DeepSeek veröffentlicht einen Open-Source-Software-Stack für Huaweis Ascend-Chips mit Blick auf CUDA

DeepSeek veröffentlichte am 30. September 2026 ein Software-Toolkit für Huaweis Ascend-KI-Beschleuniger, entwickelt mit Unterstützung von Huawei und gerichtet auf die Ebene, die chinesische KI-Chips an Nvidia gebunden hat: den Programmier-Stack. Die Ankündigung erfolgte über DeepSeeks offiziellen WeChat-Kanal und wurde von Bloomberg und Reuters gemeldet.

Zum Weiterlesen: Huawei zieht Ascend 960DT auf Q1 2027 vor und zeigt ein SuperPoD mit Near-Packaged-Optics · Nvidias Anteil am chinesischen KI-Chipmarkt fällt auf 34 Prozent, Huawei holt auf.

Das Kernstück ist TileLang, eine Hochsprache zum Schreiben von Rechenkernen. DeepSeek positioniert sie als heimische Alternative zu CUDA, der Nvidia-Softwareplattform, die seit mehr als einem Jahrzehnt der De-facto-Standard für die Programmierung von KI-Chips ist. Die Veröffentlichung ist eine Softwaregeschichte über einen Hardwaregraben.

Der Graben ist die Toolchain, nicht der Transistor

Über den größten Teil des vergangenen Jahrzehnts war die Frage „welcher KI-Chip?" in Wahrheit die Frage „welche Software?". CUDA gibt Entwicklern eine vertraute Sammlung von Bibliotheken, Compilern, Debuggern und Dokumentation, und es läuft nur auf Nvidia-Hardware. Eine Trainings- oder Inferenzlast auf einen anderen Anbieter zu verschieben bedeutet, Rechenkerne neu zu schreiben, Kollektivkommunikationscode zu ersetzen und die Leistung neu abzustimmen, oft über Monate Ingenieursarbeit. Diese Wechselkosten, mehr noch als ein einzelner Benchmark, haben Konkurrenten draußen gehalten.

Ein Beschleuniger kann auf dem Papier mit Nvidia mithalten und trotzdem verlieren, weil das Papier die über Jahre angesammelten Werkzeuge nicht enthält. Das ist der Boden, den die Ascend-Plattform zu schließen versucht, und es ist der Boden, den DeepSeeks Veröffentlichung angreift. Eine freie, offene, CUDA-ähnliche Sprache plus die Bibliotheken darum senkt die Kosten, eine Last auf chinesisches Silizium zu verschieben, was der strategische Kern der Ankündigung ist.

Die Bindung ist keine einzelne Entscheidung, sondern eine Reihe davon. Ein Team wählt CUDA für sein erstes Modell, weil das Tutorial, die Bibliothek und die Antwort in einem Forum alle dort sind. Das nächste Modell erbt diesen Code, der nächste Ingenieur erbt die Gewohnheiten, und mit der Zeit wird die Codebasis selbst der Grund, nicht zu wechseln. Konkurrierendes Silizium muss vergleichbare Geschwindigkeit bieten und einen Ort, an dem vorhandener Code laufen kann, was die Lücke ist, die eine Kernelsprache verengen soll.

Was eine Kernelsprache tatsächlich ist

Ein Modell zu trainieren oder bereitzustellen bedeutet, dieselbe kleine Zahl von Operationen milliardenfach auszuführen. Matrixmultiplikation dominiert die Rechenlast, und der Datentransfer zwischen Chips dominiert einen Großteil des restlichen Aufwands auf Mehrknotensystemen. Jede dieser Operationen muss als Kernel ausgedrückt werden, eine Funktion, die geschrieben wird, um effizient auf einem bestimmten Stück Hardware zu laufen.

Kernel von Hand zu schreiben ist Spezialistenarbeit. Entwickler schreiben sie in einer hardwarenahen Sprache und stimmen dann Speicherzugriff, Thread-Planung und Datenlayout ab, bis die Operation nahe am Limit des Chips läuft. TileLang sitzt über dieser Ebene. Es gibt Programmierern eine höherstufige Möglichkeit, eine Operation zu beschreiben, und überlässt einem Compiler die hardwarespezifischen Entscheidungen. Das ist ungefähr das Angebot, das CUDA über seine eigenen Sprachen und Bibliotheken macht, und deshalb ist eine Kernelsprache, nicht ein Treiber, der Einstiegspunkt in ein Ökosystem.

Die beiden in der Veröffentlichung genannten Bibliotheken passen auf die beiden Hälften dieser Arbeit. DeepGEMM übernimmt die Matrixmultiplikationen im Zentrum jedes Modells. DeepEP übernimmt die Kommunikation, den Teil, der schwieriger wird, je weiter sich ein Trainingslauf über mehr Beschleuniger verteilt. Ein Superknoten aus 128 Chips ist ein Kommunikationsproblem so sehr wie ein Rechenproblem, und ein Stack, der beides zusammen abstimmt, zielt auf den Maßstab, in dem die beiden nicht mehr trennbar sind.

Das gibt der Veröffentlichung ihre Struktur. TileLang ist die Eingangstür, DeepGEMM und DeepEP sind die Werkzeuge, die eine echte Last braucht, und die Superknoten-Unterstützung setzt das Hardwareziel.

Was DeepSeek tatsächlich veröffentlicht hat

Laut Bloomberg und Reuters ist das Kernstück TileLang. DeepSeek veröffentlichte zudem zugrunde liegende Bibliotheken für Training und Inferenz mit hohem Durchsatz auf Ascend, darunter DeepGEMM, das Matrixmultiplikations-Kernel liefert, und DeepEP, das großskalige Kommunikation zwischen Geräten übernimmt. Pandaily beschrieb die Veröffentlichung als einen Ascend-Port von TileLang, Rechenkernel-Bibliotheken und eine verteilte Kommunikationsbibliothek.

Das vollständigere Manifest variiert je nach Bericht. Die Zusammenfassung von The Cryptonomist ergänzt FlashMLA, TileKernel und DeepSelect zusammen mit Benchmarking-Werkzeugen für die Kernel-Entwicklung. Diese Punkte erscheinen im Bericht dieses Mediums, sodass die genaue Paketliste besser als gemeldet denn als gesichertes Manifest behandelt wird. Was über die Berichterstattung hinweg konsistent ist, ist die Form: eine Sprache obenauf, Kernel-Bibliotheken darunter und eine Kommunikationsschicht für Multi-Chip-Training.

DeepSeek sagte, das Toolkit sei für Huaweis Ascend-950-Chips optimiert und unterstütze eine „Superknoten"-Konfiguration, die bis zu 128 Ascend-950-Beschleuniger verbindet und sowohl Rechenlast als auch Kommunikation abstimmt. Huawei, so DeepSeek, habe bei der Entwicklung der Softwareinfrastruktur volle Unterstützung geleistet, und die beiden Unternehmen hätten die Superknoten-Lösung gemeinsam vorangebracht.

"Um eine neue Generation unabhängiger, selbstkontrollierter GPU-Software-Ökosysteme aufzubauen, ist die erste Priorität, eine Hochsprache zu etablieren, die universell und leicht zu programmieren ist und dennoch das volle Leistungspotenzial der Hardware erreichen kann." — DeepSeek, in seiner WeChat-Ankündigung vom 30. September 2026

Diese Aussage ist die eigene Argumentation des Unternehmens für TileLang. DeepSeek sagte, TileLang sei genau zu diesem Zweck geschaffen worden und biete ein einfacheres Programmiermodell als CUDA. Die Behauptung betrifft den Programmieraufwand ebenso wie die rohe Geschwindigkeit: Je schwerer ein Chip zu programmieren ist, desto weniger Menschen werden darauf aufbauen.

Der Chip, auf den es zielt

Die Veröffentlichung zielt auf ein bestimmtes Stück Hardware. Zwei Wochen vor dem Toolkit stellte Huawei seine nächste Generation von KI-Prozessoren und Superknoten-Systemen vor und sagte, es erwarte, dass seine KI-Systeme im nächsten Jahr breit für Modelltraining genutzt werden. Das Ascend 950 steht im Zentrum dieser Roadmap, und DeepSeeks Superknoten-Unterstützung für 128 Beschleuniger ist darauf zugeschnitten.

Die Superknoten-Rahmung verweist auf eine reale Einschränkung beim KI-Training. Ein einzelner Beschleuniger hält nur einen Teil eines großen Modells und seines Optimiererzustands, sodass Trainingsläufe über viele Chips verteilt werden, die ständig Gradienten und Aktivierungen austauschen. Wächst ein Cluster, wird die Verbindung zum Engpass, und der nutzbare Durchsatz eines Chips hängt davon ab, wie gut das Netzwerk um ihn herum arbeitet. Huaweis Superknoten-Designs und DeepSeeks Softwareunterstützung dafür zielen ebenso auf dieses Multi-Chip-Problem wie auf die Geschwindigkeit eines einzelnen Chips.

Die Paarung ergibt auf beiden Seiten Sinn. Huawei bekommt ein Mainstream-KI-Labor, das Open-Source-Werkzeuge für sein Silizium liefert. DeepSeek bekommt einen Softwareweg, der nicht von Nvidia abhängt, in einem Moment, in dem der Zugang zu Nvidias besten Teilen in China unsicher ist.

Der Hintergrund der Exportkontrollen

Der Kontext ist ein Markt, den die US-Politik umgeformt hat. Nvidia-CEO Jensen Huang hat gesagt, US-Exportbeschränkungen hätten Nvidias Anteil am Markt für fortschrittliche KI-Chips in China von rund 95 Prozent auf praktisch null gedrückt, und H200-Verkäufe an chinesische Kunden hätten im Quartal zum 26. Juli weniger als 1 Prozent von Nvidias Rechenzentrumsumsatz ausgemacht. Nvidia schloss am 29. September bei 227,21 Dollar, ein Minus von 0,72 Prozent.

Die Beschränkungen haben den Markt nicht eingefroren, sondern umgelenkt. Peking erwägt, einheimischen Firmen wie Alibaba und ByteDance den Kauf von Nvidias RTX Pro 5500 zu erlauben, und Nvidia-Vertriebsmitarbeiter sagten Kunden, sie sollten bis zum 30. September bestellen, um Versorgung zu sichern, laut The Information, via Invezz. Diese beiden Signale weisen in entgegengesetzte Richtungen: eine mögliche Wiederöffnung auf der Nvidia-Seite und eine sich vertiefende heimische Alternative auf der Ascend-Seite.

DeepSeeks eigener Weg hat sich in Richtung Huawei bewegt. Zuvor war das Unternehmen für das Training stark auf Nvidias H800-GPUs angewiesen, und 2026 passte es seine Modelle und Software zunehmend an die Ascend-Plattform an. Sein Modell V4-Flash wurde für Huawei-Chips optimiert. Das Unternehmen plant Berichten zufolge, mehr als 160.000 Huawei-Ascend-Chips in einem neuen Rechenzentrum in der Inneren Mongolei zu installieren.

Was nicht bewiesen ist

Drei Dinge sind offen, und sie entscheiden, ob dies über einen Pressezyklus hinaus von Bedeutung ist.

Die Entwicklerakzeptanz ist das erste. Open-Source-Lizenzen senken die rechtliche Hürde, nicht die praktische. Eine Kernelsprache verbreitet sich, wenn genügend Ingenieure sie nutzen, Fehler melden, Bibliotheken schreiben und Fragen beantworten, die heute CUDAs Community beantwortet. TileLang bräuchte diese Community oder ein um sie herum gebautes Ökosystem, um als Plattform zu konkurrieren und nicht als internes DeepSeek-Werkzeug.

Die Leistung ist das zweite. DeepSeek hat keine unabhängigen Benchmarks des Ascend 950 gegen Nvidia-Hardware für Training oder Inferenz veröffentlicht, und kein Dritter hat den Stack im großen Maßstab getestet. „Einfacher als CUDA" ist eine Aussage über das Programmiermodell. „Das volle Leistungspotenzial der Hardware" zu erreichen ist ein Ziel, kein gemessenes Ergebnis, und solange externe Teams den Vergleich nicht fahren können, fehlen die Zahlen.

Das dritte ist die Reife. CUDA ist mehr als eine Sprache. Es ist ein Compiler, ein Profiler, eine Sammlung von Mathematik- und Kommunikationsbibliotheken und ein Jahrzehnt von Korrekturen an Sonderfällen. Eine einzelne Veröffentlichung kann die gängigen Fälle abdecken und beim langen Schwanz von Kernen, die Produktionssysteme enthalten, dennoch zurückbleiben. Die Paketliste hier ist breit; die Produktionstiefe ist eine separate Frage.

Worauf zu achten ist

• Externe Entwickler. Ob Teams jenseits von DeepSeek und Huawei TileLang-Kernel schreiben und zu den Bibliotheken beitragen, ist das klarste Akzeptanzsignal.
• Benchmarks. Unabhängige Trainings- und Inferenzzahlen für das Ascend 950 gegen Nvidia-Teile würden die Leistungsfrage klären, die die Ankündigung offenlässt.
• Ascend-950-Volumen. Ob Huawei die Superknoten-Konfiguration in den Mengen liefert, die seine Roadmap impliziert, wird entscheiden, wie viel dieser Software Hardware zum Laufen hat.
• Nvidias China-Zugang. Die Prüfung der RTX Pro 5500 und jede Lockerung der Kontrollen würden testen, ob chinesische Käufer auf dem heimischen Weg bleiben.
• Die nächste Veröffentlichung. Wenn DeepSeek und Huawei in diesem Tempo weiter Werkzeuge veröffentlichen, wird die Softwarelücke zu CUDA zu einem beweglichen Ziel statt zu einem festen.

Das Toolkit senkt die Kosten, Nvidia zu verlassen. Ob Entwickler diesen Weg nehmen, ist noch nicht bekannt.

Titelbild: Huaweis Hauptsitz-Campus in Bantian, Shenzhen. Foto via Wikimedia Commons (panoramio), CC BY-SA 3.0.