近期，AI领域迎来了一项重大技术革新。DeepSeek公司宣布其最新模型DeepSeek-V3.1采用了创新的UE8M0 FP8 Scale参数精度，这一精度标准是专为即将推出的国产芯片而设计。消息一出，资本市场迅速作出反应，寒武纪等多家芯片类上市公司的股价显著上涨。
然而，在2025算力大会上，尽管DeepSeek的FP8精度标准成为了热议话题，业内人士的反应却相对冷静。与资本市场的热情高涨不同，技术专家更加关注FP8在模型训练、推理以及生态标准化方面的实际应用与挑战。
FP8，即8位浮点数，是AI训练和推理过程中提升计算效率的一种新技术手段。摩尔线程AI Infra总监陈志在接受采访时表示，过去，大模型的训练和推理主要依赖FP32（32位浮点数），随后逐渐过渡到FP16混合精度。FP8的引入，进一步将数据宽度压缩至8位，从而实现了算力效率的大幅提升。
陈志详细解释了FP8的优势：“最直接的好处是算力效率翻倍，同时降低了训练和推理过程中的网络带宽通信量。例如，传输一个FP32数值需要4字节，而FP8仅需1字节。这意味着在相同功耗下，AI芯片能够训练更大的模型或显著缩短训练时间。”
然而，FP8并非没有局限性。一位不愿透露姓名的国产芯片厂商从业人员在算力大会上指出，虽然低精度训练推理速度更快，但也可能因数值范围过小而导致计算错误。不同计算任务对精度的要求各不相同，因此业内通常采用混合精度训练策略，根据计算类型动态选择合适的精度。
DeepSeek-V3.1采用FP8精度的举措，被视为国产AI芯片迈向新阶段的标志。尽管这一消息引发了资本市场的积极反应，但产业界人士对此持更为审慎的态度。他们认为，FP8代表了算力优化的正确方向，但大模型训练推理不仅仅是硬件的堆砌，更需要关注实际落地效果。
陈志认为，大模型对精度的容忍度越来越高，从FP32到FP16再到FP8，是行业逐步验证的路径。DeepSeek验证了FP8在大规模模型上的可行性，未来在FP8乃至更高精度上的研究将是一个重要方向。然而，这一趋势也意味着国产算力生态需要同步升级，包括芯片、框架、算力平台到应用层的闭环适配。
陈志进一步指出，大模型训练推理的核心瓶颈不仅在于算力规模，还包括能耗、稳定性和集群利用。国内已有万卡规模的集群部署，但还需要向大智算集群演进，解决效率与容错问题，确保集群的可靠性。简单堆砌硬件并不能完全满足需求，提高单卡效率与集群调度优化同样关键。
随着DeepSeek引领的这一技术革新，国产算力生态将迎来新的挑战与机遇。上下游厂商需要联动优化，以适应精度标准的变化。摩尔线程等公司已提前布局FP8研究，旨在技术储备和生态调整中占据主动地位。
