DeepSeek通过软硬件协同的的全栈优化策略，在有限的硬件资源下实现了极致的性能提升。

比如利用FlashMLA技术针对多头潜在注意力进行优化，能够充分释放GPU算力。此外，DeepSeek还通过底层编程语言PTX直接对硬件资源进行调配，实现了寄存器分配、线程调度的细粒度优化。在软件层面，DeepSeek通过FP8混合精度训练、KV Cache缓存优化、并行计算等技术，进一步提升了系统的整体效率。

DeepSeek的成功，充分证明了软硬件协同优化的巨大潜力，也为AI Infra的未来技术发展提供了新的思考方向和借鉴思路。

3月18日19点，智猩猩「DeepSeek大解读」系列公开课第5期将开讲，由清华大学电子工程系博士后曾书霖主讲，主题为《DeepSeek对软硬件协同优化的启示与思考》。

曾书霖博士主要从事软硬协同优化研究和AI加速器设计，实现了全球首个多模态大模型推理LPU IP，并首次在单卡FPGA上实现7B大模型和文生视频的端到端推理，获得了FPGA 2025最佳论文。

本次公开课，曾书霖博士首先会分享DeepSeek在软硬件协同优化方面的创新和思考，之后会围绕大语言模型推理 IP FlightLLM、视频生成大模型推理 IP FlightVGM，阐述团队基于FPGA的大模型软硬件协同工作。最后，曾书霖博士还将深入讲解面向智能终端的推理LPU IP设计。