在3月18日的 GTC 大会上，Nvidia 首席执行官黄仁勋宣布了一项令人奋的计划，旨在通过新推出的软件 Dynamo，将 DeepSeek 的人工智能处理速度提高30倍。此举是 Nvidia 对 DeepSeek 公司 R1人工智能程序引发的市场动荡的回应。DeepSeek 的技术能够显著降低每个查询所需的计算量，导致投资者对 Nvidia 的未来前景表示担忧。Nvidia 的 Dynamo 软件能够将 AI 推理任务分配到多达1000个 GPU 上并行处理，极大地提升了查询吞吐量。黄仁勋表示，使用新的 Blackwell 芯片，Dynamo 能够在相同的架构下提供30倍的处理能力。
谷歌近日推出了最新版本的 Gemma AI 模型 ——Gemma3，声称这是 “全球最强的单加速器模型”。与之前发布的 Gemma AI 系列相比，Gemma3在性能上有了显著提升，尤其适合只配备一张 Nvidia H100显卡的开发者。该模型的设计初衷是为了帮助开发者创建能够在各种设备上运行的 AI 应用，从智能手机到工作站均可兼容。Gemma3支持超过35种语言，能够分析文本、图像及短视频，使其在多媒体处理方面表现出色。谷歌还特别指出，Gemma3在单 GPU 主机上的性能超越了 Facebook 的 Llama、DeepSeek 及 OpenAI 的模型，成
中国人工智能公司DeepSeek在其“开源周”第3天宣布推出DeepGEMM——一款支持FP8通用矩阵乘法（GEMM）的开源库。这一工具专为密集型和混合专家(MoE)矩阵运算设计，为DeepSeek V3和R1模型的训练与推理提供强大支持。官方消息通过X平台发布，迅速引发技术社区的热烈反响。据DeepSeek官方账号发布的帖子，DeepGEMM在NVIDIA Hopper GPU上可实现高达1350+ TFLOPS的FP8计算性能。其核心逻辑仅约300行代码，却能在大多数矩阵尺寸上超越专家调优的内核，展现了极高的效率和简洁性。该库无需复杂依赖，采用即时编
["Nvidia 计划推出功耗高达 1000W 的 B100AI 加速器，比之前的产品多出 42% 的功耗","Dell 高管表示，GPU 的功耗将持续增加，但直接液冷可能不再是必需的解决方案","Nvidia 的新一代 GPU 可能包括 B200Superchip，结合 Grace CPU，功耗或将达到 1300 瓦左右"]
Alibaba
$54
输入tokens/百万
$163
输出tokens/百万
1k
上下文长度
Deepseek
$4
$12
128
$16
32
$2
$8
-
8
$1
nvidia
NVIDIA DeepSeek R1 FP4 v2是基于DeepSeek AI的DeepSeek R1模型进行FP4量化的文本生成模型，采用优化的Transformer架构，可用于商业和非商业用途。该模型通过TensorRT Model Optimizer进行量化，相比FP8版本显著减少了磁盘大小和GPU内存需求。
NVIDIA DeepSeek-R1-0528-FP4 v2是DeepSeek R1 0528模型的量化版本，采用优化的Transformer架构，是一个自回归语言模型。通过FP4量化优化，减少了磁盘大小和GPU内存需求，同时保持较高推理效率。
NVIDIA DeepSeek-R1-0528-FP4 是 DeepSeek R1 0528 模型的量化版本，采用优化的 Transformer 架构，权重和激活值量化为 FP4 数据类型，显著减少磁盘大小和 GPU 内存需求，支持 TensorRT-LLM 推理引擎实现高效推理。
NVIDIA DeepSeek R1 FP4 模型是 DeepSeek AI 的 DeepSeek R1 模型的量化版本，使用优化 Transformer 架构的自回归语言模型。该模型通过 FP4 量化技术将参数位数从 8 位减少到 4 位，使磁盘大小和 GPU 内存需求减少约 1.6 倍，同时保持较高的精度性能。
%20--%3e%3cdefs%3e%3cstyle%3e%20.st0%20{%20fill:%20%23061b40;%20}%20.st1%20{%20fill:%20%23306af1;%20}%20.st2%20{%20fill:%20%235ce5cf;%20}%20%3c/style%3e%3c/defs%3e%3cg%3e%3cpath%20class='st0'%20d='M55,10.5h9v3h-9v9h12V7.5h-12v3ZM64,19.5h-6v-3h6v3Z'/%3e%3cpolygon%20class='st0'%20points='69%2016.5%2078%2016.5%2078%2019.5%2069%2019.5%2069%2022.5%2081%2022.5%2081%2013.5%2072%2013.5%2072%2010.5%2081%2010.5%2081%207.5%2069%207.5%2069%2016.5'/%3e%3cpolygon%20class='st0'%20points='95%2010.5%2095%207.5%2083%207.5%2083%2022.5%2095%2022.5%2095%2019.5%2086%2019.5%2086%2016.5%2095%2016.5%2095%2013.5%2086%2013.5%2086%2010.5%2095%2010.5'/%3e%3cpath%20class='st0'%20d='M40,1.5v21h11.6l1.4-1.4v-7.6h0c0,0-1.4-1.5-1.4-1.5l1.4-1.4V2.9l-1.4-1.4h-11.6ZM50,19.5h-7v-6h7v6ZM50,10.5h-7v-6h7v6Z'/%3e%3c/g%3e%3cpath%20class='st1'%20d='M23.1,24L14.7,4.8l-4.9,11.2h3.8l-1.8,4H3.3L12.1,0H2C.9,0,0,.9,0,2v20c0,1.1.9,2,2,2h21.1Z'/%3e%3cpath%20class='st2'%20d='M34,0h-16.8l10.6,24h6.2c1.1,0,2-.9,2-2V2C36,.9,35.1,0,34,0ZM32.5,20h-4V4h4v16Z'/%3e%3c/svg%3e)
