2026년 9월 30일, DeepSeek가 Ascend 인프라스트럭처 컴포넌트를 오픈소스로 공개했다. DeepSeek는 오늘 공식 위챗 계정을 통해 화웨이 Ascend 컴퓨팅 플랫폼용 인프라스트럭처 컴포넌트 6종(TileLang, DeepGEMM, DeepEP, TileKernels, FlashMLA, DeepSelect)을 정식으로 오픈소스화한다고 발표했다. 이는 이전에 NVIDIA 플랫폼용으로 공개한 컴포넌트와 일대일로 대응하며, 공식 저장소는 모두 GitHub에 있다(조직명 tile-ai, deepseek-ai).
이번 공개에서 주목할 점은 모델 자체가 아니라 '소프트웨어 스택'이다. 국산 AI 칩의 약점은 지금까지 연산 성능이 아니라 생태계였다. 코드를 작성하고 성능을 최적화하는 툴체인의 성숙도는 NVIDIA CUDA에 한참 못 미친다. 외신들은 중국 AI 산업이 소프트웨어 생태계의 약점을 보완하는 핵심 단계로 받아들이고 있다.
6개 컴포넌트
- TileLang: Python 스타일 문법의 도메인 특화 언어 컴파일러 툴체인으로, TVM 컴파일러 인프라를 기반으로 개발 효율성과 저수준 최적화를 양립시킨다. GitHub 저장소
tile-ai/tilelang은 오늘 README 업데이트를 통해 Ascend 950 NPU 네이티브 코드 생성, 자동 스케줄링과 동기화, SIMD/SIMT 벡터 프로그래밍의 공식 지원을 발표했다. - DeepGEMM: 행렬 연산 가속 라이브러리. Ascend 버전은
deepseek-ai/DeepGEMM-Ascend. - DeepEP: 분산 통신 라이브러리. Ascend 버전은
deepseek-ai/DeepEP-Ascend. - TileKernels: 범용 커널 모음, FlashMLA: 희소 어텐션 연산자, DeepSelect: 데이터 선별 도구.
DeepSeek는 또한 V4 시리즈 학습에 사용된 연산자의 대다수가 TileLang으로 구현되었다고 밝혔다. 즉, 이 툴들은 최첨단 대규모 모델 학습에서 이미 검증된 것으로, 종이 위의 계획이 아니다.
'CUDA에 맞선다'는 것은 무슨 의미인가
대응 관계는 명확하다. NVIDIA 생태계에서 CUDA는 프로그래밍 언어 계층, cuBLAS는 행렬 가속, NCCL은 집합 통신을 담당한다. TileLang은 CUDA의 언어 계층에, DeepGEMM은 고성능 행렬 연산에, DeepEP는 집합 통신에 대응한다. 개발자가 이 툴체인에 익숙해지면 단일 하드웨어에 얽매이지 않게 된다. '비용 절감·효율 향상'을 구체화하면, 국산 연산 자원이 '쓸 수 있는 것', '싸게 쓸 수 있는 것'이 된다는 뜻이다.
화웨이와의 공동 개발: 이론 상한에 근접한 성능
단순한 '코드 포팅'이 아니다. DeepSeek에 따르면 화웨이 팀이 공동 개발에 깊이 관여했으며, 양측이 Ascend 950의 128카드 슈퍼노드 구성을 함께 구현하고 연산·통신 링크를 철저히 튜닝했다. 여러 테스트에서 연산·통신 성능이 하드웨어 이론 상한에 근접했다고 한다. 슈퍼노드는 대규모 모델 학습의 핵심 구성으로, Ascend 플랫폼이 플래그십 모델 학습을 뒷받침할 실전 역량을 갖췄음을 보여준다.
누가 혜택을 받고, 진입 장벽은 어디인가
직접적인 수혜자는 국산 연산 자원 위에서 대규모 모델을 학습·추론하는 팀이다. 처음부터 다시 만들 필요 없이 연산자 최적화와 학습 가속을 할 수 있다. 장벽은 두 가지다. 하드웨어는 Ascend NPU용이어서 Ascend 환경 없이는 손대기 어렵고, 기술 스택은 TileLang의 DSL과 저수준 커널 튜닝 양쪽에 익숙해야 한다. 하지만 더 큰 의미는 산업에 주는 시그널에 있다. 최정상급 모델 팀이 국산 하드웨어 위에 툴체인을 쌓기 시작하면 생태계의 플라이휠이 돌기 시작한다.
