DeepSeek 与华为发布开源工具，支持 Ascend 950 编程，降低对 CUDA 的依赖

DeepSeek 于 2026 年 9 月 30 日宣布，公开发布多款开源编程工具，这些工具是与华为合作开发的，专门针对 Ascend 950 加速器。此举被定位为一项战略性举措，旨在降低开发者仅依赖 Nvidia CUDA 生态系统所带来的摩擦，同时为人工智能社区提供更多硬件选择的可能性。

人工智能生态系统的背景

多年来，CUDA 已经成为大规模模型训练和推理的标配平台，这得益于其成熟度、丰富的优化库以及 Nvidia GPU 在数据中心的广泛部署。这种主导地位形成了一种结构性依赖，使得即便替代架构在成本或能效上具备优势，也难以被广泛采用。开发者因此常常被锁定在单一供应商的生态系统中，限制了灵活性和尝试新硬件的空间。

DeepSeek 与华为的新工具

DeepGEMM-Ascend 是首批发布的库之一。它是一层矩阵乘法库，支持 BF16、FP8 和 FP4 精度运算，并保持与原始 DeepGEMM 相同的接口，方便已经使用 DeepGEMM 的用户进行迁移。其设计目标是让开发者只需进行最小的代码改动，就能利用 Ascend 950 芯片的架构来完成训练和推理任务。

• BF16
• FP8
• FP4

DeepEP-Ascend 与 DeepGEMM 形成互补，负责分布式训练和大规模推理过程中的设备间通信。该库提供了 mixture‑of‑experts（专家混合）模型的路由例程，这是一种将模型的不同部分分配到不同芯片上以提升效率的技术。根据两家公司发布的声明，这一解决方案能够无缝集成到常用的 PyTorch 和 TensorFlow 工作流中。

华为的高层语言 TileLang 在此次发布中获得了对 Ascend 950 的原生支持。该扩展实现了代码的自动生成、任务的自动调度以及操作的同步，从而大幅降低了针对特定硬件进行手动优化的工作量。TileLang 的跨平台特性表明，用户仍然可以在不放弃 Nvidia 的情况下继续使用其他架构，尽管此发布并不暗示性能等价。

架构与 128 芯片超级节点测试

为验证新库的性能，DeepSeek 与华为在一个由 128 块 Ascend 950 组成的超级节点上进行了测试。结果显示，当 DeepGEMM‑Ascend 与 DeepEP‑Ascend 同时使用时，计算效率和通信效率均有所提升，这得益于与华为 CANN 平台的深度集成，后者负责硬件层面的资源分配和任务编排。

尽管取得了进展，官方声明仍然明确指出，此次发布并不等同于完全放弃 Nvidia，也未能实现与 CUDA 性能的平价。CUDA 生态系统的成熟度仍是其竞争优势，已公布的基准测试并未覆盖所有工作负载类型和网络配置。因此，各组织在采用 Ascend 950 时仍需进行针对性的评估，以确认其是否满足特定需求。

对拉美地区开发者和数据中心的影响

对于该地区的人工智能开发团队而言，DeepGEMM‑Ascend、DeepEP‑Ascend 以及 TileLang 的支持，为在不放弃基于 PyTorch 或 TensorFlow 的工作流的前提下尝试替代硬件提供了可能。已经拥有华为基础设施的数据中心现在可以使用更完整的软件栈，这可能带来更低的许可证成本以及供应商的多元化。

在实际操作中，决定试用 Ascend 950 加速器的组织需要审查其训练流水线，以集成新库、调整分布式通信脚本，并在自有数据集上验证性能。华为预计将在 2027 年实现其系统在训练中的广泛使用，这暗示着支持和文档将持续完善，从而帮助在未来几年内采用该解决方案的用户更顺利地完成迁移。