Por Canuto  

Huawei aporta los chips y la infraestructura; DeepSeek, los modelos y el trabajo de optimización. Un análisis de SemiAnalysis describe cómo esa colaboración busca hacer más útil Ascend para la IA, aunque advierte que persisten diferencias de rendimiento y problemas de compatibilidad.
***

  • DeepSeek añadió soporte para Ascend en seis proyectos de software, aunque el análisis señala que solo TileLang podía utilizarse en ese momento.
  • Las pruebas del Ascend 950PR mostraron resultados competitivos en algunos usos, pero su rendimiento absoluto quedó por debajo de los aceleradores más avanzados.
  • La integración entre ambas compañías también reveló limitaciones para ejecutar el software de Ascend en ciertos servidores x86.

Huawei y DeepSeek estrechan su alianza para impulsar la IA china

Huawei tiene aceleradores de inteligencia artificial, pero necesita modelos y cargas de trabajo que demuestren cómo aprovecharlos; DeepSeek cuenta con modelos y experiencia de ingeniería, aunque enfrenta restricciones para acceder a capacidad de cómputo. Esa complementariedad está dando forma a una colaboración que combina hardware, software y optimizaciones específicas para la familia Ascend, según un análisis de SemiAnalysis publicado el 21 de octubre de 2026.

La alianza importa porque no se limita a adaptar un modelo a un chip: también busca construir herramientas que otros desarrolladores puedan reutilizar. Sin embargo, los resultados expuestos muestran una relación todavía en desarrollo, con avances concretos en kernels y comunicación entre aceleradores, además de obstáculos de compatibilidad y diferencias de rendimiento frente a otros equipos.

Una alianza que combina chips, modelos y software

El 30 de septiembre, DeepSeek publicó componentes de software con soporte para Ascend en TileLang, DeepGEMM, DeepEP, TileKernels, FlashMLA y DeepSelect. El análisis presenta ese trabajo como un intercambio: Huawei pone a disposición el hardware y su pila de software nativa, mientras DeepSeek aporta modelos, cargas de trabajo y optimizaciones que ayudan a probar el comportamiento del sistema en escenarios reales.

La cooperación responde a necesidades distintas. Huawei cuenta con Pangu, pero, de acuerdo con el análisis, carece de un laboratorio de frontera que demuestre de forma amplia las capacidades de sus chips para entrenar o ejecutar modelos de vanguardia; DeepSeek, por su parte, requiere más capacidad de cómputo de la que puede adquirir. La colaboración ofrece a ambas partes una vía para cubrir parte de esas carencias.

SemiAnalysis estima que, en 2027 o 2028, DeepSeek podría depender principalmente de la pila de Huawei, en especial ante la presión para desarrollar un ecosistema chino de tecnología nacional. Se trata de una proyección, no de un compromiso confirmado por las compañías, y su materialización dependería de que el hardware, los compiladores y las herramientas de programación sigan madurando.

El análisis también recuerda una transcripción de una reunión con inversionistas de DeepSeek, fechada en mayo y descrita como no verificada. En ella, Liang Wenfeng habría dicho que la brecha del ecosistema de software entre China y Estados Unidos podría desaparecer, pero que Huawei necesitaba cuatro tarjetas aceleradoras para igualar una de NVIDIA y llegaba unos dos años tarde al mercado con cada generación de hardware.

Qué muestran las pruebas del Ascend 950PR

Para sus microbenchmarks, SemiAnalysis utilizó un Ascend 950PR_9579 con 28 núcleos Cube y 128 GiB de memoria HBM. El artículo advierte que existen múltiples variantes 950PR y 950DT, con distintas cantidades de núcleos, memoria y caché; algunas podrían corresponder a simulaciones o pruebas. Huawei, según la publicación, clasifica tanto el cómputo como la memoria y empareja componentes de prestaciones diferentes.

El análisis atribuye esa variedad a que no todos los chips y pilas HBM alcanzan las especificaciones objetivo, ya sea por defectos o por diferencias de potencia y rendimiento. La publicación compara esta estrategia con la clasificación de variantes del 910B, que incluye los modelos 910B1, 910B2, 910B3 y 910B4. En una prueba de persecución de punteros, las latencias se mantuvieron cerca de 134 nanosegundos hasta 18 bloques, subieron a 182 nanosegundos en 56 y saltaron a 391 nanosegundos en 64.

En una evaluación de 1.055 formas de multiplicación de matrices GEMM en BF16, los kernels de Huawei alcanzaron el 99,7% del límite teórico en los resultados reportados. La comparación no provino de contribuciones de DeepSeek, sino de una operación torch.matmul ejecutada en Ascend; por eso, el dato sirve para ilustrar el trabajo de Huawei y no debe confundirse con una medición directa del rendimiento de los proyectos de DeepSeek.

El rendimiento relativo cambia según el tipo de carga. En formas limitadas por cómputo, el promedio de capacidad lograda frente a la alcanzable fue de 41,5% en Ascend y 46,8% en H100; SemiAnalysis también indicó que las mediciones de ambos equipos se hicieron con límites de potencia y relojes por debajo de sus máximos. Pese a una utilización elevada en ciertos casos, el 950PR quedó por debajo del H100 en rendimiento absoluto y se situó, según el análisis, entre A100 y MI300X.

El software acerca el hardware a sus límites

El 950PR está orientado al prellenado y a la recomendación, y cuenta con menos núcleos y menor ancho de banda de memoria que el 950DT. En las pruebas de HBM descritas por SemiAnalysis, el 950PR superó al H100 en ancho de banda efectivo y utilización con mensajes pequeños, y casi igualó su utilización con mensajes grandes. La curva presentó una caída cuando Ascend cambió a un kernel TensorMove ejecutado por un núcleo Vector, cuyo costo de inicio penalizó las copias de tamaño intermedio.

El análisis subraya que los buenos resultados en FLOPs o ancho de banda no garantizan por sí solos una alta utilización durante el entrenamiento. Operaciones colectivas, puntos de control y movimiento de datos pueden limitar cuánto se aprovecha el chip, especialmente en configuraciones FSDP. También señala que comparar chips por consumo y costo total de propiedad puede resultar más informativo que tratarlos como unidades equivalentes, ya que varios dies pueden integrarse en un mismo sistema.

En el plano de software, TileLang es el único de los seis repositorios con soporte Ascend que, según el artículo, podía utilizarse en ese momento. DeepSeek requería CANN 9.2.0, que todavía no estaba disponible al redactarse el análisis; la versión beta 9.2.0-beta.2 tampoco ofrecía el compilador C++20 requerido. El documento mencionó que el HDK se esperaba para el 15 de octubre; el análisis no confirma si esa disponibilidad prevista se concretó.

El backend de Ascend se integró en el repositorio principal de TileLang, con compilación nativa, programación, sincronización y conexión con el entorno de ejecución del chip. El programador aún debe elegir cálculos, tamaños de tiles y ubicación de datos, pero el compilador coordina parte del trabajo entre núcleos Cube, núcleos Vector y transferencias. En ciertos casos, TileLang igualó o superó a CANN, aunque el resultado preferido dependió del tamaño de la operación.

DeepEP y la comunicación entre aceleradores

Huawei impulsa sistemas de gran escala mediante supernodos Ascend que conectan aceleradores en varios racks, desde el 910 CloudMatrix384 hasta el 950 SuperPod. El 30 de septiembre también publicó pruebas de envío y combinación EP16 sobre URMA en un superpod 950DT. DeepEP-Ascend, descrito como un puerto de DeepEP V2.5, conserva la misma API de Python y utiliza URMA y HCCL en las capas inferiores.

Las cifras requieren cautela porque las rutas comparadas no ejecutan exactamente el mismo trabajo. El envío de Huawei consta de tres operadores secuenciales, pre, URMA y post, mientras que GB300 emplea una llamada fusionada; además, la medición de Huawei incluye la finalización de recepción y una expansión por expertos que no aparece en los resultados de GB300. Esas diferencias dificultan interpretar una comparación directa como si ambos recorridos fueran equivalentes.

La arquitectura de Ascend separa rutas de ejecución Cube y Vector, lo que abre oportunidades para solapar cómputo y comunicación, pero no elimina la competencia por recursos. El procesamiento de expertos también puede necesitar operaciones vectoriales y movimiento de datos, mientras la comunicación consume ancho de banda de memoria. Por tanto, ocultar más comunicación puede ralentizar el trabajo que se ejecuta al mismo tiempo.

La documentación de DeepEP-Ascend identifica contención entre la operación de combinación y la comunicación URMA por el uso de HBM, y menciona mejoras de firmware de Huawei como trabajo futuro. El análisis compara este problema con la receta de entrenamiento Kimi K3, que limita explícitamente el uso de vectores para reservar capacidad a tareas concurrentes y selecciona entre comunicación dedicada y basada en vectores según las necesidades de solapamiento.

El perfil de DeepSeek-V4.1-Flash

Huawei publicó un perfil de DeepSeek-V4.1-Flash en un despliegue de 32 chips Ascend 950DT, junto con información de sus hilos de CPU anfitriona. El orden descrito incluye 40 capas del modelo objetivo y su cabeza de lenguaje, tres bloques preparadores DSpark, la cabeza del modelo borrador y cinco rondas de muestreo. El cómputo principal se ejecuta en Stream 19 y el preparador en Stream 173.

El perfil vuelve a mostrar kernels V2 MC² que fusionan cómputo y comunicación, como los observados en el rastro de DSv4 Pro, aunque esta vez con V3. El análisis contabiliza cuatro operaciones HCCL iniciadas por CPU de IA por paso, frente a 43 envíos de expertos; las primeras corresponden a operaciones de recopilación de estados ocultos y posterior intercambio de logits para las cabezas de vocabulario objetivo y borrador.

Los bloques preparadores producen logits base para posiciones de borrador, mientras una cabeza de Markov modela dependencias de tokens durante el muestreo y la retroalimentación de incrustación. Según la descripción, este proceso no vuelve a ejecutar los bloques transformadores para cada propuesta. Al cierre de cada paso, la secuencia cambia de las operaciones de mezcla de expertos y atención a proyecciones pequeñas y tareas seriales de muestreo.

La decodificación especulativa permite generar tokens candidatos y verificarlos en una pasada, con el objetivo de amortizar la carga de pesos sin cambiar el resultado final. En el perfil presentado, el borrador DSpark aparece más rápido que el paso de verificación. El análisis también señala que DSv4.1-Flash es el primer modelo de DeepSeek que usa Engram, una técnica de memoria que permite buscar por identificadores de tokens y solapar la recuperación con el cómputo de la primera capa.

Los avances no eliminan las brechas del ecosistema

En la ventana de estado estacionario del perfil, Stream 19 permaneció ocupado durante 88,8% del tiempo, aunque contribuyó con 72,6% de la duración total del dispositivo porque otras transmisiones se solaparon con su ejecución. Las bandas MIX_AIV y AI_VECTOR_CORE incluyen envío, combinación y cuantización. El artículo advierte que las etiquetas de tarea no equivalen a mediciones exclusivas de utilización de una unidad física Cube o Vector.

Como ejercicio teórico, duplicar el rendimiento Cube y mantener sin cambios el resto del trabajo produciría una mejora de 1,32 veces en el paso, según la composición de tiempos utilizada por SemiAnalysis. La publicación aclara que no es una predicción sobre nuevos chips: el ancho de banda, las dependencias y la programación podrían variar, y los tipos de tareas mixtas no permiten asignar toda la duración a una sola unidad. También identifica la fusión de cuantización como una posible oportunidad de optimización.

La colaboración podría beneficiar a DeepSeek sin hacer que Ascend resulte igual de sencillo de usar para todos los desarrolladores. Mantener compiladores, kernels y herramientas específicas de cada proveedor compite con otras prioridades de investigación y producto, mientras que las optimizaciones orientadas a supernodos no siempre encajan con configuraciones de hardware distintas. Esa diferencia entre una integración hecha a medida y una plataforma generalizable sigue siendo un reto para el ecosistema.

El análisis enumeró problemas para utilizar Ascend en servidores x86 hasta la versión vLLM-Ascend_0.26.0rc1: ausencia de DeepGEMM en esos hosts, una dependencia de memfabric_hybrid con cabeceras ARM codificadas, omisión de la vinculación a CPU en procesadores que no son ARM y falta de integración continua para NPU junto con x86. En conjunto, la alianza ofrece señales de progreso en software y coordinación, pero su alcance dependerá de que Huawei y DeepSeek resuelvan estas incompatibilidades y amplíen el soporte más allá de sus configuraciones prioritarias.


ADVERTENCIA: DiarioBitcoin ofrece contenido informativo y educativo sobre diversos temas, incluyendo criptomonedas, IA, tecnología y regulaciones. No brindamos asesoramiento financiero. Las inversiones en criptoactivos son de alto riesgo y pueden no ser adecuadas para todos. Investigue, consulte a un experto y verifique la legislación aplicable antes de invertir. Podría perder todo su capital.

Suscríbete a nuestro boletín

Artículos Relacionados