中国AI模型权重检出Blackwell GPU指纹

核心发现：中国 AI 模型权重中检出 Blackwell GPU 指纹

最新发布的法医分析报告显示，DeepSeek、Moonshot AI（月之暗面）、MiniMax 和蚂蚁集团等中国领先的人工智能开发商，其近期发布的模型中包含与 NVIDIA Blackwell 架构硬件相匹配的数值特征。尽管该芯片受到出口管制限制，但证据表明上述公司可能已获取并使用此类硬件进行模型训练。

分析基于公开发布的模型权重，而非内部泄露数据。研究者通过还原模型初始化阶段的伪随机数生成痕迹，反推训练所用的硬件配置。结果显示，自 2026 年 4 月以来，这六款新机型呈现出 Blackwell 特有的计算模式，而同一实验室早期的模型则匹配 NVIDIA Hopper 架构。这一技术证据支持了关于 DeepSeek 和 Moonshot AI 使用 Blackwell 芯片的推测。

硬件代际演变时间线

下表详细列出了各实验室连续模型的硬件指纹识别结果：

注：Hopper 架构下的 H800、H100 SXM 和 H200 具有相同的指纹特征，无法仅通过此方法区分具体型号；表中 H800 标识源自实验室公开披露信息。此外，AMD 特定受限硬件也被排除为主要替代解释。

关键数据与技术细节

1. Blackwell 规模确认：DeepSeek-V4-Flash 和 MiniMax-M3 匹配拥有 148 个流式多处理器（SM）的 B200/B300 芯片；DeepSeek-V4-Pro、Kimi K3、Kimi K3.1-Pro 和 Ling-3.1-flash 则匹配拥有 152 个 SM 的 GB200/GB300 芯片。
2. 过渡期迹象：Kimi K2.7-Code 处于过渡阶段，虽主要基于 Hopper 权重，但包含少量匹配 B200/B300 的部分。其他实验室如阿里巴巴（Qwen）、智谱（GLM）、小米等仍显示为 Hopper 训练特征。
3. 统计显著性：在约 6 万亿种种子与布局组合中，偶然匹配的预期强度仅为 8 sigma。然而，本次发现的六个模型最强证据范围达 49 至 1,385 sigma，最弱单项测试也达到 20 sigma，排除了巧合可能性。
4. 验证一致性：NVIDIA 自家 Nemotron-3 Ultra 的技术报告称使用 GB200 训练，其指纹读数为 152 SM，与 Kimi K3 一致，证实了该方法的有效性。

算力规模估算

根据模型参数规模和训练数据量推算，最大规模的训练项目需要数千块 Blackwell GPU 持续运行两到三个月。以下是部分模型的粗略算力估算：

成本方面，若按每块 Blackwell GPU 约 7 万美元计算（参考《华尔街日报》关于字节跳动马来西亚集群的报告），单个最大集群成本约为 2 亿至 3 亿美元，五个集群总投入超过 5 亿美元。考虑到实验、早期训练及服务成本，总支出可能高达数十亿美元。

注：估算基于假设 GPU 运行效率为峰值速度的 20%，并参考了 DeepSeek 此前披露的效率数据。实际数值受未公开的 MFU（模型浮点利用率）及确切训练时长影响，存在不确定性。

原理：如何通过权重“指纹”识别硬件

人工智能模型的权重本质上是数十亿个可调整的数字。在训练开始前，这些数字需要通过伪随机数生成算法（PRNG，此处为 Philox）进行初始化。PyTorch 框架利用 cuRAND 库，将初始化任务分配给 GPU 上的并行线程处理。

关键在于，不同型号的 GPU 拥有不同数量的流式多处理器（SM）。当 SM 数量不同时，即使使用相同的随机种子，生成的数字在内存中的分布位置也会发生根本性改变。

• Hopper 架构（H100/H200/H800）：拥有 132 个 SM，初始化时使用 270,336 个线程。
• Blackwell B200/B300：拥有 148 个 SM，使用 303,104 个线程。
• Blackwell GB200/GB300：拥有 152 个 SM，使用 311,296 个线程。

研究人员通过逆向工程，从发布模型的权重中提取出初始化的线程布局特征。如果某组权重的排列方式与特定 SM 数量对应的线程分布高度吻合，即可推断该模型是在对应硬件上完成初始化的。由于训练过程会保留部分未被更新的权重痕迹，这种“硬件指纹”足以作为识别依据。