把握 DeepSeek 时刻，携手同 行 华为昇腾 AI 解决方案汇报 2025 年 2 月 DeepSeek 洞察及昇腾适配进展 华为昇腾 AI 基础软硬件介绍 CO NT E NTS 目 录 2 1 Huawei Proprietary - Restricted Distribution 2 训练资源 • 随着 DeepSeek 提供了一种高效率训练的方法，同等 Restricted Distribution DeepSeek R1: 在 Reasoning 任务达到了世界水平（ OpenAI- o1 ） 以 2 阶段 SFT+2 阶段 RL 完成，从而解决 R1-Zero 可读性差、 多种 语言混合问题 本次开源同时发布了 6 个基于 DeepSeek-R1 蒸馏的更小稠密模 型 （ Qwen/LLaMa 1.5B 7B 14B 32B 70B 离线模型 — — 分析报告 差异三：基础能力差异导致支持完备度不同 基础库、加速库、三方库等支持情况不同 跨架构时需通过引入、适配第三方库，或者开 发基于自身架构的对等库来解决库的差异问题 计算架构 支持的主要基础库 / 加速库 昇腾 DVPP/AIPP/mxVision/ ACLNN/ACLBlas 等 英伟达 Codec SDK/CV-CUDA/ cuDNN/cuBlas/DALI

..........................................................................47 3.2 美的楼宇科技美控：楼宇 AI 节能解决方案 ............................................................................49 3.3 利珀：晶硅电池隐裂检测产品 ........................................................................... 57 3.7 联想：基于 AI 的设备维护解决方案 .........................................................................................58 合作伙伴加速项目和产品推荐 快。很多产品缺陷种类复杂、缺陷细小、区 分度低，传统的人工检测和机器视觉方案，检出率低，速度慢，无法满足生产质量和高速产线的节拍要求。AI 技术 与机器视觉检测方案相结合，为这类难检缺陷提供有效解决方案。 以手机玻璃盖板为例，手机玻璃盖板在生产过程中可能会出现划痕、蹭伤、崩边、气泡、手指纹、水迹、水印等多 种微小且不易察觉的缺陷，缺陷种类最多可达 30 多种。必须精准、高效地检出这些缺陷以保证产品质量，检测精

RL环境中进行探索 ➢ 类比：初学者在没有老师指导的情况下，通过不断的尝试和错误来掌握一门新的技能。 ➢ 这种自主学习的方式，不仅节省了大量的标注成本； ➢ 更重要的是，它让模型能够自由地探索解决问题的路径，而不是被预先设定的模式所束缚。 12 DeepSeek-R1 技术剖析：DeepSeek-R1 Zero DeepSeek-R1 Zero的关键启示 ➢ 跳过SFT阶段，直接运用 利用软件检查代码补全判断是否为完整代码； ➢ 执行Python代码检查运行情况判断是否为可运行代码； ➢ 调用外部模块构建额外的检测单元； ➢ 甚至可以更进一步，测量执行时间，使训练过程首选性能更高的解决方案； ➢ 以上均可以作为小批量训练 (Mini-Batch) 和连续训练过程中的奖励信号 14 DeepSeek-R1 技术剖析：DeepSeek-R1 Zero DeepSeek-R1 Zero的关键启示：举例 节省了大量的标注成本，而且让模型更自由的探索解决问题的路径，而不是被预先设定的模式所 束缚。这也使得模型最终具备了更加强大的泛化能力和适应能力。 ➢ 为了充分释放 GRPO 的潜力并确保训练稳定性，DeepSeek R1 的训练中采用了四阶段的交替迭代 流程：“监督微调（SFT）→ 强化学习（RL）→ 再次 SFT → 再次 RL”，有效解决了传统强化学 习模型在冷启动、收敛效率和多场景适应性方面的瓶颈。

大模型通常能够学习 到 更细微的模式和规律 ，具有更强的泛化能力和表达能力 学习能力强 大模型可以从大量的数据中学习， 并利用学到的知识和模式来提供 更精准的答案和预测 。这使得它 们在解决复杂问题和应对新的 场 景时表现更加出色 上下文理解能力 大模型具有更强的上下文理解能 力 ，能够理解更复杂的语意和语 境 。这使得它们能够产生更准确、 更连贯的回答 先显式地写出推理的中间步骤。这就像人 类解决复杂问题时会先把思考过程写下来 一样。 推理模型的核心 也就是说 ，如果模型在回复你之前有一 长 串的思考过程（这个过程必须可以显 示输 出） ，探索了很多不同的路径之后 给出答 案 ，那么有这个能力的大模型就 是推理大 模型。推理模型的核心在于处 理那些需要 多步骤逻辑推导才能解决的 复杂问题。 3.4 大模型的分 类 基础知识问答 复杂问题解决能力 优秀 ，能进行深度思考和逻辑推理 一般 ，难以处理多步骤的复杂问题 运算效率 较低 ，推理时间较长 ，资源消耗大 较高 ， 响应速度快 ，资源消耗相对较小 幻觉风险 较高 ， 可能出现“过度思考”导致的错误答案 较低 ，更依赖于已知的知识和模式 泛化能力 更强 ，能更好地适应新问题和未知场景 相对较弱 ，更依赖于训练数据 擅长任务举例 解决复杂逻辑谜题 ，编写复杂算法

PDF 中自动整理温度数据表格 避坑指南：超过 50 页的长文档建议拆分处理，避免解析超时 3.常见问题速查 Q1：为什么联网搜索时断时续？ 原因：服务器负载过高或网络波动 解决方案：避开晚高峰使用，或切换至深度思考模式本地处理 Q2：如何导出对话记录？ 操作路径：网页版/APP 端点击对话历史→右键选择“导出为 Markdown” Q3：上传文件后 修正：“预算 5000 元/3 天/亲子游，推荐 5 个国内城市并说明交通和住宿方案” 4.专业术语滥用 错误：“用 MoE 架构优化输出”→普通人难以理解 修正：“让不同专家模块共同解决这个问题” 5.过度依赖 错误：直接使用 AI 生成的医学诊断建议 修正：要求“提供相似病例和检查建议，需医生复核” 4.高阶技巧：解锁 AI 的隐藏能力 ①数据直通车 AI，成本仅为 GPT-4 方案的 1/20 4.伦理与挑战 在享受技术红利的同时需警惕风险： ①数字鸿沟 ⚫ 技术垄断：掌握提示词工程的人群收入差距扩大 3 倍 ⚫ 解决方案：政府推出“全民 AI 素养提升计划”，覆盖 5000 万弱势群体 ②职业替代 ⚫ 高危岗位：基础文案/客服/数据分析岗位替代率达 47% ⚫ 转型路径：建立“人机协作绩效评估体系”，重构岗位价值标准

1999 年“智慧学校 计划” 2010 年将所有学 校都转型为智能学 校 台湾桃源县 “ 智慧台湾 U 桃园 计划” 从 e 化教育向 u 化 教育（泛在教育） 美国 IBM 智慧教育解决 方案：教育数据的 收集、管理与分析， 为学习者提供独特 的学习体验，教学 制度优化 7 智慧教 育 智 慧 教 育 什么是智慧教育？ 在信息化基础之上建构的信息时代的教育新秩序，是信 息 世纪技术提高质量、提高接入和降低成本 工作需求 信息服务 广播系统 工业标准框架 为资源管理和支持学习提供管 理服务 智慧课堂：利用 21 世纪技术（ IBM 及其伙伴） 虚拟架构、计入虚拟客 户端解决方案 IBM 服务器与 存储器 客户设备、弱式客户 端 IBM 管理的服务 集中式架构 虚拟桌面服务 学生、教师和职员 公共架构 IBM 公有云 旧的桌面服务 开放教育资源

景 DeepSeek 的能力层级 • 1. 基础能力层 多模态数据融合与结构化理解 ，包括跨模态语义对齐（文本、 图像、 音频、 视频、 代 码、传感器数据统一语义） 和动态数据治理（解决数据缺失、 噪音干扰、 概念飘逸等） ， 支持 200 多 种数据格式自动解析。 • 2. 中级能力层 领域问题建模与复杂推理 ，包括领域自适应学习（建立医、 教育、 金融垂直应用于 https://llmware.ai/ • 功能：提供统一框架构建基于 LLM 的应用 ，如 RAG 和代理， 包含 RAG Pipeline 和 50 + 小型专用模型 ，适用于定制特定 领 域解决方案。 • 4. LangChain ：官网： https://www.langchain.com/ • • 功能：构建于大语言模型之上 ，通过链式调用组合组件 ， 简 化开发者与语言模型交互