DeepSeek планомерно снижает зависимость от оборудования NVIDIA, что вызывает серьезное беспокойство у китайских ИИ-лабораторий из-за резких колебаний в его массовой доступности.
Для этого ведущая китайская ИИ-лаборатория, по сообщениям, обращается к Huawei и ее Ascend 950DT SuperPoDs/Supernodes для проведения полного цикла обучения предстоящей модели V5. В случае успеха это будет первый в Китае цикл обучения ИИ, завершенный на полностью отечественном аппаратном стеке, дополненном компилятором ядер TileLang, аналогичным CUDA.
DeepSeek заказал около 160 000 чипов Huawei Ascend 950DT, поставки начнутся в четвертом квартале 2026 года
По данным авторитетных инсайдеров, таких как Jukan и Teortaxes в X, DeepSeek намеревается обучать свою модель V5 с примерно 8 триллионами параметров на чипах Huawei Ascend.
Как мы недавно отмечали, DeepSeek уже разместил крупный заказ на 160 000 чипов Ascend 950DT у Huawei для своего дата-центра мощностью 1 ГВт во Внутренней Монголии, причем поставки ожидаются в четвертом квартале 2026 года.
Стоит отметить, что рыночная цена каждого чипа Ascend 950DT в настоящее время составляет около 111 000 юаней или ~$16 000 (по сравнению с $15 000–$25 000 за GPU NVIDIA H20), а общая сумма заказа DeepSeek может достигать $2,56 млрд.
Для тех, кто не в курсе, чип Ascend 950DT построен на собственной разработанной Huawei архитектуре DaVinci v3 третьего поколения и использует технологию процесса N+3 от SMIC (усовершенствованный процесс класса 7 нм).
Чип может обрабатывать как задачи обучения, так и задачи декодирования. Более того, каждый чип Ascend 950DT оснащен 144 ГБ специализированной памяти High Bandwidth Memory (HiZQ 2.0 HBM), обеспечивающей пропускную способность памяти 4,0 ТБ/с и скорость межсоединения GPU-GPU 2,0 ТБ/с. Он также нативно поддерживает форматы с низкой точностью, такие как FP8, FP4 и проприетарный формат Huawei HiF8.
Конечно, Huawei также использует этот чип в своей инфраструктуре Atlas 950 SuperPoD, которая объединяет до 8192 чипов Ascend 950DT для обеспечения пиковой вычислительной мощности ИИ в 8 EFLOPS. Фактически, эти SuperPoDs (также называемые Supernodes) могут быть одной из главных причин привлекательности для DeepSeek. В конце концов, они имеют межсоединения от карты к карте со скоростью 2 ТБ/с и предлагают необработанную вычислительную мощность 8 EFLOPS в FP8.
Но это еще не все. Как мы недавно отмечали, DeepSeek теперь перенес свой стек ИИ-инфраструктуры на GPU Huawei Ascend, оснастив его следующими высокоценными компонентами:
- DeepSelect для высокопроизводительных ядер TopK
- TileLang для оптимизации ИИ-ядер
- DeepGEMM-Ascend для оптимизации ядер GEMM
- DeepEP-Ascend для коммуникации по экспертному параллелизму
- TileKernels, которые являются ядрами векторных вычислений и доступа к памяти
- FlashMLA для оптимизации ядер внимания MLA
Из них компилятор ядер TileLang является наиболее значимым дополнением, особенно потому, что он позволяет предприятиям писать код на TileLang с самого начала, а поставщикам чипов требуется только одна адаптация бэкенда, при этом программы автоматически выбирают базовые реализации во время выполнения.
По сути, собственная ИИ-платформа DeepSeek теперь работает нативно на GPU Huawei Ascend, увеличивая использование Model FLOPS Utilization (MFU) каждого чипа до 45 процентов, что является значительным улучшением по сравнению с MFU около 30 процентов, которое ранее сообщалось для чипов Huawei 910C.
Кроме того, DeepSeek и Huawei недавно оптимизировали 128-карточную версию Ascend 950 Atlas SuperPoD, где оператор разреженного внимания смог достичь 410 TFLOPS на фазе чтения и позволил рабочим нагрузкам приблизиться к 95 процентам теоретического математического пика FP8 чипов на изолированных, ограниченных вычислениями задачах.
Последнее слово мы предоставляем китайскому эксперту по бизнесу и финансам, @himsam181337 в X, который отмечает:
Если V5 пройдет успешно, то будет подтверждено не то, что «Ascend может обучать большие модели» — эксперименты Хэ Тао после обучения уже частично ответили на этот вопрос. Что действительно будет подтверждено, так это сможет ли маршрут «аппаратно-независимого промежуточного слоя» TileLang поддерживать полный цикл предварительного обучения для передовой модели. Если это так, то нарратив отечественной вычислительной конкуренции сместится с «чьи TFLOPS ближе к H100» на «чей чип имеет более глубокую адаптацию бэкенда к TileLang, чей суперузел более надежен в длительном стабильном обучении». CUDA потратила почти двадцать лет на привязку разработчиков к своему программному стеку, и DeepSeek и Huawei делают ставку на то, что код обучения моделей следующего поколения не обязательно должен начинаться с CUDA. V5 — это первый настоящий стол для этой ставки. Если они выиграют ставку, статус CUDA как «варианта по умолчанию» треснет своей первой структурной трещиной на стороне китайского ИИ-обучения; если они проиграют, трещина задержится, но направление не изменится — потому что доля Nvidia на китайском рынке ИИ-чипов уже упала с 95% до 8%, Ascend до 50%, и импульс замещения не может быть обращен вспять выбором одной компании-модели.
Всегда имейте в виду, что редакции могут придерживаться предвзятых взглядов в освещении новостей.
Автор – Rohail Saleem
