DeepSeek와 Huawei, Ascend 950용 오픈소스 도구 출시, CUDA 의존도 감소

DeepSeek는 2026년 9월 30일에 Huawei와 협력하여 Ascend 950 가속기를 위한 여러 오픈소스 프로그래밍 도구를 공개했다고 발표했다. 이 발표는 개발자들이 Nvidia의 CUDA 생태계에만 의존함으로써 겪는 마찰을 줄이고, 인공지능 커뮤니티 내에서 하드웨어 선택의 폭을 넓히는 전략적 단계로 제시된다. 또한, 이번 릴리스가 AI 모델 훈련 및 추론에서 유연성을 높이고, 향후 기술 생태계의 다양화에 기여할 것이라고 강조했다. 발표 자료는 특히 기존 CUDA 기반 파이프라인을 최소한의 수정으로 전환할 수 있는 방법론을 제시하며, 오픈소스 라이선스 하에 배포되는 점을 강조한다.

AI 생태계의 배경

수년간 CUDA는 대규모 모델 훈련과 추론을 위한 기준 플랫폼으로 자리 잡아 왔다. 이는 플랫폼의 성숙도, 최적화된 라이브러리의 풍부함, 그리고 데이터 센터에서 Nvidia GPU가 널리 배치된 점에 기인한다. 이러한 지배적 위치는 구조적인 의존성을 만들었으며, 비용이나 에너지 효율성 측면에서 잠재적인 이점을 제공하는 대체 아키텍처의 채택을 어렵게 만드는 요인으로 작용한다. 결과적으로 많은 기업과 연구기관이 기존 CUDA 스택을 그대로 유지하면서 새로운 하드웨어로의 전환을 망설이고 있다.

DeepSeek와 Huawei의 새로운 도구

DeepGEMM-Ascend는 이번에 공개된 라이브러리 중 첫 번째이다. 이는 행렬 곱셈 레이어로 BF16, FP8, FP4와 같은 저정밀 포맷을 지원하며, 기존 DeepGEMM과 동일한 인터페이스를 제공한다. 개발자는 최소한의 코드 변경만으로 Ascend 950 칩의 아키텍처를 활용한 훈련 및 추론 워크로드로 전환할 수 있도록 설계되었다. 또한, 라이브러리는 자동형 변환과 메모리 관리 최적화를 포함해 성능 손실을 최소화하도록 구성돼 있다.

• BF16
• FP8
• FP4

DeepEP-Ascend는 DeepGEMM을 보완하여 분산 훈련 및 대규모 추론 시 디바이스 간 통신을 담당한다. 이 라이브러리에는 mixture‑of‑experts 모델 라우팅을 위한 루틴이 포함되어 있어 모델의 일부를 서로 다른 칩에 분산시켜 효율성을 향상시킨다. 양사 발표에 따르면, 이 솔루션은 PyTorch와 TensorFlow의 일반적인 워크플로와 원활히 통합될 수 있도록 설계되었다. 통신 프로토콜은 기존 NCCL과 유사한 구조를 차용하면서 Ascend 전용 최적화를 적용한다.

TileLang은 Huawei가 제공하는 고수준 프로그래밍 언어이며, 이번 릴리스에서 Ascend 950에 대한 네이티브 지원이 추가되었다. 확장 기능을 통해 자동 코드 생성, 작업 자동 스케줄링, 연산 동기화가 가능해져 특정 하드웨어에 대한 최적화 작업에 수작업 부담을 크게 줄인다. TileLang은 다중 플랫폼을 지원하므로 사용자는 Nvidia를 완전히 포기하지 않고도 다른 아키텍처와 함께 작업을 지속할 수 있지만, 성능이 동등함을 보장하는 것은 아니다. 현재는 주로 프로토타이핑 단계에서 효율성을 검증하는 용도로 활용될 전망이다.

128칩 슈퍼노드에서의 아키텍처 및 테스트

새로운 라이브러리의 성능을 검증하기 위해 DeepSeek와 Huawei는 128개의 Ascend 950 칩으로 구성된 슈퍼노드에서 벤치마크 테스트를 수행했다. 테스트 결과는 DeepGEMM‑Ascend와 DeepEP‑Ascend를 함께 사용할 경우 계산 효율성과 통신 효율성 모두에서 개선이 나타났음을 보여준다. 이러한 개선은 Huawei의 CANN 플랫폼과의 통합에 기인하며, 하드웨어 수준에서 자원 할당 및 작업 오케스트레이션을 최적화하는 기능이 기여한다. 구체적인 수치는 공개되지 않았지만, 기존 CUDA 기반 설정 대비 일정 비율의 속도 향상이 보고되었다.

하지만 발표 자료는 이번 공개가 Nvidia를 완전히 대체하거나 CUDA와 동등한 성능을 달성한다는 의미는 아니라는 점을 명확히 하고 있다. CUDA 생태계의 성숙도는 여전히 경쟁상의 강점이며, 공개된 벤치마크는 모든 워크로드 유형이나 네트워크 구성을 포괄하지 않는다. 따라서 Ascend 950 도입은 각 조직이 자체 사용 사례에 맞춰 별도로 평가해야 할 필요가 있다. 실제 적용 시에는 기존 파이프라인과의 호환성 검증, 비용‑효율 분석, 장기적인 지원 로드맵 검토가 필수적이다.

라틴아메리카 개발자와 데이터센터에 미치는 영향

지역 AI 개발 팀에게 DeepGEMM‑Ascend, DeepEP‑Ascend 및 TileLang 지원은 기존 PyTorch 및 TensorFlow 기반 워크플로를 유지하면서 대체 하드웨어를 시험해 볼 수 있는 기회를 제공한다. 이미 Huawei 인프라를 보유한 데이터센터는 이번 소프트웨어 스택의 완성으로 라이선스 비용 절감 및 공급업체 다변화의 이점을 누릴 수 있을 것으로 기대된다. 또한, 오픈소스 특성 덕분에 현지 엔지니어가 직접 수정·확장할 수 있는 여지가 커져, 지역 특화 최적화 작업이 가능해진다.

실제로 Ascend 950 가속기를 시험하려는 조직은 훈련 파이프라인을 재검토하고 새로운 라이브러리를 통합하기 위해 분산 통신 스크립트를 조정하며 자체 데이터셋으로 성능을 검증해야 한다. Huawei는 2027년까지 자체 시스템의 훈련 사용이 확대될 것으로 기대하고 있으며, 지원 및 문서는 앞으로도 지속적으로 발전해 나갈 것이라고 밝혔다. 이를 통해 솔루션을 채택하는 기업은 전환이 보다 원활해질 것으로 예상된다. 장기적으로는 현지 파트너와의 협업을 통해 추가적인 최적화와 교육 프로그램이 제공될 가능성도 제시되었다.