DeepSeek en Huawei lanceren open‑source tools voor programmeren van Ascend 950 en verminderen afhankelijkheid van CUDA

DeepSeek kondigde op 30 september 2026 de openbare beschikbaarheid aan van verschillende open‑source programmeertools, ontwikkeld in samenwerking met Huawei, specifiek gericht op de Ascend 950‑versnellers. Deze aankondiging wordt gepresenteerd als een strategische stap om de wrijving te verminderen die ontwikkelaars ervaren wanneer zij uitsluitend afhankelijk zijn van Nvidia’s CUDA‑ecosysteem, en om het scala aan hardware‑opties binnen de kunstmatige‑intelligentie‑gemeenschap uit te breiden. Met deze publicatie wil DeepSeek ontwikkelaars in staat stellen om hun bestaande workflows te behouden terwijl ze de mogelijkheid krijgen om alternatieve hardwareplatformen te verkennen, zonder dat ze volledig moeten overstappen van de gevestigde CUDA‑infrastructuur.

Context van het IA‑ecosysteem

Al geruime tijd heeft CUDA zich gevestigd als het referentieplatform voor zowel training als inferentie van grootschalige modellen, dankzij de volwassenheid van de stack, de overvloed aan geoptimaliseerde bibliotheken en de brede beschikbaarheid van Nvidia‑GPU’s in datacenters. Deze hegemonie heeft geleid tot een structurele afhankelijkheid die de adoptie van alternatieve architecturen bemoeilijkt, zelfs wanneer die alternatieven voordelen bieden op het gebied van kosten of energie‑efficiëntie. De dominante positie van CUDA betekent dat veel ontwikkelaars en onderzoekers hun codebases en tooling hebben afgestemd op Nvidia‑specifieke optimalisaties, waardoor een overstap naar andere hardware een aanzienlijke investering in tijd en middelen kan vergen.

De nieuwe tools van DeepSeek en Huawei

DeepGEMM‑Ascend is de eerste van de gepubliceerde bibliotheken. Het betreft een matrix‑vermenigvuldigingslaag die bewerkingen ondersteunt in de precisies BF16, FP8 en FP4, en die vertrouwde interfaces biedt voor gebruikers die al bekend zijn met de oorspronkelijke DeepGEMM‑versie. Het doel is dat ontwikkelaars hun code met minimale aanpassingen kunnen migreren, terwijl ze profiteren van de architectuur van de Ascend 950‑chips voor zowel trainings‑ als inferentietaken. Door dezelfde API‑structuur te behouden, wordt de leercurve beperkt en kunnen bestaande projecten sneller worden aangepast aan de nieuwe hardware.

• BF16
• FP8
• FP4

DeepEP‑Ascend vult DeepGEMM aan door de communicatie tussen apparaten te verzorgen tijdens gedistribueerde training en grootschalige inferentie. De bibliotheek bevat routines voor het routeren van mixture‑of‑experts‑modellen, een techniek die delen van een model over verschillende chips verdeelt om de efficiëntie te verbeteren. Volgens de persberichten van beide bedrijven is de oplossing ontworpen om naadloos te integreren met de gangbare workflows van PyTorch en TensorFlow, waardoor ontwikkelaars hun bestaande pipelines kunnen behouden en toch profiteren van de geoptimaliseerde communicatie‑stack die specifiek is afgestemd op Ascend‑hardware.

TileLang, de high‑level programmeertaal van Huawei, kreeg native ondersteuning voor Ascend 950 in deze release. De extensie maakt automatische code‑generatie, automatische taakplanning en synchronisatie van operaties mogelijk, waardoor de handmatige inspanning die normaal gepaard gaat met optimalisatie voor specifieke hardware sterk wordt verminderd. De multiplatform‑ondersteuning van TileLang geeft aan dat gebruikers kunnen blijven werken met andere architecturen zonder Nvidia volledig te verlaten, hoewel de publicatie geen prestatie‑equivalentie claimt. Deze flexibiliteit maakt het voor ontwikkelteams eenvoudiger om hybride omgevingen te beheren.

Architectuur en tests op supernode van 128 chips

Om het prestatieniveau van de nieuwe bibliotheken te valideren, hebben DeepSeek en Huawei tests uitgevoerd op een supernode bestaande uit 128 Ascend 950‑chips. De resultaten toonden verbeteringen in zowel rekenefficiëntie als communicatietijd wanneer DeepGEMM‑Ascend en DeepEP‑Ascend gezamenlijk werden ingezet, dankzij de integratie met Huawei’s CANN‑platform, dat verantwoordelijk is voor resource‑allocatie en taak‑orchestratie op hardware‑niveau. Deze tests bevestigden dat de gecombineerde stack in staat is om de doorvoersnelheid en schaalbaarheid te verhogen, vooral bij workloads die intensief gebruikmaken van matrix‑operaties en gedistribueerde model‑partitionering.

Ondanks deze vooruitgang maken de persberichten duidelijk dat de publicatie geen volledige vervanging van Nvidia inhoudt, noch een prestatie‑pariteit met CUDA garandeert. De volwassenheid van het CUDA‑ecosysteem blijft een competitief voordeel, en de gepubliceerde benchmarks dekken niet alle soorten workloads of alle netwerkconfiguraties. Daarom zal de adoptie van Ascend 950 specifieke evaluaties vereisen door elke organisatie, waarbij men rekening moet houden met de unieke eisen van hun toepassingen, de beschikbaarheid van expertise en de compatibiliteit met bestaande software‑stacks.

Implicaties voor ontwikkelaars en datacenters in Latijns‑Amerika

Voor AI‑ontwikkelingsteams in de regio opent de beschikbaarheid van DeepGEMM‑Ascend, DeepEP‑Ascend en de TileLang‑ondersteuning de mogelijkheid om met alternatieve hardware te experimenteren zonder hun PyTorch‑ of TensorFlow‑gebaseerde workflows te hoeven verlaten. Datacenters die reeds Huawei‑infrastructuur inzetten, kunnen nu profiteren van een completere software‑stack, wat kan leiden tot lagere licentiekosten en een grotere diversificatie van leveranciers. Deze diversificatie kan organisaties helpen om risico’s te spreiden en hun operationele kosten beter te beheersen.

In de praktijk zullen organisaties die besluiten de Ascend 950‑versnellers te testen, hun trainings‑pipelines moeten herzien om de nieuwe bibliotheken te integreren, hun scripts voor gedistribueerde communicatie moeten aanpassen en de prestaties moeten valideren met hun eigen datasets. Huawei verwacht een brede inzet van haar systemen voor training in 2027, wat suggereert dat zowel de ondersteuning als de documentatie verder zullen evolueren. Deze voortdurende ontwikkeling zal de overgang vergemakkelijken voor bedrijven die de oplossing in de komende jaren willen adopteren, en zal bijdragen aan een meer flexibele en kostenefficiënte AI‑infrastructuur.