衡水新闻网

在数字化浪潮奔涌的当下，云环境已成为技术创新与应用拓展的关键阵地。大型语言模型（LLMs）凭借其强大的语言理解与生成能力，在云环境中得到了越来越广泛的应用，从智能客服的高效交互到内容创作的智能辅助，从智能翻译的精准输出到数据分析的智能洞察，LLMs 正深刻改变着各行各业的运营模式与服务体验。然而，随着 LLMs 应用的深度与广度不断拓展，一系列严峻的安全问题也随之浮出水面，尤其是模型机密性和数据隐私方面的隐患，如同一把高悬的达摩克利斯之剑，给行业的健康发展带来了巨大挑战。

现有基于 CPU 的 TEE 实现，在面对 LLMs 推理和训练时却显得力不从心。LLMs 的推理和训练过程涉及海量数据的处理与复杂运算，对计算资源的需求呈指数级增长。传统基于 CPU 的 TEE，由于其计算能力的局限，难以满足如此高强度的资源需求，在处理速度和效率上无法达到理想状态，这在一定程度上限制了 LLMs 在安全环境下的广泛应用与进一步发展。

面对这一困境，微云全息（NASDAQ: HOLO）凭借其敏锐的技术洞察力与勇于探索的创新精神，开展了一项具有开创性的研究工作。首次在支持 TEE 的机密计算环境中对 DeepSeek 模型进行全面评估，特别引入了 Intel Trust Domain Extensions（TDX）技术，为解决问题开辟了新的路径。

在研究过程中，微云全息对 DeepSeek 模型在纯 CPU、CPU - GPU 混合和基于 TEE 的不同实现方式下的性能，展开了严谨且全面的基准测试。测试结果令人振奋：对于较小的参数集，如 DeepSeek - R1 - 1.5B，基于 TDX 的实现在安全环境中执行计算时，性能表现显著优于传统的 CPU 版本。这一发现意义非凡，它充分证明了即使在资源受限的系统中，借助 TDX 技术，依然能够在保障数据安全与模型机密性的同时，高效地部署 LLM 模型，为那些对安全性要求极高且资源有限的应用场景带来了新的希望。

通过进一步深入分析不同模型大小下的性能数据，微云全息发现 GPU 与 CPU 的整体性能比平均达到 12，并且较小的模型呈现出相对较低的比率。这一精准的数据为优化计算资源的配置提供了关键依据，有助于开发者在实际应用中，根据不同模型的特点，更加科学合理地分配 CPU 和 GPU 资源，从而显著提升计算效率，降低计算成本。

此外，微云全息的研究并不仅限于性能测试，还深入到优化 CPU - GPU 机密计算解决方案的层面，为实现可扩展和安全的 AI 部署提供了宝贵的基础见解和指导。这些见解和指导涵盖了从硬件资源的巧妙搭配，到软件算法的精细优化，再到系统架构的合理设计等多个关键方面，为构建高效、安全且可扩展的 AI 计算环境提供了一套全面且系统的思路。

微云全息（NASDAQ: HOLO）通过在机密计算环境中对 DeepSeek 模型的深入研究与实践，为在同样环境下进行高效和安全的 LLMs 推理奠定了坚实基础。未来，有望在更多领域实现安全与效率并重的 AI 部署，助力各行业在严守数据隐私和模型机密的前提下，充分释放 LLMs 的巨大潜力，推动行业向智能化、安全化的方向加速迈进。