DeepSeek开源周，继DeepEP之后，开源了第三弹DeepGEMM。
今天简单来说说：
- 吃瓜：DeepGMEE是干嘛的？
- 技术：DeepGMEE是怎么做到的？
- 普通人有什么用：对写提示词有什么启示？
DeepGMEE是干嘛的？
DeepGMEE，General Matrix Multiplication，一个FP8通用矩阵乘法库（library）。
画外音，FP8：8-bit Floating Point，8位浮点格式。
关于FP8通用矩阵乘法
一个矩阵乘法的优化而已，写了这么多年代码都没用过矩阵乘法，值得这么吹流弊吗？
额，我竟无言以对。
矩阵乘法是现代AI计算的基石。
- 矩阵是数据表示的核心工具：神经网络中的权重，特征，参数传递等都使用矩阵表示；
- 矩阵乘法占大模型中90%的计算量：Transformer基操QKV运算，卷积计算，分层全连接计算等；
- 硬件优化的核心目标就是矩阵乘法计算；
传统AI的矩阵乘法怎么算？
传统一般使用NVIDIA开源的CUDA C++模板库CUTLASS。
传统方法通常采用FP16/FP32，存在一些潜在的不足：
- 占显存资源：FP32占显存是FP8的4倍；
- 资源利用率低：强制要求矩阵为2次幂尺寸（例如：128*128），容易出现显存碎片；
- 不支持MOE模型的分组矩阵计算；
- 部署复杂度高：需要编译，需要配置；
那为什么之前不直接采用FP8呢？
FP8虽然占用资源少，资源利用率高，但会带来精度损失。
这个问题程序员最好理解。
高精度乘法：1.2 * 3.4 = 4.08
如果直接降低精读，用整数表示浮点数，变为1 * 3 = 3，精读损失是无法接受的。
那有没有弥补精读不足的问题？
我们可以对浮点数进行整数化编码处理：
- 步骤一：1.2用(12, 1)表示，其中1是小数位数；
- 步骤二：3.4用(34, 1)表示；
- 步骤三：1.2 * 3.4 = (12, 1) * (34, 1) = (12*34, 1+1) = (408, 2)
如此一来，就没有精度损失啦。
当然，矩阵乘法的精度补偿比这个复杂，其核心思路是：使用低精度乘法矩阵快速计算，高精度加法补足。
结论就是：deepseek使用FP8就能完成FP16/FP32的计算，降低显存占用+提高显存利用率的同时，仍然能够保持高精度。
DeepGMEE的特点
Git介绍中对DeepGMEE有三个关键形容词：
- 简洁（clean）
- 高效（efficient）
- 高精度（fine-grained scaling）
为什么说DeepGMEE简洁？
- 核心代码300行，而CUTLASS数千行；
- 零依赖（除CUDA），无需预编译，无需复杂环境配置；
- 注释清晰，便于学习与二次开发；
画外音：我看了一下，调整数据分块策略，只需要修改10-20行代码。
为什么说DeepGMEE高效？
这是FP8对比FP16/FP32的天然优势，相比GUTLASS：
- 显存占用下降50%+；
- MOE推理延时下降60%+；
- 计算密度(TFLOPS)提升了270%+；
为什么说DeepGEMM高精度？
采用FP8矩阵乘法加速计算，BF16累加修正精读的方法，平衡了速度与精读。
除此之外，DeepGEMM还有不少特色：
- 针对MOE优化，支持MOE分组矩阵乘法；
- 针对硬件加速；
- 动态编译JIT：运行时根据矩阵大小与硬件条件优化；
- 矩阵灵活尺寸对齐（例如：可以支持112*128矩阵）；
上面种种，DeepGMEE本次最大的创新，我认为是：FP8优化，JIT优化，以及MOE优化。
DeepGMEE是怎么做到的？
信息密度太大，头疼，有点学不过来了，感兴趣的同学去官网看吧，我Copy一下git的信息：
- Persistent warp-specialization
- Hopper TMA features
- A unified and optimized block scheduler
- Fully JIT design
- Unaligned block sizes
- FFMA SASS interleaving
- Common detail optimizations
画外音：其实你也不想知道这些how？
了解GEMM对普通人写提示词有什么启示？
没有启示，这东西和提示词没关系。
结尾
对于DeepGEMM，我的思考是：
- 之前各大玩家都卷硬件，而忽略了软件的优化；
- 僵化思维真的很要命，一直以来都是FP16/FP32，大家也都用CUTLASS，它就一定是最优吗？
- 写代码，搞架构，少即是多：多写这类300行优美的代码，而不要在垃圾公司堆shi山；
先睡了，共勉！
画外音：球球deepseek，明天不要开源新东西了。
