DeepSeek e Huawei lançam ferramentas de código aberto para programar Ascend 950 e reduzir a dependência do CUDA

DeepSeek anunciou em 30 de setembro de 2026 a disponibilidade pública de várias ferramentas de programação de código aberto, desenvolvidas em colaboração com a Huawei, para os aceleradores Ascend 950. A iniciativa é apresentada como um passo estratégico para reduzir a fricção que os desenvolvedores enfrentam ao depender exclusivamente do ecossistema CUDA da Nvidia, e para ampliar o leque de opções de hardware disponíveis para a comunidade de inteligência artificial. O anúncio também destaca o compromisso das duas empresas com a inovação aberta e com a promoção da adoção de soluções de hardware diversificadas.

Contexto do ecossistema de IA

Há vários anos, o CUDA se consolidou como a plataforma de referência para treinamento e inferência de modelos em grande escala, graças à sua maturidade, à abundância de bibliotecas otimizadas e à ampla disponibilidade de GPUs Nvidia em data centers. Essa hegemonia criou uma dependência estrutural que dificulta a adoção de arquiteturas alternativas, mesmo quando estas oferecem vantagens de custo ou eficiência energética. A posição dominante do CUDA nos fluxos de trabalho comuns significa que as equipes precisam de um esforço considerável para reescrever e validar código em outras plataformas. Portanto, a comunidade busca ativamente alternativas que possam reproduzir o desempenho ao mesmo tempo em que oferecem maior flexibilidade.

As novas ferramentas de DeepSeek e Huawei

DeepGEMM‑Ascend é a primeira das bibliotecas publicadas. Trata‑se de uma camada de multiplicação de matrizes que suporta as precisões BF16, FP8 e FP4, mantendo interfaces familiares para os usuários que já trabalham com a versão original do DeepGEMM. A intenção é permitir que os desenvolvedores migrem seu código com mudanças mínimas, aproveitando a arquitetura dos chips Ascend 950 tanto para cargas de treinamento quanto para inferência. Essa compatibilidade de interface visa reduzir o tempo de adaptação e simplificar a integração nos pipelines existentes.

• BF16
• FP8
• FP4

DeepEP‑Ascend complementa o DeepGEMM ao cuidar da comunicação entre dispositivos durante o treinamento distribuído e a inferência em grande escala. A biblioteca inclui rotinas para o roteamento de modelos mixture‑of‑experts, uma técnica que distribui partes do modelo em diferentes chips para melhorar a eficiência. Segundo os comunicados das duas empresas, a solução foi projetada para integrar-se aos fluxos de trabalho habituais do PyTorch e do TensorFlow, proporcionando uma transição suave para equipes já investidas nesses frameworks.

TileLang, a linguagem de programação de alto nível da Huawei, recebeu suporte nativo para Ascend 950 nesta publicação. A extensão permite a geração automática de código, o agendamento automático de tarefas e a sincronização de operações, reduzindo a carga de trabalho manual normalmente necessária para otimizar para hardware específico. O suporte multiplataforma do TileLang indica que os usuários podem continuar trabalhando com outras arquiteturas sem abandonar a Nvidia, embora a publicação não afirme paridade de desempenho.

Arquitetura e testes em supernó de 128 chips

Para validar o desempenho das novas bibliotecas, DeepSeek e Huawei executaram testes em um supernó composto por 128 chips Ascend 950. Os resultados mostraram melhorias na eficiência de cálculo e de comunicação quando DeepGEMM‑Ascend e DeepEP‑Ascend foram usados conjuntamente, graças à integração com a plataforma CANN da Huawei, que gerencia a alocação de recursos e a orquestração de tarefas em nível de hardware. Esses testes demonstraram a capacidade do sistema de explorar plenamente o paralelismo oferecido por um grande número de chips.

Apesar dos avanços, os comunicados deixam claro que a publicação não equivale a abandonar a Nvidia nem a alcançar paridade de desempenho com o CUDA. A maturidade do ecossistema CUDA continua sendo uma vantagem competitiva, e os benchmarks publicados não cobrem todos os tipos de carga de trabalho nem todas as configurações de rede. Portanto, a adoção do Ascend 950 exigirá avaliações específicas por parte de cada organização para determinar se a solução atende às suas necessidades particulares.

Implicações para desenvolvedores e centros de dados na América Latina

Para as equipes de desenvolvimento de IA na região, a disponibilidade do DeepGEMM‑Ascend, DeepEP‑Ascend e do suporte ao TileLang abre a possibilidade de experimentar hardware alternativo sem abandonar seus fluxos de trabalho baseados em PyTorch ou TensorFlow. Os centros de dados que já possuem infraestrutura Huawei podem agora aproveitar uma pilha de software mais completa, o que pode se traduzir em custos de licença menores e em uma maior diversificação de fornecedores.

Na prática, as organizações que decidirem testar os aceleradores Ascend 950 precisarão revisar seus pipelines de treinamento para integrar as novas bibliotecas, adaptar seus scripts de comunicação distribuída e validar o desempenho em seus próprios conjuntos de dados. A expectativa da Huawei de um uso amplo de seus sistemas para treinamento ao longo de 2027 sugere que o suporte e a documentação continuarão evoluindo, facilitando a transição para aqueles que adotarem a solução nos próximos anos.