DeepSeek abre herramientas para Huawei Ascend 950: alcance y límites
Índice de contenidos
Claves de la noticia
- DeepSeek ha abierto herramientas para Ascend de Huawei; los repositorios documentan soporte para la serie 950.
- TileLang incorpora un backend nativo, acompañado por bibliotecas de cálculo matricial y comunicación entre aceleradores.
- La compatibilidad de las interfaces facilita una migración, pero quedan requisitos de firmware y funciones pendientes.
DeepSeek ha anunciado este 30 de septiembre una colaboración con Huawei para abrir infraestructura de programación destinada a sus aceleradores Ascend, según Reuters. El código público permite precisar la novedad: un backend para Ascend 950 en TileLang y versiones de DeepGEMM y DeepEP que trasladan operaciones fundamentales de la IA a otra plataforma. El avance reduce trabajo de adaptación, aunque no acredita por sí solo una sustitución completa del ecosistema Nvidia.
Ascend ya tenía un adaptador; ahora entra en el núcleo
La cronología oficial de TileLang evita una lectura engañosa del anuncio. El lenguaje se abrió en enero de 2025 y ya recogía adaptadores externos para Huawei desde el 29 de septiembre de aquel año. Por tanto, Ascend no estrena hoy toda su relación con TileLang. La entrada fechada el 30 de septiembre de 2026 identifica el soporte nativo para Ascend 950, con generación de código, planificación y sincronización.
El proyecto distingue además el backend 950 incluido en el repositorio principal de los adaptadores de ecosistema para A2 y A3. El cambio verificable es la integración de una generación concreta de hardware, no el nacimiento de un lenguaje completamente nuevo. Para quien mantiene software, esa diferencia permite localizar qué documentación y ruta de instalación necesita, sin extender la compatibilidad a cualquier chip de Huawei.
TileLang usa una sintaxis cercana a Python para escribir pequeñas rutinas de cálculo intensivo, los kernels. Esas rutinas realizan operaciones repetidas dentro de modelos mayores. Una interfaz más compacta puede reducir el código que un equipo debe mantener; el resultado depende después del compilador, las bibliotecas y el dispositivo seleccionado.
Tres capas para mover el trabajo de IA
La apertura reúne piezas complementarias. Conviene distinguirlas porque compilar una operación, ejecutarla eficientemente y distribuir datos entre chips son problemas distintos. Un centro de datos necesita resolver los tres para aprovechar aceleradores a escala.
| Componente | Función | Alcance documentado |
|---|---|---|
| TileLang | Compilación de kernels | Backend nativo Ascend 950 |
| DeepGEMM-Ascend | Multiplicaciones de matrices | BF16, FP8 y FP4 |
| DeepEP-Ascend | Comunicación de expertos | API alineada; funciones pendientes |
DeepGEMM-Ascend declara compatibilidad de API con DeepGEMM y fecha su primera versión para la serie 950 este mismo día. DeepEP-Ascend traslada la comunicación del paralelismo de expertos: distribuye trabajo y combina resultados cuando un modelo reparte su cálculo entre especialistas. Mantener interfaces conocidas ayuda a reutilizar partes de una aplicación, pero no elimina las diferencias de ejecución.
Este paso encaja con el plan de un gran clúster Huawei atribuido anteriormente a DeepSeek. Aquel proyecto sigue siendo un rumor: publicar bibliotecas no confirma un pedido, la instalación de servidores ni su calendario. Aquí la evidencia comprobable es el software disponible.
Una API parecida no garantiza el mismo despliegue
La guía de Ascend 950 exige un entorno compatible con los controladores y el toolkit CANN, además de PyTorch y torch_npu. Explica cómo compilar desde el código fuente habilitando Ascend y deshabilitando CUDA. Esa ruta no necesita el toolkit CUDA, pero sigue dependiendo de las herramientas de Huawei para generar y ejecutar código.
El ejemplo combina una multiplicación de matrices con una activación ReLU en un único kernel. El compilador coordina unidades Cube y Vector y sus transferencias de datos. Sin embargo, la guía advierte de que la planificación automática no convierte cualquier bucle paralelo en instrucciones SIMD. La automatización cubre tareas concretas; el desarrollador conserva decisiones sobre operaciones y tamaños.
DeepEP añade una restricción especialmente práctica. Sus medidas se obtuvieron con un HDK de prueba suministrado a DeepSeek y configurado manualmente, que no se distribuye públicamente. La documentación sitúa la versión comercial recomendada de Huawei alrededor del 15 de octubre, como plan sujeto al proveedor. También mantiene interfaces experimentales y operaciones de comunicación pendientes. Código abierto y configuración pública reproducible son hitos diferentes.
El rendimiento depende del tamaño de la operación
Los datos publicados por DeepGEMM permiten comprobar ese límite sin enfrentar equipos distintos. En sus pruebas FP8 sobre Ascend 950DT con CANN 9.20, manteniendo N=7.168 y K=16.384, una matriz con M=128 registra 549 TFLOPS y 54,8 microsegundos; con M=4.096 aparecen 861 TFLOPS y 1.117,6 microsegundos. Son medidas del desarrollador, no pruebas independientes de este medio.
Al dividir ambos resultados, la segunda operación contiene 32 veces más filas, tarda aproximadamente 20,4 veces más y entrega cerca de 1,57 veces el rendimiento agregado. El cálculo compara únicamente esas dos filas de la misma tabla. Muestra por qué una cifra máxima de capacidad no describe todas las peticiones: un trabajo pequeño y uno grande aprovechan el mismo acelerador de forma diferente.
La precaución también sirve para leer los resultados de inferencia de Nvidia en MLPerf: modelo, tamaño y condiciones deben acompañar al multiplicador. Los datos de DeepGEMM no permiten calcular aquí una ventaja frente a una GPU Nvidia ni un ahorro universal de energía.
Para equipos españoles que evalúen una alternativa de infraestructura, la prueba útil será portar una carga concreta y comprobar corrección, latencia y mantenimiento con el software y firmware disponibles. La conclusión que dejan estos documentos es más acotada y operativa: DeepSeek ha reducido barreras de programación para Ascend 950, mientras la disponibilidad del entorno recomendado y la cobertura de funciones siguen limitando cuánto de una aplicación puede trasladarse hoy.
