Le 30 septembre 2026, DeepSeek a publié en open source ses composants d'infrastructure pour Ascend. DeepSeek a annoncé aujourd'hui via son compte WeChat officiel la publication officielle en open source de six composants d'infrastructure destinés à la plateforme de calcul Ascend de Huawei : TileLang, DeepGEMM, DeepEP, TileKernels, FlashMLA et DeepSelect, chacun faisant écho aux composants déjà publiés pour la plateforme NVIDIA. Les dépôts officiels sont tous sur GitHub (organisations tile-ai et deepseek-ai).
Ce qui rend cette publication digne d'intérêt, ce ne sont pas les modèles eux-mêmes, mais la « pile logicielle ». Le point faible des puces IA nationales n'a jamais été la puissance de calcul, mais l'écosystème : les chaînes d'outils pour écrire du code et optimiser les performances sont bien moins matures que CUDA de NVIDIA. Les médias étrangers y voient une étape clé pour combler le retard logiciel de l'industrie chinoise de l'IA.
Six composants d'un coup
- TileLang : un langage dédié à la syntaxe Python et une chaîne de compilation, bâtis sur l'infrastructure du compilateur TVM, conciliant productivité des développeurs et optimisation bas niveau. Le dépôt GitHub
tile-ai/tilelanga annoncé dans sa mise à jour du README d'aujourd'hui la prise en charge officielle de la génération native de code pour le NPU Ascend 950, de l'ordonnancement et de la synchronisation automatiques, ainsi que de la programmation vectorielle SIMD/SIMT. - DeepGEMM : bibliothèque d'accélération matricielle ; la version Ascend se trouve sous
deepseek-ai/DeepGEMM-Ascend. - DeepEP : bibliothèque de communication distribuée ; la version Ascend se trouve sous
deepseek-ai/DeepEP-Ascend. - TileKernels : collection de noyaux génériques ; FlashMLA : opérateurs d'attention parcimonieuse ; DeepSelect : outils de sélection de données.
DeepSeek a également confirmé que l'écrasante majorité des opérateurs utilisés pour l'entraînement de la série V4 ont été implémentés en TileLang — autrement dit, ces outils ont déjà été validés sur l'entraînement de modèles de pointe, et pas seulement sur le papier.
Pourquoi parler d'« équivalent de CUDA »
La correspondance est directe : dans l'écosystème NVIDIA, CUDA est la couche langage de programmation, cuBLAS se charge de l'accélération matricielle et NCCL de la communication collective. TileLang correspond à la couche langage de CUDA, DeepGEMM au calcul matriciel haute performance, et DeepEP à la communication collective. Une fois les développeurs à l'aise avec cette chaîne d'outils, ils ne sont plus liés à une seule plateforme matérielle — « coûts réduits, efficacité accrue », concrètement : le calcul national devient utilisable et abordable.
La collaboration avec Huawei : proche de la limite théorique
Il ne s'agit pas d'un simple « portage de code ». Selon DeepSeek, l'équipe Huawei a été profondément impliquée dans le co-développement : ensemble, ils ont déployé la solution de supernœud à 128 cartes pour l'Ascend 950 et optimisé en profondeur les voies de calcul et de communication, plusieurs tests montrant des performances proches des limites théoriques du matériel. Les supernœuds sont le format clé de l'entraînement des grands modèles — la plateforme Ascend est désormais prête pour l'entraînement des modèles phares.
Qui en bénéficie, et où sont les barrières
Les bénéficiaires directs sont les équipes qui entraînent et exploitent de grands modèles sur du calcul national : elles peuvent optimiser les opérateurs et accélérer l'entraînement sans tout reconstruire. Les barrières sont doubles : le matériel cible les NPU Ascend, difficile à utiliser sans environnement Ascend ; et la pile technologique exige de maîtriser à la fois le DSL de TileLang et le réglage bas niveau des noyaux. Mais la signification la plus grande est le signal envoyé à l'industrie — quand une équipe de modèles de premier plan construit sa chaîne d'outils sur du matériel national, la roue de l'écosystème se met à tourner.
