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

A DeepSeek anunciou, no dia 30 de setembro de 2026, a disponibilidade pública de várias ferramentas de programação de código aberto, desenvolvidas em estreita colaboração com a Huawei, especificamente para os aceleradores Ascend 950. Esta iniciativa é apresentada como um passo estratégico destinado a reduzir a fricção que os programadores experimentam ao depender exclusivamente do ecossistema CUDA da Nvidia, ao mesmo tempo que amplia o leque de opções de hardware disponíveis para a comunidade de inteligência artificial.

Contexto do ecossistema de IA

Durante vários anos, o CUDA consolidou‑se como a plataforma de referência para o treino e a inferência de modelos de grande escala, graças à sua maturidade, à abundância de bibliotecas otimizadas e à ampla disponibilidade de GPUs Nvidia nos centros de dados. Esta hegemonia criou uma dependência estrutural que dificulta a adoção de arquiteturas alternativas, mesmo quando estas oferecem vantagens em termos de custo ou eficiência energética. Em consequência, muitos desenvolvedores sentem‑se presos a um único fornecedor, o que limita a flexibilidade e a capacidade de experimentar novas soluções de hardware.

As novas ferramentas da DeepSeek e da Huawei

O DeepGEMM-Ascend é a primeira das bibliotecas publicadas. Trata‑se de uma camada de multiplicação de matrizes que suporta operações em precisão BF16, FP8 e FP4, mantendo interfaces familiares para os utilizadores que já trabalham com a versão original do DeepGEMM. O objetivo principal é permitir que os programadores migrem o seu código com alterações mínimas, aproveitando a arquitetura dos chips Ascend 950 tanto para cargas de trabalho de treino como de inferência.

• BF16
• FP8
• FP4

O DeepEP-Ascend complementa o DeepGEMM ao assumir a comunicação entre dispositivos durante o treino distribuído e a inferência em grande escala. A biblioteca inclui rotinas para o encaminhamento de modelos mixture‑of‑experts, uma técnica que distribui partes do modelo a diferentes chips para melhorar a eficiência global. Segundo os comunicados de ambas as empresas, a solução foi concebida para integrar‑se perfeitamente com os fluxos de trabalho habituais do PyTorch e do TensorFlow.

O TileLang, a linguagem de programação de alto nível da Huawei, recebeu suporte nativo para o Ascend 950 nesta publicação. A extensão permite a geração automática de código, o planeamento automático de tarefas e a sincronização de operações, reduzindo a carga de trabalho manual que normalmente implica a otimização para hardware específico. O suporte multiplataforma do TileLang indica que os utilizadores podem continuar a trabalhar com outras arquiteturas sem abandonar a Nvidia, embora a publicação não implique uma equivalência de desempenho entre as plataformas.

Arquitetura e testes em supernó de 128 chips

Para validar o desempenho das novas bibliotecas, a DeepSeek e a Huawei executaram testes num supernó composto por 128 chips Ascend 950. Os resultados mostraram melhorias na eficiência de cálculo e de comunicação quando se utilizavam o DeepGEMM‑Ascend e o DeepEP‑Ascend em conjunto, graças à integração com a plataforma CANN da Huawei, que gere a atribuição de recursos e a orquestração de tarefas ao nível do hardware.

Apesar dos avanços, os comunicados deixam claro que a publicação não equivale a abandonar a Nvidia nem a alcançar a paridade de desempenho com o CUDA. A maturidade do ecossistema CUDA continua a ser uma vantagem competitiva, e os benchmarks publicados não cobrem todos os tipos de carga de trabalho nem todas as configurações de rede. Por isso, a adoção do Ascend 950 exigirá avaliações específicas por parte de cada organização, que deverão analisar cuidadosamente os seus requisitos e restrições.

Implicações para desenvolvedores e centros de dados na América Latina

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

Na prática, as organizações que decidam testar os aceleradores Ascend 950 deverão rever os seus pipelines de treino para integrar as novas bibliotecas, adaptar os scripts de comunicação distribuída e validar o desempenho nos seus próprios conjuntos de dados. A expectativa da Huawei de um uso amplo dos seus sistemas no treino durante 2027 sugere que o suporte e a documentação continuarão a evoluir, facilitando a transição para quem adotar a solução nos próximos anos.