La domination de Nvidia tient aussi au logiciel. DeepSeek attaque précisément ce point : depuis le 30 septembre 2026, de nouveaux outils ouverts permettent de programmer les accélérateurs Ascend de Huawei et d’y porter des opérations essentielles aux grands modèles. Une avancée tangible vers une IA moins dépendante de CUDA, sans rendre la migration indolore.
Dans la bataille de l’intelligence artificielle, on compare volontiers les puces, leur mémoire et leur puissance de calcul. Pour une entreprise qui entraîne ou exploite un modèle, une autre question pèse lourd : combien de temps faudra-t-il pour faire fonctionner ses logiciels sur une machine différente ? C’est sur ce coût de changement que DeepSeek et Huawei cherchent à agir.
DeepSeek fournit à Huawei des briques pour desserrer l’emprise de Nvidia
Le projet TileLang annonce officiellement le support d’Ascend 950 au 30 septembre. Ce langage spécialisé sert à écrire des kernels, les petites routines qui exécutent les calculs critiques d’un modèle. Le nouveau support comprend la génération de code et la gestion de certaines tâches d’ordonnancement et de synchronisation.
La documentation du backend Ascend attribue son développement initial principalement à des ingénieurs de DeepSeek, avec une collaboration de Huawei et le soutien de la communauté TileLang.
L’intérêt dépasse ce seul compilateur. DeepSeek publie également des versions Ascend de bibliothèques de calcul et de communication. Trois briques permettent de comprendre la démarche :
| Brique | Son rôle concret | Ce que cela peut faciliter |
|---|---|---|
| TileLang pour Ascend 950 | Transformer des opérations écrites dans un langage spécialisé en code pour l’accélérateur | Développer des routines adaptées à Huawei |
| DeepGEMM-Ascend | Exécuter des multiplications de matrices | Réutiliser une interface de calcul déjà connue |
| DeepEP-Ascend | Échanger les données entre les experts d’un modèle réparti sur plusieurs accélérateurs | Porter des opérations de communication vers Ascend |
Cette combinaison couvre plusieurs tâches dont dépend l’efficacité d’un modèle. Elle donne aux développeurs des points de départ concrets, plutôt qu’une simple promesse de compatibilité.
Pourquoi CUDA rend le changement de fournisseur si difficile
Selon la documentation de Nvidia, CUDA est une plateforme de calcul parallèle et un modèle de programmation pour ses GPU. Ses outils permettent de distribuer les opérations, gérer la mémoire et coordonner l’exécution. L’ensemble inclut notamment des compilateurs et des interfaces de programmation.
Pour comprendre le problème, imaginons une cuisine professionnelle : remplacer le four ne suffit pas si les recettes, les ustensiles et les gestes de l’équipe ont été conçus autour de l’ancien équipement. Dans un centre de données, ces habitudes prennent la forme de code, de bibliothèques et de procédures d’exploitation.
Une migration engage donc davantage que l’achat de nouvelles cartes. Il faut vérifier que les calculs restent corrects, retrouver des performances acceptables et former les équipes à d’autres outils. Chaque adaptation représente du temps d’ingénierie et un risque pour les services déjà en production.
C’est ce mécanisme que désigne ici le « verrou CUDA » : l’avantage d’un environnement dans lequel une équipe a déjà investi. Le desserrer suppose de réduire le travail nécessaire pour en sortir.
TileLang crée une autre voie de programmation
TileLang propose une syntaxe proche de Python pour exprimer des opérations de calcul par blocs. Le projet prend en charge plusieurs plateformes, dont Nvidia et désormais Ascend 950. CUDA reste d’ailleurs son backend principal : le langage ne se construit pas exclusivement contre Nvidia. Présentation et plateformes prises en charge par TileLang.
Pour un développeur, l’intérêt est de placer une partie du travail à un niveau moins directement lié aux instructions d’une puce. Le compilateur traduit ensuite les opérations vers la cible choisie. Il faut cependant respecter les particularités de celle-ci et optimiser le code en conséquence.
Un langage commun peut ainsi réduire certaines différences entre plateformes. Il ne transforme pas automatiquement un programme CUDA existant en application Huawei prête à fonctionner.
Calculer vite et communiquer efficacement : les deux fronts de DeepSeek
DeepGEMM-Ascend rapproche les interfaces de calcul
La bibliothèque DeepGEMM-Ascend porte DeepGEMM vers les NPU Huawei. Ses auteurs annoncent une compatibilité avec l’interface de programmation de DeepGEMM et une première version pour Ascend 950 publiée le 30 septembre. Le dépôt précise toutefois que certains formats de données diffèrent de ceux employés sur Nvidia.
Les multiplications de matrices sont des opérations répétées à grande échelle dans les modèles. Les rendre efficaces aide à exploiter le matériel disponible. La continuité des interfaces peut aussi éviter de réécrire certaines parties du logiciel qui appelle ces opérations.
DeepSeek publie des mesures sur Ascend 950DT, dont un cas de multiplication dense BF16 atteignant, selon ses tests, 99,8 % de la limite matérielle indiquée. Ce résultat concerne un calcul et une configuration précis. Il ne mesure ni le coût d’un entraînement complet ni une supériorité générale sur les GPU Nvidia. Conditions et résultats des tests DeepGEMM-Ascend.
DeepEP-Ascend traite les échanges entre experts
Les architectures à mélange d’experts, ou MoE, répartissent le travail entre différentes parties du modèle. Lorsqu’elles sont distribuées sur plusieurs accélérateurs, les données doivent circuler vers les experts sélectionnés puis leurs résultats être réunis.
DeepEP-Ascend fournit ces opérations de communication pour l’entraînement et l’inférence sur les NPU Huawei. Ses interfaces publiques sont alignées avec celles de la version Nvidia. C’est une autre manière de limiter le travail d’adaptation.
Mais le dépôt décrit encore plusieurs fonctions expérimentales ou inachevées, notamment certaines communications collectives et des opérations d’équilibrage de charge. Les tests annoncés reposent sur Ascend 950DT et une configuration logicielle déterminée. Une interface ressemblante ne garantit donc pas une parité complète des fonctionnalités.
Sortir de CUDA laisse d’autres dépendances à gérer
Un détail de la documentation est particulièrement révélateur : TileLang pour Ascend peut être construit avec CUDA désactivé, sans nécessiter le toolkit Nvidia. Il exige en revanche les pilotes Ascend, les outils CANN, le compilateur Bisheng et des versions compatibles de PyTorch et de torch_npu. Prérequis et installation du backend Ascend.
Pour les routines concernées, il existe donc une voie d’exécution sans CUDA. Cela ne prouve pas que l’ensemble des applications d’un laboratoire, ni tous les entraînements de DeepSeek, peuvent déjà se passer de Nvidia.
Huawei présente de son côté CANN comme le socle de l’écosystème Ascend et décrit son évolution vers un développement ouvert porté par la communauté. Annonce de Huawei au Huawei Connect, le 17 septembre 2026.
L’ouverture du code donne davantage de possibilités d’inspection et d’adaptation. Elle ne supprime pas les contraintes matérielles, les versions de pilotes ou la disponibilité des outils. Une équipe qui envisage Ascend devra juger la plateforme complète sur ses propres usages.
La vraie menace pour Nvidia serait une migration devenue banale
L’enjeu industriel apparaît ici clairement. Si une alternative demande des mois de travail pour chaque modèle, son adoption reste coûteuse. Si les opérations de calcul et de communication deviennent plus faciles à porter, le choix du matériel peut progressivement s’élargir.
C’est notre lecture de cette publication : DeepSeek renforce la crédibilité logicielle d’Ascend en fournissant des composants utilisables et documentés. Pour Huawei, cela peut compter autant qu’une nouvelle fiche technique. Pour les utilisateurs, le bénéfice potentiel est une marge de choix supplémentaire.
La suite se mesurera à des résultats moins spectaculaires qu’une annonce : des intégrations maintenues, des fonctions complètes et des performances reproduites sur des charges réelles. Il faudra aussi comparer le coût total, incluant l’électricité, l’exploitation et les heures consacrées à la migration.
DeepSeek et Huawei ont franchi une étape concrète. Le verrou CUDA se desserrera réellement lorsque changer de plateforme deviendra une opération ordinaire pour les équipes qui construisent l’IA.
Références
- TileLang : annonce du support Ascend 950 et plateformes compatibles, annonce du 30 septembre 2026.
- TileLang Ascend : installation, programmation et contributions.
- DeepGEMM-Ascend : première version, interfaces et tests, version initiale du 30 septembre 2026.
- DeepEP-Ascend : communications et limites du support.
- Nvidia : guide officiel de programmation CUDA.
- Huawei : évolution de l’écosystème Ascend et de CANN, 17 septembre 2026.
