在英特尔哪吒开发套件上部署DeepSeek-R1的实现方式

01本地部署 DeepSeek 的必要性

随着人工智能技术的快速发展，企业对 AI 模型的部署方式有了更多选择。本地部署 DeepSeek-R1 模型具有以下显著优势，使其成为许多企业和开发者的首选：

1. 数据隐私与安全

在本地环境中部署 DeepSeek-R1 模型，可以确保敏感数据完全隔离于外部网络，避免数据泄露的风险。这对于处理涉及商业机密、个人隐私或受监管数据的应用场景至关重要。

2. 定制化能力

本地部署允许企业根据自身业务需求对模型进行微调和优化。例如，通过领域知识微调，DeepSeek-R1 可以更好地适应特定行业的应用场景，从而提升模型的准确性和实用性。

3. 低延迟响应

本地部署减少了对云端服务的依赖，避免了网络传输带来的延迟。DeepSeek-R1 在本地环境中能够实现毫秒级的推理速度，这对于需要实时响应的应用（如智能客服、自动化流程等）尤为重要。

4. 成本可控

与依赖云端 API 调用相比，本地部署可以显著降低长期使用成本。例如，通过优化硬件配置和资源利用，DeepSeek-R1 的部署成本可以大幅降低，同时避免了按调用次数计费的高昂费用。

02在边缘终端部署本地大模型的好处

边缘终端，如树莓派和英特尔哪吒开发套件，通常具有较低的功耗和成本，同时具备一定的计算能力。在这些设备上部署 DeepSeek-R1 大模型，可以带来以下好处：

1. 降低云端依赖
边缘终端的本地化部署减少了对云端服务的依赖，使得设备能够在离线或网络不稳定的情况下独立运行。这对于一些需要在偏远地区或网络受限环境中使用的场景（如智能家居、工业物联网等）非常有价值。

2. 应用场景拓展
在边缘终端部署 DeepSeek-R1 可以推动 AI 技术在更多领域的应用，如教育、开发实验、智能家居等。这不仅降低了 AI 技术的使用门槛，还促进了技术的普及。

3. 隐私保护

由于数据处理完全在本地完成，边缘终端部署可以有效避免敏感信息的外泄，尤其适合对隐私有高要求的场景。

03在树莓派上部署 DeepSeek-R1 的实现方式

目前网上看到的在树莓派上部署大模型的主流实现方式是通过Ollama。

Ollama 是一个轻量级的 AI 模型部署工具，支持在树莓派等低功耗设备上运行 DeepSeek-R1 模型。用户可以通过简单的命令行操作下载并启动模型，例如运行 `ollama run deepseek-r1:1.5b` 来部署 1.5B 版本。它具有部署简单和资源占用低的优势，Ollama 提供了简洁的命令行操作界面，降低了部署的技术门槛。1.5B 版本的 DeepSeek-R1 模型对硬件资源的需求较低，适合树莓派等低配设备。

但也存在一些劣势，比如：

性能限制：树莓派的硬件性能有限，推理速度较慢，可能无法满足实时性要求较高的应用。

内存瓶颈：运行较大模型（如 8B 版本）时，树莓派可能面临内存不足的问题。

功能受限：部分高级功能可能因硬件限制无法充分发挥，例如复杂的多任务处理。

04在英特尔哪吒开发套件上部署 DeepSeek-R1 的实现方式

目前暂未看到有在英特尔哪吒开发套件上部署 DeepSeek-R1 的介绍。为填补这一空白，本文介绍如何采用 WasmEdge 本地部署 DeepSeek-R1 的方式。

英特尔哪吒开发套件搭载了英特尔N97处理器（3.6GHz），配备64GB eMMC存储和8GB LPDDR5内存。英特尔N97处理器属于 Intel Alder Lake-N 系列，采用仅 E-Core 的设计，专为轻量级办公、教育设备和超低功耗笔记本电脑设计，成本和功耗更低，更适合嵌入式设备。

更关键的是！英特尔哪吒最大的优势就是自带集成显卡，Intel UHD Graphics，我们可以在iGPU上运行大模型。

WasmEdge 是一种高性能的 WebAssembly 运行时，适用于在边缘设备上部署轻量级应用。WasmEdge 提供了良好的跨平台支持，能够在多种硬件平台上运行，包括树莓派和 Intel 哪吒开发套件。这使得开发者可以使用同一套部署方案适配不同的硬件环境，降低了开发成本。

WasmEdge 本身轻量级，启动速度快，适合资源受限的边缘设备。通过 WebAssembly 的高效执行机制，可以显著提升模型的推理速度，优化资源利用率。

WebAssembly 的设计使得模型能够在边缘设备上以接近原生的速度运行。此外，WasmEdge 还支持多线程和并行计算，进一步提升了推理效率。

05具体部署方案

1、下载依赖

apt update && apt install -y libopenblas-dev

2、克隆 WasmEdge 仓库

git clone https://github.com/WasmEdge/WasmEdge.git

3、源码编译

cmake -GNinja -Bbuild -DCMAKE_BUILD_TYPE=Release 
 -DWASMEDGE_PLUGIN_WASI_NN_BACKEND="GGML" 
 -DWASMEDGE_PLUGIN_WASI_NN_GGML_LLAMA_BLAS=OFF 
 -DCMAKE_LIBRARY_PATH=/usr/lib/x86_64-linux-gnu 

4、执行编译后的文件

cmake --build build

5、安装

cd build
sudo cmake --install . --prefix /home/hans/WasmEdge

6、运行模型

选用的是8B的DeepSeek- R1蒸馏模型（量化后3G大小），一般看到树莓派上只能跑1.5B的DS蒸馏模型。

运行命令

wasmedge --dir .:. --nn-preload defaultAUTO:/home/DeepSeek-R1-Distill-Llama-8B.gguf llama-chat.wasm -p llama-3-chat

7、运行效果

总结

在探索了 DeepSeek-R1 的本地部署之旅后，我们不禁感叹：AI 的世界正变得越来越触手可及！从企业对数据隐私的严守，到边缘设备上的高效推理，再到英特尔哪吒开发套件上的灵活部署，DeepSeek-R1 正在以一种前所未有的方式，将智能的力量带到每一个角落。

而当我们站在技术的十字路口，回望这一路的探索，或许会发现，真正的魔法并非来自模型本身，而是我们对技术的掌控和创新。

最后，让我们以 DeepSeek-R1 的智慧之光，照亮未来的每一步。正如那句诗所言：“智能入世万象新，笑与人间共潮生。”在这个充满无限可能的时代，Intel 哪吒开发套件不仅仅是一个开发板，它是我们通往智能未来的钥匙。