DeepSeek i Huawei. TileLang i biblioteki AI dla chipów Ascend 950

Co udostępnił DeepSeek

Pakiet opisany przez DeepSeek obejmuje sześć komponentów: język TileLang oraz biblioteki DeepGEMM, DeepEP, TileKernels, FlashMLA i DeepSelect. Według firmy każdy z nich odpowiada wcześniej udostępnionemu narzędziu dla platformy NVIDIA. Oficjalny komunikat ukazał się w kanale DeepSeek w serwisie WeChat, a szczegóły potwierdzają repozytoria na GitHubie oraz relacja Reutersa.

Na GitHubie sprawdziliśmy dwa nowe repozytoria przeznaczone wprost dla Ascend. DeepGEMM-Ascend to biblioteka mnożenia macierzy z obsługą formatów BF16, FP8 i FP4, zgodna z interfejsem oryginalnego DeepGEMM. DeepEP-Ascend odpowiada za wymianę danych między chipami przy trenowaniu i uruchamianiu modeli typu mixture of experts, czyli takich, w których każde zapytanie obsługuje tylko część wyspecjalizowanych podsieci.

• TileLang - język do pisania jąder obliczeniowych, czyli niskopoziomowych procedur wykonywanych na akceleratorze,
• DeepGEMM-Ascend - mnożenie macierzy, podstawowa operacja w trenowaniu i uruchamianiu modeli, licencja MIT,
• DeepEP-Ascend - komunikacja w równoległości ekspertów, wymaga połączeń UBMEM między chipami,
• TileKernels, FlashMLA i DeepSelect - jądra dla mechanizmu uwagi i wyboru najważniejszych elementów, wszystkie na licencji MIT.

Czym jest TileLang i dlaczego konkuruje z CUDA

TileLang to język o składni podobnej do Pythona, który kompiluje się do wydajnego kodu dla różnych akceleratorów. Powstał na Uniwersytecie Pekińskim, a DeepSeek według Reutersa używa go od około roku jako głównego narzędzia do pracy nad modelami. Firma przekonuje, że oferuje on prostszy model programowania niż CUDA, platforma NVIDIA, na której od lat opiera się większość oprogramowania AI.

Przewaga NVIDIA nie wynika tylko z samych chipów. Biblioteki, kompilatory i narzędzia zbudowane wokół CUDA sprawiają, że przeniesienie modelu na inny sprzęt wymaga przepisania dużej części kodu. TileLang ma zmniejszyć ten koszt, bo ten sam kod jądra można skompilować dla kart NVIDIA, AMD, Apple Metal, a teraz także dla Huawei Ascend 950. Wpis w repozytorium z 30 września 2026 roku wymienia natywne generowanie kodu, automatyczne planowanie i synchronizację oraz programowanie wektorowe.

Wydajność według autorów

Najwięcej liczb podaje README DeepGEMM-Ascend. Według autorów gęste mnożenie macierzy osiąga do 99,8 proc. teoretycznego limitu sprzętu, a na przykładowych rozmiarach danych 1701 TFLOPS w formacie FP4 i 431 TFLOPS w BF16. Repozytorium nie zawiera porównania z konkurencyjnymi implementacjami ani z kartami NVIDIA.

DeepEP-Ascend testowano na 16 chipach Ascend 950DT z oprogramowaniem CANN 9.2.0. Przesyłanie danych do ekspertów osiąga około 373-375 GB/s przy ośmiu uczestnikach i spada do 313-320 GB/s przy 128. Autorzy zaznaczają, że pomiary wykonano na wstępnej konfiguracji testowej, a komercyjny pakiet sprzętowy ma trafić do klientów w połowie października przez portal Huawei Atlas 850E.

Tło: kontrola eksportu i plany Huawei

Amerykańskie ograniczenia eksportowe od kilku lat utrudniają chińskim firmom zakup najmocniejszych akceleratorów NVIDIA. Według Reutersa DeepSeek już wcześniej w 2026 roku dostosował wersję zapoznawczą modelu V4 do procesorów Ascend. Tydzień przed publikacją narzędzi Huawei ogłosił przyspieszenie planu rozwoju chipów: następca, Ascend 960DT, ma trafić na rynek w pierwszym kwartale 2027 roku, trzy kwartały wcześniej niż zakładano.

Wspólnie z Huawei DeepSeek optymalizował superwęzeł ze 128 chipów Ascend 950, obejmując zarówno obliczenia, jak i komunikację. Rotacyjny prezes Huawei stwierdził według Reutersa, że Ascend ma w Chinach większy udział w rynku niż NVIDIA. Firma nie przedstawiła danych, które by to potwierdzały.

Ograniczenia i niewiadome

Wszystkie dane o wydajności pochodzą od autorów narzędzi. Nie ma niezależnych testów porównujących koszt trenowania lub uruchamiania tego samego modelu na Ascend 950 i na kartach NVIDIA. Pełny komunikat DeepSeek ukazał się w WeChat i nie był dostępny dla naszych narzędzi, dlatego listę sześciu komponentów podajemy za Reutersem i DQ India. Samodzielnie sprawdziliśmy repozytoria i licencje na GitHubie.

Licencje nie są jednolite. DeepGEMM-Ascend, TileKernels, FlashMLA i DeepSelect mają licencję MIT, ale repozytorium DeepEP-Ascend w dniu publikacji nie zawierało pliku licencji, a GitHub nie rozpoznaje automatycznie licencji TileLang. Przed użyciem w projekcie komercyjnym warto sprawdzić aktualne warunki w repozytoriach.

Co to oznacza dla polskich firm

Bezpośredni wpływ na firmy w Polsce jest niewielki. Chipy Ascend 950 nie są oferowane w dużych chmurach publicznych, z których korzystają polskie przedsiębiorstwa, a zakup sprzętu Huawei do centrów danych w UE wiąże się z ryzykiem regulacyjnym i politycznym. Z otwartych modeli DeepSeek można korzystać na kartach NVIDIA i AMD, co opisujemy w tekście o DeepSeek V4.1 Flash.

Pośrednio wydarzenie ma znaczenie dla rynku. W naszej ocenie rośnie szansa, że chińskie laboratoria będą trenować kolejne otwarte modele bez sprzętu NVIDIA, co osłabia skuteczność kontroli eksportu jako narzędzia hamowania konkurencji. Dla zespołów technicznych w Europie przydatny jest sam TileLang: działa z kartami NVIDIA i AMD, więc może zmniejszyć zależność od jednego dostawcy także poza Chinami.