DeepSeek libera como código abierto una pila de software para los chips Ascend de Huawei, con la vista puesta en CUDA

DeepSeek publicó el 30 de septiembre de 2026 un conjunto de herramientas de software para los aceleradores Ascend de Huawei, desarrollado con su apoyo y dirigido a la capa que ha mantenido los chips de IA chinos atados a Nvidia: la pila de programación. El anuncio llegó a través de la cuenta oficial de DeepSeek en WeChat y fue difundido por Bloomberg y Reuters.

Lectura relacionada: Huawei adelanta el Ascend 960DT al primer trimestre de 2027 y presenta un SuperPoD con óptica casi empaquetada · La cuota de Nvidia en los chips de IA de China cae al 34 % mientras Huawei se acerca.

El elemento destacado es TileLang, un lenguaje de alto nivel para escribir kernels de cómputo. DeepSeek lo presenta como una alternativa nacional a CUDA, la plataforma de Nvidia que ha sido el estándar de facto para programar chips de IA durante más de una década. El lanzamiento es una historia de software sobre un foso de hardware.

El foso es la cadena de herramientas, no el transistor

Durante buena parte de la última década, la pregunta «¿qué chip de IA?» ha sido en realidad «¿qué software?». CUDA da a los desarrolladores un conjunto familiar de bibliotecas, compiladores, depuradores y documentación, y solo funciona en hardware de Nvidia. Trasladar una carga de entrenamiento o inferencia a otro proveedor implica reescribir kernels, sustituir la comunicación colectiva y reajustar el rendimiento, a menudo con meses de ingeniería. Ese coste de cambio, más que cualquier referencia aislada, es lo que ha dejado fuera a los rivales.

Un acelerador puede igualar a Nvidia sobre el papel y aun así perder, porque el papel no incluye los años de herramientas acumuladas. Ese es el terreno que la plataforma Ascend intenta reducir, y el que ataca el lanzamiento de DeepSeek. Un lenguaje gratuito, abierto y al estilo de CUDA, más las bibliotecas que lo rodean, abarata trasladar una carga al silicio chino, que es el punto estratégico del anuncio.

El bloqueo no es una decisión, sino una serie de ellas. Un equipo elige CUDA para su primer modelo porque el tutorial y la biblioteca están ahí. El siguiente modelo hereda ese código, el siguiente ingeniero hereda las costumbres y, con el tiempo, el propio código se convierte en la razón para no cambiar. El silicio competidor debe ofrecer velocidad comparable y un lugar donde ejecutar el código existente, que es la brecha que un lenguaje de kernels pretende estrechar.

Qué es en realidad un lenguaje de kernels

Entrenar un modelo o servirlo significa ejecutar el mismo puñado de operaciones miles de millones de veces. La multiplicación de matrices domina el cómputo, y mover datos entre chips domina buena parte del resto de la factura en sistemas con varios nodos. Cada operación tiene que expresarse como un kernel, una función escrita para ejecutarse de forma eficiente en un hardware concreto.

Escribir kernels a mano es trabajo de especialistas. Se escriben en un lenguaje de bajo nivel cercano al hardware y después se ajustan el acceso a memoria, la planificación de hilos y la disposición de los datos hasta que la operación se ejecuta cerca del límite del chip. TileLang se sitúa por encima de esa capa. Ofrece una forma de alto nivel de describir una operación y deja las decisiones específicas del hardware a un compilador. Es más o menos el trato de CUDA con sus propios lenguajes y bibliotecas, y por eso un lenguaje de kernels, y no un controlador, es la puerta de entrada a un ecosistema.

Las dos bibliotecas mencionadas se corresponden con las dos mitades de ese trabajo. DeepGEMM gestiona las multiplicaciones de matrices que están en el centro de cada modelo. DeepEP gestiona la comunicación, la parte que se vuelve más difícil a medida que un entrenamiento se reparte entre más aceleradores. Un supernodo de 128 chips es un problema de comunicación tanto como de cómputo, y una pila que ajusta ambos apunta a la escala en la que dejan de ser separables.

Eso da estructura al lanzamiento. TileLang es la puerta de entrada, DeepGEMM y DeepEP son las utilidades que necesita una carga de trabajo real, y el soporte de supernodos fija el objetivo de hardware.

Qué publicó DeepSeek en realidad

Según Bloomberg y Reuters, la pieza central es TileLang. DeepSeek también publicó bibliotecas subyacentes para el entrenamiento y la inferencia de alto rendimiento en Ascend, incluidas DeepGEMM, que aporta kernels de multiplicación de matrices, y DeepEP, que gestiona la comunicación a gran escala entre dispositivos. Pandaily describió el lanzamiento como una adaptación de TileLang para Ascend, bibliotecas de kernels de cómputo y una biblioteca de comunicación distribuida.

El manifiesto varía según el informe. El resumen de The Cryptonomist añade FlashMLA, TileKernel y DeepSelect, y herramientas de referencia para desarrollar kernels. Esos elementos aparecen en el relato de ese medio, así que la lista exacta conviene tratarla como reportada y no como un manifiesto cerrado. Lo consistente en toda la cobertura es la forma: un lenguaje arriba, bibliotecas de kernels debajo y una capa de comunicación para el entrenamiento multichip.

DeepSeek dijo que el conjunto está optimizado para los chips Ascend 950 de Huawei y admite una configuración de «supernodo» que enlaza hasta 128 aceleradores Ascend 950, ajustando tanto el cómputo como la comunicación. Según DeepSeek, Huawei prestó todo su apoyo al desarrollo de la infraestructura de software, y las dos empresas impulsaron conjuntamente la solución de supernodo.

«Para construir una nueva generación de ecosistemas de software de GPU independientes y controlados por uno mismo, la primera prioridad es establecer un lenguaje de alto nivel que sea universal, fácil de programar y capaz aun así de alcanzar todo el potencial de rendimiento del hardware.» — DeepSeek, en su anuncio del 30 de septiembre de 2026 en WeChat

Esa declaración es el argumento de la propia empresa a favor de TileLang. DeepSeek dijo que se creó exactamente para ese propósito y que ofrece un modelo de programación más simple que CUDA. La afirmación tiene tanto que ver con el esfuerzo del programador como con la velocidad bruta: cuanto más difícil es programar un chip, menos personas construirán sobre él.

El chip al que apunta

El lanzamiento apunta a un hardware concreto. Dos semanas antes, Huawei presentó su siguiente generación de procesadores de IA y sistemas de supernodo y dijo que esperaba que sus sistemas se usaran ampliamente para entrenar modelos el año próximo. El Ascend 950 ocupa el centro de esa hoja de ruta, y el soporte de supernodo de 128 aceleradores de DeepSeek está escrito para él.

El planteamiento del supernodo apunta a una limitación real del entrenamiento de IA. Un solo acelerador alberga solo parte de un modelo grande y de su estado de optimización, así que los entrenamientos se reparten entre muchos chips que intercambian gradientes y activaciones. A medida que un clúster crece, la interconexión se convierte en un cuello de botella, y el rendimiento útil de un chip depende de lo bien que funcione la red que lo rodea. Los diseños de supernodo de Huawei, y el software de DeepSeek para ellos, apuntan a ese problema multichip tanto como a la velocidad de un solo chip.

La alianza tiene sentido para ambas partes. Huawei consigue un laboratorio de IA destacado que publica herramientas abiertas para su silicio. DeepSeek consigue una vía de software que no depende de Nvidia, cuando el acceso a los mejores componentes de Nvidia en China es incierto.

El telón de fondo de los controles de exportación

El contexto es un mercado que la política estadounidense ha remodelado. El consejero delegado de Nvidia, Jensen Huang, ha dicho que las restricciones a la exportación llevaron la cuota de Nvidia en el mercado chino de chips de IA avanzados de alrededor del 95 por ciento a prácticamente cero, y que las ventas de H200 a clientes chinos fueron menos del 1 por ciento de los ingresos de centros de datos de Nvidia en el trimestre cerrado el 26 de julio. Nvidia cerró a 227,21 dólares el 29 de septiembre, con una caída del 0,72 por ciento.

Las restricciones no han congelado el mercado tanto como lo han reorientado. Pekín estudia permitir que empresas nacionales como Alibaba y ByteDance compren la RTX Pro 5500 de Nvidia, y el personal de ventas de Nvidia pidió a los clientes que hicieran sus pedidos antes del 30 de septiembre para asegurarse el suministro, según The Information, vía Invezz. Las dos señales apuntan en direcciones opuestas: una posible reapertura por el lado de Nvidia y una alternativa nacional más profunda por el lado de Ascend.

La propia trayectoria de DeepSeek se ha orientado hacia Huawei. Antes dependía en gran medida de las GPU H800 de Nvidia para entrenar, y en 2026 adaptó cada vez más sus modelos y su software a Ascend. Su modelo V4-Flash se optimizó para los chips de Huawei. La empresa planea, según los informes, instalar más de 160.000 chips Ascend en un nuevo centro de datos en Mongolia Interior.

Lo que no está demostrado

Hay tres cuestiones abiertas, y deciden si esto importa más allá de un ciclo de prensa.

La adopción por los desarrolladores es la primera. Las licencias abiertas rebajan la barrera legal, no la práctica. Un lenguaje de kernels se extiende cuando suficientes ingenieros lo usan, reportan errores, escriben bibliotecas y responden preguntas que hoy responde la comunidad de CUDA. TileLang necesitaría esa comunidad, o un ecosistema a su alrededor, para competir como plataforma y no como herramienta interna de DeepSeek.

El rendimiento es la segunda. DeepSeek no ha publicado referencias independientes del Ascend 950 frente al hardware de Nvidia para entrenamiento o inferencia, y ningún tercero ha probado la pila a escala. «Más simple que CUDA» es una afirmación sobre el modelo de programación. Alcanzar «todo el potencial de rendimiento del hardware» es un objetivo, no un resultado medido, y hasta que equipos externos hagan la comparación, faltan los números.

La tercera es la madurez. CUDA es más que un lenguaje. Es un compilador, un perfilador, un conjunto de bibliotecas matemáticas y de comunicación, y una década de correcciones de casos límite. Un solo lanzamiento puede cubrir los casos comunes y quedarse corto en la larga cola de kernels de producción. La lista de paquetes aquí es amplia; la profundidad en producción es otra cuestión.

Qué observar

• Desarrolladores externos. Que equipos ajenos a DeepSeek y Huawei escriban kernels en TileLang y contribuyan a las bibliotecas es la señal de adopción más clara.
• Referencias de rendimiento. Unas cifras independientes de entrenamiento e inferencia del Ascend 950 frente a componentes de Nvidia resolverían la pregunta de rendimiento que el anuncio deja abierta.
• Volumen del Ascend 950. Que Huawei envíe la configuración de supernodo en las cantidades que implica su hoja de ruta decidirá cuánto de este software tiene hardware en el que ejecutarse.
• El acceso de Nvidia a China. La revisión de la RTX Pro 5500 y cualquier relajación de los controles pondrían a prueba si los compradores chinos se mantienen en la vía nacional.
• El próximo lanzamiento. Si DeepSeek y Huawei siguen publicando herramientas a este ritmo, la brecha de software con CUDA se convierte en un blanco móvil en lugar de uno fijo.

El conjunto de herramientas abarata la salida de Nvidia. Que los desarrolladores tomen ese camino aún no se sabe.

Portada: el campus de la sede de Huawei en Bantian, Shenzhen. Foto vía Wikimedia Commons (panoramio), CC BY-SA 3.0.