DeepSeek et Huawei publient des outils Ascend open‑source — plus d’alternatives à CUDA, mais pas encore de miracle
Article réalisé avec assistance IA à partir des sources citées, avec contrôle éditorial automatisé.
Annonce et preuves : quoi et quand
Le 30 septembre 2026 DeepSeek a annoncé, en partenariat avec Huawei, la mise à disposition d’outils open‑source visant à faciliter la programmation des accélérateurs Ascend et à réduire la dépendance à l’écosystème Nvidia/CUDA. Le relais presse a notamment été assuré par Tom’s Hardware et des dépêches (voir synthèse reprise par MarketScreener).
Ce n’est pas que de la communication : des dépôts publics montrent un backend TileLang pour Ascend et une bibliothèque de kernels utilisés comme exemples pour des modèles (voir le dépôt tile-ai/tilelang-ascend · Releases et la bibliothèque deepseek-ai/TileKernels).
Que contient cet ensemble et pourquoi c’est utile
Les artefacts publiés regroupent plusieurs niveaux :
- un adaptateur TileLang pour générer des kernels ciblant Ascend (génération de code, ordonnancement automatique, synchronisation) ;
- des kernels optimisés pour des opérations critiques (GEMM, variantes de FlashAttention, etc.) et des exemples liés à des modèles DeepSeek ;
- des primitives de communication pour l’entraînement multi‑accélérateurs (pour répartir et collecter les résultats dans des architectures comme les MoE).
Techniquement, ces composants s’appuient sur la plateforme logicielle Huawei CANN — Huawei avait déjà ouvert et documenté CANN en 2025 (annonce CANN, août 2025) et la distribution communautaire CANN fournit le runtime et les API bas‑niveau nécessaires (release notes CANN 9.x).
Ce que ça change concrètement pour les ingénieurs
Concrètement, deux bénéfices pragmatiques :
- moins de friction pour porter des opérateurs : TileLang offre une couche haut‑niveau qui évite d’écrire manuellement chaque kernel en asm/IR spécifique à Ascend ;
- exemples et kernels prêts à l’emploi pour des primitives LLM courantes, ce qui raccourcit le temps d’expérimentation et de prototypage sur Ascend.
En clair : si vous testez des modèles hors Nvidia, vous avez maintenant des outils familiers pour démarrer plus vite. Ça ressemble à donner des gants antidérapants à des équipes qui bricolent jusque‑là avec des pinces : nettement mieux, mais ce n’est pas encore une usine automatisée.
Pourquoi rester prudent : disponibilité ≠ maturité
Publier du code est nécessaire, mais pas suffisant pour remplacer l’hégémonie CUDA. Des travaux académiques et retours terrain montrent que déployer des LLMs massifs et des architectures MoE sur des accélérateurs non‑GPU pose encore des défis (stabilité, correctifs d’opérateurs, orchestration) — voir notamment une étude technique sur les limites observées sur Ascend (arXiv).
Par ailleurs, certains noms cités par la presse (par ex. « DeepGEMM‑Ascend » ou un bundle unique regroupant toutes les briques) ne sont pas forcément disponibles comme un package public bien identifié : preuves partielles existent, mais le packaging complet et les éléments de production restent à confirmer sur les dépôts officiels.
À surveiller maintenant
- benchmarks indépendants comparant Ascend+TileLang vs Nvidia+CUDA en entraînement et inférence à grande échelle ;
- la publication d’un packaging complet et de guides d’exploitation pour la production ;
- retours d’équipes ayant mis en production des LLMs sur Ascend : stabilité, latence, coût et complexité d’exploitation.
Je salue l’effort : plus d’outils open‑source, c’est de la concurrence utile. Mais ne confondons pas ouverture du code et maturité opérationnelle — la première prépare le terrain, la seconde demande encore des bottes de chantier et des café‑noirs à la chaîne.
Sources citées dans le texte : Tom’s Hardware (30 sept. 2026), MarketScreener, dépôts tilelang‑ascend et deepseek‑ai/TileKernels, documentation Huawei CANN (août 2025), CANN 9.x release notes et étude technique arXiv.
Yarek Chmielewski Geek.
