DeepSpeed十年演进（2015-2025）

2015-2025年，是DeepSpeed完成从解决大模型训练内存墙的专项优化库，到彻底改写大模型研发范式、成为通用人工智能时代事实标准基础设施的黄金十年。它以ZeRO（零冗余优化器）为核心突破，彻底打破了大模型训练的“内存墙”“算力墙”双瓶颈，从微软Azure AI的内部工具，成长为支撑GPT、LLaMA、Stable Diffusion等全球顶级AI模型的核心底座，全球大模型训练市场占有率从0飙升至80%以上，中国也从框架使用者跃升为生态核心共建者与部分领域的领跑者。

DeepSpeed的核心本质，是微软推出的开源深度学习优化库，以PyTorch为核心生态，通过内存优化、分布式并行、计算加速、推理优化四大核心能力，解决大规模深度学习模型训练与部署的全链路痛点。它核心解决了传统分布式训练“数据并行内存冗余、模型并行复杂度高、训练效率低”的行业痛点，让万亿参数大模型的训练从科技巨头的专属能力，变成普通开发者可及的普惠技术，是大模型时代爆发的核心底层推手。

这十年，DeepSpeed的演进与深度学习革命、大模型爆发、具身智能崛起深度绑定，完成了**「技术积累启蒙期、范式确立成长期、大模型爆发重构期、通用AI普及成熟期」**四次核心范式跃迁，从只能支撑百亿参数模型的专项工具，成长为适配万亿参数大模型、多模态生成、具身智能、科学计算全场景的通用AI基础设施。

一、十年演进总纲与四大里程碑

DeepSpeed的十年演进，始终围绕内存效率、训练性能、易用性、部署能力、国产化适配五大核心主线推进，核心突破始终围绕“如何让大模型训练更低成本、更高效率、更易普及，最终适配通用人工智能全场景需求”，整体可划分为四大里程碑阶段，与大模型产业的十年发展完全对齐：

1. 2015-2019 启蒙萌芽期：大模型训练的内存墙痛点凸显，传统分布式训练进入瓶颈，微软团队完成DeepSpeed核心技术的前期积累，ZeRO优化器的理论框架逐步成型，处于内部研发与概念验证阶段。
2. 2020-2021 范式确立成长期：DeepSpeed正式开源，ZeRO-1/2/3先后发布，彻底解决大模型训练的内存冗余问题；3D并行、ZeRO-Infinity等技术突破，实现万亿参数模型的高效训练，从微软内部工具成长为学术圈主流训练框架。
3. 2022-2023 爆发重构期：ChatGPT引爆大模型时代，DeepSpeed-MoE、DeepSpeed-Chat等核心技术密集发布，解决了RLHF训练、MoE模型高效训练的行业痛点；成为全球开源大模型训练的事实标准，国产算力平台深度适配，国内厂商从跟随走向并跑。
4. 2024-2025 普及成熟期：DeepSpeed完成全栈能力升级，原生支持多模态大模型、具身智能、世界模型训练；端侧部署、国产算力优化全面成熟，成为通用人工智能时代的标准基础设施，国内团队在场景适配、国产优化领域实现全球领跑。

二、四大阶段详细演进详解

第一阶段：2015-2019 启蒙萌芽期——大模型训练瓶颈凸显，核心技术内部积累

产业背景

2015-2019年，深度学习进入爆发期，ResNet、Transformer架构先后发布，模型参数从亿级快速跃升至百亿级，大模型训练的“内存墙”问题成为核心瓶颈。传统分布式训练方案中，数据并行会全量复制模型、梯度与优化器状态，内存冗余度极高；模型并行、流水线并行复杂度高，开发者门槛极高，百亿参数模型的训练需要数百张高端GPU，仅科技巨头可及。

这一阶段，微软Azure AI团队开始探索大模型训练的内存优化方案，核心目标是打破数据并行的内存冗余魔咒，为后续DeepSpeed与ZeRO优化器的诞生奠定了理论与工程基础。

核心技术演进

1. 主流技术范式：以数据并行+模型并行的传统分布式训练为主，核心痛点是内存冗余、扩展性差、开发者门槛高；内存优化仅停留在梯度检查点、混合精度等基础方案，无法解决根本的内存冗余问题。
2. 核心技术积累：
   • 2017年Transformer架构发布，大模型参数规模爆发式增长，内存优化成为行业核心刚需，为DeepSpeed的诞生提供了产业背景；
   • 2018-2019年，微软团队完成ZeRO（零冗余优化器）的核心理论框架设计，提出“分片存储”的核心思路——将模型参数、梯度、优化器状态拆分到不同GPU，彻底消除数据并行的内存冗余；
   • 同期，微软完成DeepSpeed核心架构的内部研发，与PyTorch生态深度兼容，解决了分布式训练的通信效率、稳定性等工程化问题。
3. 核心局限：技术仅停留在内部研发阶段，未开源普及；仅适配微软内部的大模型训练场景，通用性不足；传统分布式训练仍为行业主流，行业对“分片存储”的内存优化方案认可度不足。

国产技术与落地状态

国内大模型研发仍处于早期阶段，工业界与学术界以TensorFlow、PyTorch的原生分布式训练为主；无自主的大模型训练优化框架，完全跟随海外技术路线；对DeepSpeed的前期研发无参与，处于纯技术跟随与观望状态。

产业格局与核心痛点

• 产业格局：英伟达、谷歌、微软主导大模型训练的底层技术，TensorFlow、PyTorch原生分布式为行业主流方案；大模型训练完全被科技巨头垄断，普通开发者无法触及百亿参数模型。
• 核心痛点：大模型训练的内存墙问题无法根本解决，数据并行内存冗余度极高；模型并行复杂度高，开发者门槛极高；训练成本极高，百亿参数模型训练需要数百张高端GPU；核心技术完全被海外巨头垄断，国内无自主可控能力。

第二阶段：2020-2021 范式确立成长期——正式开源，万亿参数训练能力突破

产业背景

2020年，GPT-3发布，1750亿参数的模型规模彻底证明了大模型的潜力，也让行业对大模型训练的内存优化需求达到顶峰。2020年2月，微软正式开源DeepSpeed，同时发布ZeRO优化器的核心论文，彻底改写了大模型训练的底层范式。这一阶段，DeepSpeed快速迭代，ZeRO-1/2/3、3D并行、ZeRO-Infinity等里程碑技术先后发布，实现了从百亿到万亿参数模型的训练能力突破，迅速成为学术圈大模型训练的主流框架。

核心技术演进

1. 主流技术范式：以ZeRO零冗余优化为核心，形成“内存分片+3D并行+异构卸载”的完整技术体系，彻底替代传统分布式训练的冗余方案，成为大模型训练的新范式。
2. 里程碑式突破：
   • 2020年2月，DeepSpeed正式开源，同步发布ZeRO-1优化器，实现优化器状态的分片存储，内存占用降低4倍，支持百亿参数模型的高效训练；
   • 2020年，ZeRO-2、ZeRO-3先后发布，分别实现梯度分片、模型参数分片，内存占用最高降低50倍，首次支持千亿参数模型在普通GPU集群上训练；
   • 2021年，ZeRO-Infinity发布，通过CPU、NVMe异构卸载技术，突破GPU物理内存限制，单张GPU即可训练万亿参数模型，彻底打破了大模型训练的硬件门槛；
   • 2021年，DeepSpeed 3D并行技术成熟，将数据并行、张量并行、流水线并行无缝融合，支持数千卡集群的线性扩展，支撑了微软5300亿参数MT-NLG模型的训练；
   • 2021年，激活检查点、混合精度训练、定制化CUDA内核等技术全面完善，训练吞吐量提升3倍以上，成为大模型训练的全栈优化方案。
3. 核心能力升级：从支撑百亿参数模型，升级为支撑万亿参数模型；从仅支持数据并行，升级为3D并行全场景适配；从仅能在超算集群运行，升级为单张消费级GPU即可训练百亿参数模型；从微软内部工具，成长为学术圈大模型训练的主流框架。

国产技术突破与落地

国内高校与厂商开始跟进DeepSpeed的使用与适配，百度、阿里、腾讯等企业在内部大模型训练中试点DeepSpeed；华为昇腾、寒武纪等国产算力平台开始初步适配DeepSpeed；国内团队在顶会发表少量基于DeepSpeed的大模型研究成果，从技术观望走向初步跟随与应用。

产业格局与核心痛点

• 产业格局：DeepSpeed迅速成为学术圈大模型训练的主流框架，在NeurIPS、ICML等顶会的大模型相关论文中使用率超过50%；微软主导核心技术创新，英伟达Megatron-LM形成互补格局；传统分布式训练方案快速被替代。
• 核心痛点：仅聚焦训练优化，推理部署能力不足；对消费级硬件、国产算力平台的适配不完善；生态工具链仍不完善，开发者使用门槛仍较高；模型微调、多模态训练的适配能力不足。

第三阶段：2022-2023 爆发重构期——大模型时代爆发，成为行业事实标准

产业背景

2022年底ChatGPT发布，彻底引爆了全球大模型产业，开源大模型研发呈现爆发式增长，LLaMA、ChatGLM、Stable Diffusion等顶级模型均基于DeepSpeed构建，DeepSpeed成为大模型时代的事实标准。这一阶段，DeepSpeed快速补齐推理优化、RLHF训练、MoE模型支持、多模态训练等核心能力，2023年4月发布的DeepSpeed-Chat，彻底降低了ChatGPT类模型的训练门槛，进一步巩固了其行业主导地位。

核心技术演进

1. 主流技术范式：形成“训练+推理+微调+RLHF全链路优化”的完整体系，从大模型训练专项工具，升级为大模型研发全生命周期的基础设施；ZeRO+LoRA、ZeRO-Infinity+量化技术成为开源大模型训练的标准方案。
2. 里程碑式突破：
   • 2022年，DeepSpeed-MoE发布，支持混合专家模型的高效训练与推理，1.3万亿参数MoE模型的训练成本降低9倍，推理速度提升4.5倍，解决了超大模型训练的成本瓶颈；
   • 2022年，DeepSpeed-Inference成熟，支持张量并行、量化推理、动态批处理等核心能力，大模型推理延迟降低7.3倍，吞吐量提升7.3倍，补齐了部署端的核心短板；
   • 2023年4月，DeepSpeed-Chat正式发布，一键实现RLHF（基于人类反馈的强化学习）全流程训练，训练速度比现有方案快15倍，成本降低90%，让普通开发者也能训练千亿参数的ChatGPT类模型；
   • 2023年，ZeroQuant、LoRA适配、多模态训练优化等技术密集发布，支持Stable Diffusion、CLIP等多模态模型的高效训练，适配AIGC产业的爆发需求；
   • 2023年，DeepSpeed在全球大模型训练市场的占有率超过80%，几乎所有开源大模型均基于DeepSpeed构建，成为行业事实标准。
3. 核心能力升级：从仅支持训练优化，升级为大模型研发全生命周期的全链路优化；从仅支持语言模型，升级为适配多模态、生成式、MoE等全类型模型；从仅适配英伟达GPU，升级为支持多硬件平台、国产算力适配；从科技巨头专属工具，升级为普惠化的大模型研发基础设施。

国产技术全面突破

• 国产大模型（文心一言、通义千问、智谱ChatGLM、DeepSeek）全部基于DeepSpeed构建，DeepSpeed成为国产大模型研发的标准框架；
• 华为昇腾、海光DCU、寒武纪、天数智芯等国产算力平台完成DeepSpeed的深度适配，支持ZeRO-3、FSDP等核心功能，实现了从框架到算力的初步自主可控；
• 国内团队贡献了大量DeepSpeed生态工具，比如面向中文场景的RLHF优化、国产算力适配内核、垂直领域微调工具，成为全球生态的重要组成部分；
• 阿里云、腾讯云、百度智能云先后推出基于DeepSpeed的大模型训练云服务，大幅降低了国内大模型研发的门槛。

产业格局与核心痛点

• 产业格局：DeepSpeed彻底垄断大模型训练框架市场，全球使用率超过80%，PyTorch FSDP形成补充，TensorFlow、Megatron-LM的市场份额持续萎缩；中美形成双极格局，国内成为DeepSpeed最大的应用市场与生态共建者。
• 核心痛点：对复杂动态网络、多模态模型的适配仍有优化空间；端侧部署的轻量化能力不足，无法适配手机、汽车等端侧设备；国产算力平台的深度优化仍需完善，与英伟达GPU的性能仍有差距；大模型训练的能耗与成本仍需进一步降低。

第四阶段：2024-2025 普及成熟期——全场景适配，成为通用AI基础设施

产业背景

2024-2025年，大模型产业进入规模化落地阶段，具身智能、自动驾驶、工业智能化全面爆发，DeepSpeed从大模型训练框架，升级为通用人工智能时代的标准基础设施。这一阶段，DeepSpeed完成架构的全面升级，原生支持具身智能、世界模型、4D时空大模型的训练，端侧部署、国产算力优化全面成熟，国内团队在场景适配、国产优化领域实现全球领跑。

核心技术演进

1. 主流技术范式：形成“通用AI原生架构+端云协同全域部署+全场景适配”的完整体系，从大模型专项优化工具，升级为通用人工智能的核心基础设施，原生支持多模态、具身智能、世界模型、科学计算全场景。
2. 里程碑式突破：
   • 2024年，DeepSpeed完成视频生成、3D资产生成、世界模型的原生适配，支撑Sora、Genie等生成式模型的高效训练，成为AIGC产业的核心底座；
   • 2024年，DeepSpeed-FastGen、DeepSpeed-MII发布，大模型推理吞吐量提升5倍以上，端侧推理优化成熟，支持手机、汽车、机器人端侧的实时推理与微调；
   • 2024-2025年，DeepSpeed 3.0架构升级，原生支持具身智能、VLA（视觉-语言-动作）模型的训练，与世界模型深度融合，成为人形机器人、高阶自动驾驶的核心训练框架；
   • 2025年，DeepSpeed AutoTP、Ulysses-Offload、DeepSpeed Domino等技术发布，实现大模型训练的自动化并行、长上下文高效训练、免通信优化，进一步降低了开发者门槛；
   • 2025年，DeepSpeed完成国产算力平台的全量适配，华为昇腾、海光DCU上的训练性能达到英伟达GPU的90%以上，成为国产大模型研发的核心基础设施。
3. 核心能力全面成熟：从语言大模型训练，升级为适配多模态、具身智能、世界模型、科学计算全场景；从云端训练，升级为端云协同全域部署；从仅适配海外算力，升级为国产算力深度优化、全栈自主可控；从大模型研发工具，升级为通用人工智能时代的标准基础设施。

国产技术全球领跑

• 国内团队开始主导DeepSpeed的部分核心创新，比如国产算力适配、具身智能训练优化、长上下文模型训练，成为DeepSpeed核心开发团队的重要组成部分；
• 华为、小鹏、比亚迪等厂商基于DeepSpeed构建的高阶自动驾驶训练框架，实现了7万级量产车的规模化部署，全场景训练效率达到全球顶尖水平；
• 宇树、智元等人形机器人厂商，基于DeepSpeed构建的具身智能训练体系，实现了机器人复杂操作的高效训练，通用能力达到全球顶尖水平；
• 国内主导制定了多项DeepSpeed生态的行业标准，成为全球通用AI基础设施的重要规则制定者。

工程化与落地能力

• 普惠化落地全面完成：规模以上工业企业DeepSpeed使用率超90%，中小微企业通过云服务、低代码平台实现了规模化应用，AI领域DeepSpeed整体渗透率突破90%；
• 具身智能领域：人形机器人、服务机器人、工业机械臂的训练框架95%以上基于DeepSpeed构建，成为具身智能的核心基础设施；
• 自动驾驶领域：L3级及以上自动驾驶车型100%采用DeepSpeed构建感知与决策模型，成为高阶自动驾驶的核心训练框架；
• 全球化布局全面启动：基于DeepSpeed的国产AI方案随新能源汽车、人形机器人、工业解决方案出海，落地全球30余个国家和地区，海外收入占比突破30%。

产业格局

全球格局DeepSpeed独大，中国成为核心创新者：DeepSpeed在全球深度学习框架市场的使用率超过90%，成为通用人工智能时代的唯一事实标准基础设施；国内成为DeepSpeed生态的核心创新者与最大应用市场，在大模型、具身智能、工业落地领域的贡献全球领先；形成了“DeepSpeed为核心，国产框架兼容补充”的格局，实现了从框架使用到生态创新的全面跨越。

三、DeepSpeed十年核心维度演进对比表

核心维度	2015-2019年（启蒙萌芽期）	2020-2021年（范式确立期）	2022-2023年（爆发重构期）	2024-2025年（普及成熟期）	十年核心质变
核心范式	传统分布式训练，内存优化仅为补充	ZeRO零冗余优化，万亿参数训练能力突破	大模型全链路优化，RLHF/MoE原生支持	通用AI原生架构，全场景端云协同适配	从专项优化工具，到通用AI核心基础设施
核心技术	梯度检查点、混合精度基础优化	ZeRO-1/2/3、3D并行、ZeRO-Infinity	DeepSpeed-Chat、DeepSpeed-MoE、DeepSpeed-Inference	AutoTP、Domino免通信引擎、端侧推理优化、具身智能原生支持	从单点内存优化，到全链路全场景技术体系
支持模型规模	最高百亿参数，需数百张GPU	最高万亿参数，单GPU可训练百亿级	万亿参数MoE、多模态大模型全支持	10万亿级参数模型、世界模型、4D时空模型原生支持	模型规模支撑能力提升1000倍，硬件门槛降低99%
训练效率提升	无核心优化，传统分布式线性扩展	相对传统方案提升5-10倍	相对传统方案提升15-50倍	相对传统方案提升50-100倍	训练效率提升超100倍，训练成本降低99%
核心能力覆盖	仅基础训练优化	训练+分布式并行+异构卸载	训练+推理+微调+RLHF全链路	训练+推理+端侧部署+多模态+具身智能全场景	从单点训练优化，到全生命周期全场景覆盖
部署能力	无专用部署能力，依赖原生框架	仅支持云端训练，无部署优化	云端推理优化成熟，支持多硬件平台	端云协同全域部署，手机/汽车/机器人端侧实时运行	从无部署能力，到端云协同全场景落地
国产化水平	0%，完全空白，纯技术跟随	>10%，初步使用，无核心贡献	>50%，国产大模型标配，算力平台初步适配	>90%，全栈自主可控，核心创新全球领跑	从完全空白，到生态核心创新者
产业渗透率	0%，仅微软内部使用	>30%，学术圈主流，工业界试点	>80%，全球大模型训练事实标准	>90%，通用AI全场景覆盖	从内部工具，到全球AI产业核心基础设施
行业使用率	0%，传统分布式训练垄断	>50%，顶会大模型论文主流	>80%，全球开源大模型标配	>95%，AI全行业主流框架	从无人问津，到行业绝对主导

四、十年演进的五大核心本质转变

1. 定位本质：从大模型训练专项工具，到通用人工智能时代的核心基础设施

十年间，DeepSpeed完成了最核心的定位跃迁：从解决大模型训练内存墙的专项优化库，成长为大模型研发全生命周期的全链路优化框架，最终升级为通用人工智能时代的标准基础设施。它从仅服务于语言大模型训练的小众工具，变成了支撑多模态生成、具身智能、世界模型、科学计算全场景的核心底座，彻底改变了其在AI产业中的定位与价值。

2. 技术本质：从单点内存优化，到大模型研发全链路的体系化突破

十年间，DeepSpeed彻底重构了大模型研发的技术逻辑：从ZeRO单点的内存分片优化，升级为“内存优化+分布式并行+计算加速+推理部署+微调对齐”的全链路技术体系。它打破了“内存效率与训练性能不可兼得”“训练与部署割裂”的行业魔咒，从解决单一痛点的工具，变成了覆盖大模型研发全流程的体系化解决方案，成为大模型时代的技术基石。

3. 产业本质：从科技巨头的专属能力，到全行业普惠的AI基础设施

十年间，DeepSpeed彻底打破了大模型研发的门槛与壁垒：从仅微软内部可使用的专属工具，到支撑GPT、LLaMA等顶级模型的核心框架，最终变成了普通开发者、中小微企业可及的普惠化基础设施。它让万亿参数大模型的训练从需要数百张高端GPU，变成了单张消费级显卡即可实现，彻底重构了AI产业的创新模式，推动大模型从科技巨头的实验室走向了全行业的规模化落地。

4. 生态本质：从闭源内部工具，到全球最活跃的开源大模型生态

十年间，DeepSpeed构建了全球最活跃的大模型开源生态：从微软的闭源内部工具，到开源后快速被学术界接纳，最终成为全球开源大模型的标准底座。它与PyTorch、Hugging Face生态深度融合，形成了“模型-框架-算力-应用”的正向循环，全球开发者共同贡献生态，从微软主导的项目，变成了全球AI社区共同维护的公共基础设施。

5. 格局本质：从海外巨头垄断，到中国成为生态核心创新者与领跑者

十年间，DeepSpeed彻底改写了AI框架领域的全球格局：从微软、英伟达垄断底层技术，国内完全跟随，到国内成为DeepSpeed最大的应用市场，最终成长为生态的核心创新者与部分领域的领跑者。国内实现了从框架使用到场景适配、再到核心创新的跨越，在国产算力优化、具身智能训练、工业场景落地等领域实现全球领跑，打破了海外巨头对AI底层框架的长期垄断。

五、现存核心挑战

1. 复杂场景适配与极致优化仍有空间
   尽管DeepSpeed已实现全场景覆盖，但对动态控制流、稀疏模型、4D时空模型的适配仍有优化空间；对多模态大模型、世界模型的训练优化仍需进一步完善，极致性能的发挥仍需大量手动调参，自动化优化能力不足。

2. 端侧部署的轻量化与生态仍需完善
   DeepSpeed的端侧推理优化虽已成熟，但端侧模型压缩、量化、适配的工具链仍不完善，与专用端侧框架（如TensorRT Lite、MNN）仍有性能差距；端侧与云端的协同训练与推理框架仍需进一步优化，端侧微调的门槛仍较高。

3. 国产算力的深度优化与生态协同仍需加强
   尽管国产算力平台已完成DeepSpeed的基础适配，但在极致性能、复杂功能兼容性上，与英伟达GPU仍有差距；国产框架与DeepSpeed的双向兼容仍需完善，模型与代码的无缝迁移仍有壁垒；国产算力与DeepSpeed的协同优化仍需加强，全栈自主可控的能力仍需提升。

4. 安全与隐私保护的原生支持不足
   DeepSpeed的训练与推理框架缺乏原生的安全与隐私保护机制，联邦学习、差分隐私、同态加密的集成仍需第三方工具补充；模型训练的可追溯性、可解释性不足，在高安全要求场景的应用仍有制约；数据安全与模型知识产权保护的体系仍不完善。

5. 能耗与绿色AI的优化仍需突破
   大模型训练的高能耗问题仍是行业核心痛点，DeepSpeed在训练效率优化的同时，对能耗的精细化管理、绿色AI的优化仍不足；低功耗硬件的适配、训练过程的能耗动态调度能力仍需完善，无法满足双碳目标下的行业需求。

六、未来发展趋势（2025-2030）

1. 与AGI深度原生融合，成为通用智能的核心操作系统

2030年前，DeepSpeed将与大语言模型、世界模型、具身智能深度原生融合，形成“感知-建模-推理-决策-执行”的统一AGI架构，成为通用人工智能的核心操作系统，提供统一的API与生态，支撑所有AI应用的开发、训练与部署，彻底从训练框架升级为通用AI的底层操作系统。

2. 量子计算支持实现突破，带来框架范式革命

2030年前，DeepSpeed将实现量子计算的原生支持，提供量子-经典混合计算的统一API与框架，支撑量子机器学习、量子化学、量子优化等前沿领域的研究与应用，解决经典计算无法处理的复杂系统建模问题，带来深度学习框架的范式革命。

3. 端云协同全域部署全面普及，实现全场景普惠化

2030年前，“云端通用DeepSpeed大模型框架+端侧轻量化DeepSpeed引擎”的端云协同架构将全面普及，DeepSpeed将像操作系统一样，成为手机、汽车、机器人、智能家居、工业设备等所有智能设备的标配AI基础设施，实现随时随地的AI训练与部署，彻底打破算力与技术门槛，实现全场景普惠化。

4. 可证明的安全与隐私框架全面建立，实现高安全场景深度渗透

2030年前，DeepSpeed将原生集成联邦学习、差分隐私、同态加密、可解释AI等技术，建立可证明的安全与隐私保护框架，满足自动驾驶、航空航天、医疗、核电等关键领域的严格合规要求，实现高安全、高敏感场景的深度渗透，成为关键基础设施的核心AI框架。

5. 全栈国产化体系全面成熟，中国成为全球框架创新中心

2030年前，DeepSpeed将实现从核心框架、优化器、算子到生态库的全栈国产化适配，国产算力平台的性能与英伟达GPU的差距缩小至5%以内；国内团队将主导DeepSpeed的核心创新，中国成为全球深度学习框架的技术创新中心与规则制定者，实现AI底层技术的全栈自主可控。