DeepSeek und Huawei veröffentlichen Open‑Source‑Werkzeuge für Ascend 950 und verringern die CUDA‑Abhängigkeit

DeepSeek hat am 30. September 2026 öffentlich bekannt gegeben, dass in Zusammenarbeit mit Huawei mehrere Open‑Source‑Programmierwerkzeuge für die Ascend 950‑Beschleuniger zur Verfügung gestellt werden. Diese Ankündigung wird als strategischer Schritt präsentiert, um die Reibung zu verringern, die Entwickler erfahren, wenn sie ausschließlich vom Nvidia‑CUDA‑Ökosystem abhängig sind, und um das Spektrum an Hardware‑Optionen in der KI‑Gemeinschaft zu erweitern. Gleichzeitig betont das Unternehmen, dass die Bereitstellung dieser Werkzeuge die Flexibilität bei der Modell‑Entwicklung erhöhen und langfristig zu einer diversifizierteren Technologie‑Landschaft beitragen soll. Die Veröffentlichung ist Teil einer breiteren Initiative, die darauf abzielt, die Abhängigkeit von einer einzigen proprietären Plattform zu reduzieren und gleichzeitig die Interoperabilität mit bestehenden Frameworks zu erhalten.

Hintergrund des KI‑Ökosystems

Seit mehreren Jahren hat sich CUDA als Referenzplattform für das Training und die Inferenz von großskaligen Modellen etabliert. Diese Dominanz beruht auf der ausgereiften Infrastruktur, der Fülle an optimierten Bibliotheken und der breiten Verfügbarkeit von Nvidia‑GPUs in Rechenzentren weltweit. Durch diese Vorherrschaft ist eine strukturelle Abhängigkeit entstanden, die die Einführung alternativer Architekturen erschwert, selbst wenn diese potenzielle Vorteile in Bezug auf Kosten oder Energieeffizienz bieten. Die Unternehmen sehen in dieser Situation ein Hindernis für die technologische Vielfalt und streben daher nach Lösungen, die die Marktkonzentration lockern.

Neue Werkzeuge von DeepSeek und Huawei

DeepGEMM‑Ascend ist die erste der veröffentlichten Bibliotheken. Es handelt sich um eine Matrix‑Multiplikations‑Schicht, die Operationen in den Präzisionsformaten BF16, FP8 und FP4 unterstützt und gleichzeitig vertraute Schnittstellen für Nutzer bereitstellt, die bereits mit der ursprünglichen Version von DeepGEMM arbeiten. Ziel ist es, Entwicklern zu ermöglichen, ihren Code mit minimalen Änderungen zu migrieren und dabei die Architektur der Ascend 950‑Chips für sowohl Trainings‑ als auch Inferenz‑Workloads zu nutzen. Die Bibliothek wurde so konzipiert, dass sie nahtlos in bestehende Pipelines integriert werden kann, ohne dass umfangreiche Refactoring‑Arbeiten erforderlich sind.

• BF16
• FP8
• FP4

DeepEP‑Ascend ergänzt DeepGEMM, indem es die Kommunikation zwischen Geräten während des verteilten Trainings und der großskaligen Inferenz übernimmt. Die Bibliothek enthält Routinen für das Routing von Mixture‑of‑Experts‑Modellen, einer Technik, die Teile des Modells auf verschiedene Chips verteilt, um die Effizienz zu steigern. Laut den offiziellen Mitteilungen beider Unternehmen ist die Lösung darauf ausgelegt, sich in die üblichen Arbeitsabläufe von PyTorch und TensorFlow zu integrieren, sodass Entwickler ihre bestehenden Modelle ohne größere Umstellungen nutzen können.

TileLang, die von Huawei entwickelte Hoch‑Level‑Programmiersprache, erhielt in dieser Veröffentlichung native Unterstützung für Ascend 950. Die Erweiterung ermöglicht die automatische Code‑Generierung, die automatische Aufgaben‑Planung und die Synchronisation von Operationen, wodurch die manuelle Optimierungsarbeit, die normalerweise für hardware‑spezifische Anpassungen erforderlich ist, erheblich reduziert wird. Der plattformübergreifende Ansatz von TileLang bedeutet, dass Nutzer weiterhin mit anderen Architekturen arbeiten können, ohne Nvidia vollständig aufgeben zu müssen, wobei jedoch betont wird, dass dies keine Leistungs‑Äquivalenz garantiert.

Architektur und Tests auf einem Super‑Node mit 128 Chips

Um die Leistungsfähigkeit der neuen Bibliotheken zu validieren, haben DeepSeek und Huawei Tests auf einem Super‑Node durchgeführt, der aus 128 Ascend 950‑Chips besteht. Die Ergebnisse zeigten Verbesserungen sowohl in der Rechen‑Effizienz als auch in der Kommunikations‑Effizienz, wenn DeepGEMM‑Ascend und DeepEP‑Ascend gemeinsam eingesetzt wurden. Diese Verbesserungen lassen sich auf die Integration mit Huaweis CANN‑Plattform zurückführen, die die Ressourcen‑Zuweisung und die Orchestrierung von Aufgaben auf Hardware‑Ebene verwaltet und optimiert.

Trotz dieser Fortschritte machen die Mitteilungen deutlich, dass die Veröffentlichung nicht gleichbedeutend ist mit einem vollständigen Verzicht auf Nvidia oder einer Leistungs‑Parität zu CUDA. Die Reife des CUDA‑Ökosystems bleibt ein wettbewerbsfähiger Vorteil, und die veröffentlichten Benchmarks decken nicht alle Arten von Workloads oder Netzwerk‑Konfigurationen ab. Daher wird die Einführung von Ascend 950 eine spezifische Evaluierung durch jede Organisation erfordern, um sicherzustellen, dass die jeweiligen Anwendungsfälle und Leistungs‑Anforderungen erfüllt werden.

Implikationen für Entwickler und Rechenzentren in Lateinamerika

Für KI‑Entwicklungsteams in der Region eröffnet die Verfügbarkeit von DeepGEMM‑Ascend, DeepEP‑Ascend und der TileLang‑Unterstützung die Möglichkeit, alternative Hardware zu testen, ohne ihre bestehenden PyTorch‑ oder TensorFlow‑Workflows aufgeben zu müssen. Rechenzentren, die bereits über Huawei‑Infrastruktur verfügen, können nun von einem umfassenderen Software‑Stack profitieren, was zu geringeren Lizenzkosten und einer größeren Diversifizierung der Anbieter führen könnte. Diese Optionen ermöglichen es Unternehmen, ihre Investitionen zu optimieren und gleichzeitig die Risiken einer einseitigen Abhängigkeit zu reduzieren.

In der Praxis müssen Organisationen, die die Ascend 950‑Beschleuniger evaluieren wollen, ihre Trainings‑Pipelines überprüfen, um die neuen Bibliotheken zu integrieren, ihre verteilten Kommunikations‑Skripte anpassen und die Leistung anhand ihrer eigenen Datensätze validieren. Huawei erwartet, dass seine Systeme im Jahr 2027 breit für das Training eingesetzt werden, und betont, dass Support und Dokumentation weiter ausgebaut werden, um den Übergang für Unternehmen, die die Lösung übernehmen, zu erleichtern. Dieser fortlaufende Ausbau der Unterstützung soll sicherstellen, dass die Einführung reibungslos verläuft und die Nutzer von kontinuierlichen Verbesserungen profitieren können.