主要观点总结
文章介绍了DeepSeek通过软硬件协同的全栈优化策略，在有限的硬件资源下实现性能提升的细节，包括其使用的技术如FlashMLA、FP8混合精度训练等。文章还提及了智猩猩「DeepSeek大解读」系列公开课第5期的相关信息，包括主题、提纲、主讲人及其成就、直播时间等。
关键观点总结
关键观点1: DeepSeek的软硬件协同优化策略
DeepSeek通过软硬件协同的全栈优化策略，在有限的硬件资源下实现了极致的性能提升。包括使用FlashMLA技术优化多头潜在注意力，通过底层编程语言PTX直接对硬件资源进行调配等。
关键观点2: DeepSeek使用的技术
DeepSeek使用了多种技术来提升系统效率，包括FP8混合精度训练、KV Cache缓存优化、并行计算等。
关键观点3: 智猩猩公开课的信息
文章提供了关于智猩猩「DeepSeek大解读」系列公开课第5期的详细信息，包括主题、提纲、主讲人及其成就，直播时间等。公开课将围绕DeepSeek在软硬件协同优化方面的创新，以及大语言模型推理IP和面向智能终端的推理LPU IP设计进行讲解。
正文
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。
1、从DeepSeek看软硬件协同优化
2、基于FPGA的大模型软硬件协同
3、面向智能终端的推理LPU IP设计
曾书霖，清华大学电子工程系博士、博士后
，博士期间主要从事软硬协同优化研究和AI加速器设计，发表高水平国际会议/期刊论文20余篇。实现全球首个多模态大模型推理LPU IP，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FPGA 2025最佳论文。
