DeepSeek et Huawei lancent des outils open source pour programmer Ascend 950 et réduire la dépendance à CUDA

DeepSeek a annoncé le 30 septembre 2026 la mise à disposition publique de plusieurs outils de programmation en code ouvert, développés en partenariat avec Huawei, destinés aux accélérateurs Ascend 950. Cette initiative est présentée comme une étape stratégique visant à réduire la friction que rencontrent les développeurs lorsqu’ils sont contraints d’utiliser exclusivement l’écosystème CUDA de Nvidia. En offrant une alternative logicielle, DeepSeek et Huawei cherchent à élargir le panel d’options matérielles disponibles pour la communauté de l’intelligence artificielle, tout en facilitant la transition vers des architectures différentes. L’annonce souligne également l’engagement des deux entreprises à soutenir l’innovation ouverte et à encourager l’adoption de solutions matérielles diversifiées.

Contexte de l’écosystème IA

Depuis plusieurs années, CUDA s’est imposé comme la plateforme de référence pour l’entraînement et l’inférence de modèles à grande échelle, grâce à sa maturité, à la richesse de ses bibliothèques optimisées et à la large disponibilité des GPU Nvidia dans les centres de données. Cette hégémonie a créé une dépendance structurelle qui complique l’adoption d’architectures alternatives, même lorsque ces dernières offrent des avantages en termes de coût ou d’efficacité énergétique. Le poids de CUDA dans les flux de travail courants rend difficile pour les équipes de basculer vers d’autres solutions sans un effort considérable de réécriture et de validation. Par conséquent, la communauté recherche activement des alternatives capables de reproduire les performances tout en offrant plus de flexibilité.

Les nouvelles outils de DeepSeek et Huawei

DeepGEMM‑Ascend constitue la première des bibliothèques publiées. Il s’agit d’une couche de multiplication de matrices qui prend en charge les précisions BF16, FP8 et FP4, tout en conservant des interfaces familières pour les utilisateurs déjà habitués à la version originale de DeepGEMM. L’objectif est de permettre aux développeurs de migrer leur code avec des modifications minimales, en tirant parti de l’architecture des puces Ascend 950 tant pour les charges d’entraînement que pour l’inférence. Cette compatibilité d’interface vise à réduire le temps d’adaptation et à simplifier l’intégration dans les pipelines existants.

• BF16
• FP8
• FP4

DeepEP‑Ascend complète DeepGEMM en prenant en charge la communication entre dispositifs lors de l’entraînement distribué et de l’inférence à grande échelle. La bibliothèque inclut des routines dédiées au routage de modèles mixture‑of‑experts, une technique qui répartit des parties du modèle sur différents puces afin d’améliorer l’efficacité globale. Selon les communiqués des deux sociétés, la solution a été conçue pour s’intégrer aux flux de travail habituels de PyTorch et TensorFlow, offrant ainsi une transition fluide pour les équipes déjà investies dans ces cadres.

TileLang, le langage de programmation de haut niveau de Huawei, a reçu un support natif pour Ascend 950 dans cette publication. Cette extension permet la génération automatique de code, la planification automatique des tâches et la synchronisation des opérations, réduisant ainsi la charge de travail manuelle habituellement requise pour optimiser le code sur du matériel spécifique. Le support multiplateforme de TileLang indique que les utilisateurs peuvent continuer à travailler avec d’autres architectures sans abandonner Nvidia, même si la publication ne prétend pas une équivalence de performance.

Architecture et tests sur un supernœud de 128 puces

Pour valider les performances des nouvelles bibliothèques, DeepSeek et Huawei ont exécuté des tests sur un supernœud composé de 128 puces Ascend 950. Les résultats ont montré des améliorations de l’efficacité de calcul et de la communication lorsque DeepGEMM‑Ascend et DeepEP‑Ascend étaient utilisés conjointement, grâce à l’intégration avec la plateforme CANN de Huawei, qui gère l’allocation des ressources et l’orchestration des tâches au niveau matériel. Ces tests ont permis de démontrer la capacité du système à exploiter pleinement les capacités de parallélisme offertes par le grand nombre de puces.

Malgré ces avancées, les communiqués précisent clairement que la publication ne constitue pas un abandon de Nvidia ni une parité de performance avec CUDA. La maturité de l’écosystème CUDA demeure un avantage concurrentiel, et les benchmarks publiés ne couvrent pas tous les types de charges de travail ni toutes les configurations de réseau. Par conséquent, l’adoption d’Ascend 950 exigera des évaluations spécifiques de la part de chaque organisation afin de déterminer la pertinence de la solution pour leurs besoins particuliers.

Implications pour les développeurs et les centres de données en Amérique latine

Pour les équipes de développement d’IA de la région, la disponibilité de DeepGEMM‑Ascend, DeepEP‑Ascend et du support de TileLang ouvre la possibilité d’expérimenter avec du matériel alternatif sans abandonner leurs flux de travail basés sur PyTorch ou TensorFlow. Les centres de données qui disposent déjà d’une infrastructure Huawei peuvent désormais exploiter une pile logicielle plus complète, ce qui pourrait se traduire par des coûts de licence réduits et une diversification accrue des fournisseurs.

En pratique, les organisations qui décideront d’essayer les accélérateurs Ascend 950 devront examiner leurs pipelines d’entraînement afin d’intégrer les nouvelles bibliothèques, d’adapter leurs scripts de communication distribuée et de valider les performances sur leurs propres jeux de données. L’attente de Huawei quant à une utilisation large de ses systèmes pour l’entraînement en 2027 suggère que le support et la documentation continueront d’évoluer, facilitant ainsi la transition pour ceux qui adopteront la solution dans les années à venir.