DeepSeek lleva parte de su infraestructura de IA a los chips Ascend de Huawei

DeepSeek publicó el 30 de septiembre de 2026 versiones para Huawei Ascend de seis componentes de infraestructura de IA. El conjunto ofrece herramientas para ejecutar cargas de trabajo en hardware de Huawei, pero los datos disponibles no demuestran un rendimiento equivalente al de NVIDIA ni confirman que DeepSeek haya completado en Ascend un entrenamiento de V4 a gran escala. 25

Qué componentes publicó DeepSeek

Los componentes cumplen funciones comparables a las de herramientas de DeepSeek orientadas a NVIDIA, aunque sus implementaciones pueden ser distintas para adaptarse a Ascend. 25

• TileLang es una herramienta de programación y compilación de kernels: bloques de código que ejecutan operaciones en el acelerador. Su compatibilidad con Ascend permite desarrollar para el hardware de Huawei, pero no implica que los kernels sean idénticos a los de NVIDIA. 25
• DeepGEMM es una biblioteca para multiplicación de matrices. La versión para Ascend conserva la compatibilidad de API y admite operaciones BF16, FP8 y FP4, además de MQA logits y MegaMoE. También incorpora optimizaciones específicas de Ascend, como carga dispersa de datos y canalización basada en corrutinas. 17
• TileKernels ofrece kernels de propósito general; FlashMLA incluye kernels de atención dispersa para prellenado y decodificación en Ascend 950; y DeepSelect se ocupa de seleccionar o filtrar datos. 91444
• DeepEP gestiona la comunicación distribuida, incluidas las operaciones de envío y combinación para paralelismo de expertos. Sus API públicas de búfer se alinean con las de la versión para NVIDIA, pero la implementación en Ascend utiliza interfaces de software y hardware propias de esa plataforma. 19

Que dos versiones compartan una API o tengan funciones correspondientes puede facilitar el trabajo de los desarrolladores. No demuestra, por sí solo, que tengan la misma implementación interna, todas las mismas funciones o una velocidad comparable.

Qué indican las cifras de Ascend 950

Una prueba reportada de DeepEP en hardware Ascend midió 375 GB/s en envío (dispatch) y 347 GB/s en combinación (combine). Son cifras de comunicación en Ascend; no constituyen una comparación directa con NVIDIA. 1947

En inferencia, una prueba reportada de DeepSeek-V4.1-Flash usó un sistema Ascend 950 UBL128, una estrategia de despliegue EP32, un contexto de 128K y ejecución offline. Con un tiempo por token de salida (TPOT) de 5 ms, se reportaron 2.469 tokens de salida por segundo y por tarjeta; con un TPOT de 10 ms, 5.102 tokens por segundo y por tarjeta. Las cifras no incluyen la sobrecarga de planificación del servicio ni la del balanceo de carga del framework. 47

Son resultados de una configuración concreta, no una garantía de rendimiento para cualquier carga de trabajo. El repositorio de DeepEP indica que sus mediciones se hicieron con un paquete de desarrollo de hardware de prueba de concepto (PoC) configurado manualmente. Otro informe señala que se usó firmware PoC y menciona una versión comercial prevista para alrededor del 15 de octubre. Por eso, el firmware y la configuración importan al interpretar o intentar reproducir los resultados. 1219

La información disponible no detalla lo suficiente todos los ajustes de inferencia como para reproducirlos de forma independiente y tampoco describe una validación amplia e independiente de terceros. Por tanto, no conviene leer estas cifras como una comparación verificada con sistemas NVIDIA. 47

La arquitectura SuperPoD Flex y UBL128

Huawei y DeepSeek describieron un diseño SuperPoD Flex / UBL128 definido conjuntamente para Ascend 950. Según los informes, la configuración de expansión dentro del sistema (scale-up) contempla 128 tarjetas y una red de una sola etapa de 3,2 Tbps. La arquitectura de expansión entre sistemas (scale-out), de dos etapas, se plantea para llegar a 256.000 tarjetas. Esa es una capacidad de diseño declarada, no una prueba de que un sistema de ese tamaño haya ejecutado un entrenamiento de DeepSeek. 104749

Huawei también indicó que el trabajo conjunto se compartiría en la comunidad CANN. Los informes mencionan áreas como el despliegue de modelos, el entrenamiento a gran escala, la agrupación de cachés KV para contextos largos y el aprendizaje por refuerzo agéntico. 14

Lo que todavía no está demostrado

La publicación amplía el software disponible para Ascend y la prueba reportada muestra una configuración específica de inferencia offline. Pero ni la correspondencia entre componentes ni el diseño de expansión anunciado confirman un entrenamiento de V4 a gran escala en Ascend. Tampoco prueban un rendimiento equivalente al de NVIDIA: las cifras corresponden a otro hardware y los informes disponibles no presentan una prueba comparativa en condiciones iguales. 251947

La lectura más prudente es que DeepSeek publicó componentes relevantes para Ascend y que Huawei presentó una arquitectura de sistema junto con resultados de pruebas concretas. Aún no está resuelto cuánto se trasladan esos resultados a otras cargas de trabajo ni cómo se comparan con NVIDIA en una evaluación controlada.