DeepSeek y Huawei lanzan herramientas de código abierto para programar Ascend 950 y reducir la dependencia de CUDA

DeepSeek anunció el 30 de septiembre de 2026 la disponibilidad pública de varias herramientas de programación de código abierto, desarrolladas en colaboración con Huawei, para los aceleradores Ascend 950. La iniciativa se presenta como un paso estratégico para disminuir la fricción que los desarrolladores experimentan al depender exclusivamente del ecosistema CUDA de Nvidia, y para ampliar el abanico de opciones de hardware en la comunidad de inteligencia artificial.

Contexto del ecosistema de IA

Desde hace varios años, CUDA se ha consolidado como la plataforma de referencia para el entrenamiento y la inferencia de modelos de gran escala, gracias a su madurez, a la abundancia de bibliotecas optimizadas y a la amplia disponibilidad de GPUs Nvidia en centros de datos. Esta hegemonía ha creado una dependencia estructural que dificulta la adopción de arquitecturas alternativas, incluso cuando ofrecen ventajas de coste o eficiencia energética.

Las nuevas herramientas de DeepSeek y Huawei

DeepGEMM-Ascend es la primera de las librerías publicadas. Se trata de una capa de multiplicación de matrices que soporta operaciones en precisión BF16, FP8 y FP4, y que mantiene interfaces familiares para los usuarios que ya trabajan con la versión original de DeepGEMM. La intención es que los desarrolladores puedan migrar su código con cambios mínimos, aprovechando la arquitectura de los chips Ascend 950 para cargas de trabajo de entrenamiento y de inferencia.

• BF16
• FP8
• FP4

DeepEP-Ascend complementa a DeepGEMM al encargarse de la comunicación entre dispositivos durante el entrenamiento distribuido y la inferencia a gran escala. La librería incluye rutinas para el enrutamiento de modelos mixture‑of‑experts, una técnica que distribuye partes del modelo a diferentes chips para mejorar la eficiencia. Según los comunicados de ambas compañías, la solución está diseñada para integrarse con los flujos de trabajo habituales de PyTorch y TensorFlow.

TileLang, el lenguaje de programación de alto nivel de Huawei, recibió soporte nativo para Ascend 950 en esta publicación. La extensión permite la generación automática de código, la planificación automática de tareas y la sincronización de operaciones, reduciendo la carga de trabajo manual que normalmente implica la optimización para hardware específico. El soporte multiplataforma de TileLang indica que los usuarios pueden seguir trabajando con otras arquitecturas sin abandonar Nvidia, aunque la publicación no implica una equivalencia de rendimiento.

Arquitectura y pruebas en supernodo de 128 chips

Para validar el rendimiento de las nuevas librerías, DeepSeek y Huawei ejecutaron pruebas en un supernodo compuesto por 128 chips Ascend 950. Los resultados mostraron mejoras en la eficiencia del cálculo y de la comunicación cuando se utilizaban DeepGEMM‑Ascend y DeepEP‑Ascend conjuntamente, gracias a la integración con la plataforma CANN de Huawei, que gestiona la asignación de recursos y la orquestación de tareas a nivel de hardware.

A pesar de los avances, los comunicados dejan claro que la publicación no equivale a abandonar Nvidia ni a alcanzar la paridad de rendimiento con CUDA. La madurez del ecosistema CUDA sigue siendo una ventaja competitiva, y los benchmarks publicados no cubren todos los tipos de carga de trabajo ni todas las configuraciones de red. Por tanto, la adopción de Ascend 950 requerirá evaluaciones específicas por parte de cada organización.

Implicaciones para desarrolladores y centros de datos en América Latina

Para los equipos de desarrollo de IA en la región, la disponibilidad de DeepGEMM‑Ascend, DeepEP‑Ascend y el soporte de TileLang abre la posibilidad de experimentar con hardware alternativo sin abandonar sus flujos de trabajo basados en PyTorch o TensorFlow. Los centros de datos que ya cuentan con infraestructura Huawei pueden ahora aprovechar una pila de software más completa, lo que podría traducirse en menores costos de licencia y en una mayor diversificación de proveedores.

En la práctica, las organizaciones que decidan probar los aceleradores Ascend 950 deberán revisar sus pipelines de entrenamiento para integrar las nuevas librerías, adaptar sus scripts de comunicación distribuida y validar el rendimiento en sus propios conjuntos de datos. La expectativa de Huawei de un uso amplio de sus sistemas en entrenamiento durante 2027 sugiere que el soporte y la documentación seguirán evolucionando, lo que facilitará la transición para quienes adopten la solución en los próximos años.