈对AI技术的发展和应用构成了显著制约。硬件升级是直接有效的手段，通过研发更高效芯片，如专用AI芯片，大幅提升计算能力。算法优化也至关重要，通过改进算法结构、减少计算冗余，降低算力需求。分布式计算和云计算技术也提供了解决方案，通过并行处理和动态分配算力资源，提高计算效率。软硬件结合优化也是重要一环。

本土化赋能路径：

成都智算中心的产业实践

金融投资报记者：针对AI大模型的训练和推理，成都智算中心有哪些优化方案和技术优势？

谢一明：在训练阶段，成都智算中心通过分布式训练技术，将训练任务分解为多个子任务，并在多台高性能计算设备上并行处理，提高训练效率。智算中心采用异构计算策略，根据任务特点灵活选择最优计算设备，如GPU和TPU，发挥不同硬件性能优势。智算中心还具备资源利用率监控与调优能力，确保训练过程顺畅。

在推理阶段，智算中心通过智能调度和资源优化，根据任务需求动态分配计算资源，保障模型推理的高效性和稳定性。智算中心提供了高效的推理性能优化框架，结合量化压缩和并行策略等技术手段，提升了推理速度，降低了推理成本。

智算中心的技术优势在于强大的计算资源整合能力、高效的资源调度算法以及丰富的AI应用经验。通过不断优化硬件和软件配置，智算中心为用户提供定制化解决方案，满足不同行业、不同场景下AI大模型训练和推理需求。

金融投资报记者：成都智算中心如何帮助企业降低算力成本，提高算力资源利用效率？

谢一明：DeepSeek的横空出世，为企业使用语言大模型带来了成本降低。成都智算中心在大模型项目中探索并实践了落后算力资源的再利用方案，通过算力调度和优化策略，盘活了原本可能被闲置或淘汰的计算资源，提高了算力资源的利用效率。

这种策略不仅降低了企业使用成本，还提升了整体计算资源的利用率，为企业的数字化转型和智能化升级提供了支持。未来，我们将继续深化这一理念，为企业创造更多价值。

（文章来源：金融投资报）