Ascend CANN : les chiffres de la communauté Huawei à l’épreuve du terrain

Huawei veut faire de CANN, la pile logicielle de ses processeurs d’intelligence artificielle Ascend, une plateforme développée avec une communauté extérieure à l’entreprise. Pour les équipes qui envisagent d’utiliser ces puces, l’enjeu est concret : disposer du code, des outils et des passerelles nécessaires pour adapter leurs modèles. Mais une communauté active ne suffit pas à prouver une adoption durable en production.38

Des chiffres de croissance à lire avec précaution

Huawei fait état de plus de 5 200 développeurs actifs par mois sur CANN. Selon l’entreprise, 61 % des développeurs sont externes, une proportion qui dépasse pour la première fois celle de ses propres équipes.3 Un autre article, attribuant également ses chiffres à Huawei, évoque plus de 6 230 développeurs actifs par mois, plus de 60 millions de téléchargements de dépôts de code et plus de la moitié des contributions actives provenant de l’extérieur de l’organisation Ascend.10

Les éléments disponibles ne permettent ni d’expliquer l’écart entre les deux décomptes de développeurs ni de vérifier indépendamment les totaux de téléchargements et de contributions. La part des développeurs externes et celle de leurs contributions mesurent, en outre, deux choses différentes. Huawei présente CANN comme la communauté open source la plus dynamique de Chine ; un autre article rapporte que l’entreprise la décrit comme la plus active du pays depuis juin. Les sources ne fournissent pas de classement indépendant fondé sur des critères comparables.311

Ce que l’ouverture change pour les développeurs

Un article fait état d’une mise à disposition du code dès le premier jour pour l’Ascend 950 : l’objectif est de permettre aux développeurs de l’examiner et de l’adapter à mesure que le nouveau matériel arrive.10 Huawei décrit CANN comme une architecture organisée en couches et en composants, avec des interfaces pour créer des opérateurs — les fonctions de calcul utilisées par les modèles —, travailler sur les graphes de calcul et contrôler les applications. Les dépôts de la communauté répertorient notamment des bibliothèques d’opérateurs et des projets liés au moteur de graphes.815

Pour la génération Ascend 950, Huawei indique avoir ajouté à Ascend C les modes de programmation SIMD et SIMT ainsi que Regbase.5 CANNBot est présenté comme un ensemble de modules réutilisables pour développer des opérateurs, migrer des modèles et optimiser l’inférence avec Ascend C, PyPTO, TileLang ou Triton. Un flux de travail associant CANNBot à CANNBench relie génération, évaluation, retour sur les défauts et nouvelle itération.552 Ces outils peuvent alléger certaines tâches répétitives ; leur existence ne démontre pas, à elle seule, les performances obtenues en production.

Huawei décrit aussi des intégrations avec PyTorch, TensorFlow, MindSpore et PaddlePaddle.8 L’entreprise affirme qu’Ascend est officiellement pris en charge comme accélérateur PyTorch et qu’il fonctionne avec plus de 90 projets open source tiers ; l’adaptateur TorchNPU vise à permettre à PyTorch d’utiliser les processeurs Ascend.313 La documentation de Triton-Ascend mentionne l’Ascend 950 pour la compilation et l’optimisation des noyaux de calcul. Huawei cite également des collaborations avec vLLM et verl.24

Le véritable test : des usages qui durent

Compatibilité, contributions et téléchargements rendent Ascend plus accessible. Ils ne disent toutefois pas combien d’équipes entraînent ou exécutent régulièrement des modèles à grande échelle sur cette plateforme. Selon Reuters, Huawei prévoit une utilisation plus large des systèmes Ascend 950DT pour l’entraînement de modèles en 2027, tandis que des documents de l’entreprise indiquent que des systèmes Ascend 950 sont déjà entrés en usage commercial.1 L’écosystème prend forme ; son ampleur réelle en production reste à établir.