DeepSeek ouvre une pile logicielle pour les puces Ascend de Huawei, avec CUDA en ligne de mire

DeepSeek a publié le 30 septembre 2026 une boîte à outils logicielle pour les accélérateurs d'IA Ascend de Huawei, développée avec le soutien de Huawei et visant la couche qui a maintenu les puces d'IA chinoises liées à Nvidia : la pile de programmation. L'annonce est passée par le compte WeChat officiel de DeepSeek et a été rapportée par Bloomberg et Reuters.

À lire aussi: Huawei avance l'Ascend 960DT au premier trimestre 2027 et dévoile un SuperPoD à optique quasi intégrée · La part de Nvidia sur le marché chinois des puces IA tombe à 34 %, Huawei se rapproche.

L'élément principal est TileLang, un langage de haut niveau pour écrire des noyaux de calcul. DeepSeek le présente comme une alternative nationale à CUDA, la plateforme logicielle de Nvidia qui sert de référence de fait pour la programmation des puces d'IA depuis plus d'une décennie. La sortie est une histoire logicielle à propos d'un fossé matériel.

Le fossé est dans la chaîne d'outils, pas dans le transistor

Pendant la majeure partie de la dernière décennie, la question « quelle puce d'IA ? » a en réalité été « quel logiciel ? ». CUDA offre aux développeurs un ensemble familier de bibliothèques, de compilateurs, de débogueurs et de documentation, et ne fonctionne que sur du matériel Nvidia. Déplacer une charge d'entraînement ou d'inférence vers un autre fournisseur signifie réécrire des noyaux, remplacer le code de communication collective et retoucher les performances, souvent sur des mois d'ingénierie. Ce coût de changement, plus que tout benchmark isolé, est ce qui a tenu les rivaux à l'écart.

Un accélérateur peut égaler Nvidia sur le papier et perdre quand même, car le papier n'inclut pas les années d'outillage accumulé. C'est le terrain que la plateforme Ascend cherche à combler, et c'est celui qu'attaque la sortie de DeepSeek. Un langage libre, ouvert, de style CUDA, plus les bibliothèques qui l'entourent, réduisent le coût de déplacement d'une charge vers du silicium chinois, ce qui est l'enjeu stratégique de l'annonce.

Le verrouillage n'est pas un choix unique mais une série de choix. Une équipe retient CUDA pour son premier modèle parce que le tutoriel, la bibliothèque et la réponse sur un forum s'y trouvent. Le modèle suivant hérite de ce code, l'ingénieur suivant hérite des habitudes, et avec le temps le code lui-même devient la raison de ne pas changer. Le silicium concurrent doit offrir une vitesse comparable et un endroit où le code existant peut tourner, et c'est l'écart qu'un langage de noyaux vise à réduire.

Ce qu'est réellement un langage de noyaux

Entraîner un modèle ou le servir signifie exécuter le même petit nombre d'opérations des milliards de fois. La multiplication matricielle domine le calcul, et le déplacement des données entre puces domine une bonne partie du reste de la facture sur les systèmes multi-nœuds. Chacune de ces opérations doit être exprimée sous forme de noyau, une fonction écrite pour s'exécuter efficacement sur un morceau de matériel donné.

Écrire des noyaux à la main est un travail de spécialiste. Les développeurs les écrivent dans un langage bas niveau proche du matériel, puis ajustent les accès mémoire, l'ordonnancement des threads et la disposition des données jusqu'à ce que l'opération tourne près de la limite de la puce. TileLang se place au-dessus de cette couche. Il donne aux programmeurs une façon de plus haut niveau de décrire une opération et laisse un compilateur gérer les décisions propres au matériel. C'est le marché que CUDA propose via ses propres langages et bibliothèques, et c'est pourquoi un langage de noyaux, et non un pilote, est la porte d'entrée d'un écosystème.

Les deux bibliothèques nommées dans la sortie correspondent aux deux moitiés de ce travail. DeepGEMM gère les multiplications matricielles au centre de chaque modèle. DeepEP gère la communication, la partie qui devient plus difficile à mesure qu'un entraînement s'étend sur davantage d'accélérateurs. Un supernœud de 128 puces est un problème de communication autant que de calcul, et une pile qui règle les deux ensemble vise l'échelle où les deux cessent d'être séparables.

Cela donne sa structure à la sortie. TileLang est la porte d'entrée, DeepGEMM et DeepEP sont les utilitaires dont une charge réelle a besoin, et la prise en charge des supernœuds fixe la cible matérielle.

Ce que DeepSeek a réellement publié

Selon Bloomberg et Reuters, l'élément principal est TileLang. DeepSeek a aussi publié des bibliothèques sous-jacentes pour l'entraînement et l'inférence à haut débit sur Ascend, dont DeepGEMM, qui fournit les noyaux de multiplication matricielle, et DeepEP, qui gère la communication à grande échelle entre appareils. Pandaily a décrit la sortie comme couvrant un portage de TileLang pour Ascend, des bibliothèques de noyaux de calcul et une bibliothèque de communication distribuée.

Le manifeste complet varie selon les rapports. Le résumé de The Cryptonomist ajoute FlashMLA, TileKernel et DeepSelect, ainsi que des outils de benchmarking pour le développement de noyaux. Ces éléments apparaissent dans le compte rendu de ce média, donc la liste exacte du paquet se lit mieux comme rapportée que comme un manifeste établi. Ce qui est constant dans la couverture, c'est la forme : un langage au sommet, des bibliothèques de noyaux en dessous, et une couche de communication pour l'entraînement multi-puces.

DeepSeek a indiqué que la boîte à outils est optimisée pour les puces Ascend 950 de Huawei et prend en charge une configuration « supernœud » reliant jusqu'à 128 accélérateurs Ascend 950, réglant ensemble calcul et communication. Huawei, a dit DeepSeek, a apporté un soutien complet au développement de l'infrastructure logicielle, et les deux entreprises ont fait progresser conjointement la solution de supernœud.

« Pour bâtir une nouvelle génération d'écosystèmes logiciels GPU indépendants et maîtrisés, la première priorité est d'établir un langage de haut niveau universel, facile à programmer et capable d'atteindre tout le potentiel de performance du matériel. » — DeepSeek, dans son annonce WeChat du 30 septembre 2026

DeepSeek a dit que TileLang avait été créé exactement dans ce but et offrait un modèle de programmation plus simple que CUDA. L'affirmation porte autant sur l'effort du programmeur que sur la vitesse brute : plus une puce est difficile à programmer, moins nombreux seront ceux qui construiront dessus.

La puce visée

La sortie vise un morceau de matériel précis. Deux semaines avant la boîte à outils, Huawei a dévoilé sa nouvelle génération de processeurs d'IA et de systèmes supernœuds et a dit s'attendre à ce que ses systèmes d'IA soient largement utilisés pour l'entraînement de modèles l'an prochain. L'Ascend 950 se trouve au centre de cette feuille de route, et la prise en charge du supernœud à 128 accélérateurs par DeepSeek est écrite pour elle.

Le cadrage du supernœud pointe une contrainte réelle de l'entraînement d'IA. Un accélérateur unique ne détient qu'une partie d'un grand modèle et de l'état de son optimiseur, si bien que les entraînements s'étalent sur de nombreuses puces qui échangent en permanence gradients et activations. À mesure qu'un cluster grandit, l'interconnexion devient un goulot d'étranglement, et le débit utile d'une puce dépend de la performance du réseau qui l'entoure. Les conceptions de supernœuds de Huawei, et le support logiciel de DeepSeek pour elles, visent ce problème multi-puces autant que la vitesse d'une puce isolée.

L'association a du sens des deux côtés. Huawei obtient un laboratoire d'IA grand public qui livre de l'outillage open source pour son silicium. DeepSeek obtient une voie logicielle qui ne dépend pas de Nvidia, à un moment où l'accès aux meilleurs composants de Nvidia en Chine est incertain.

L'arrière-plan des contrôles à l'exportation

Le contexte est un marché que la politique américaine a remodelé. Le PDG de Nvidia, Jensen Huang, a dit que les restrictions à l'exportation américaines avaient fait passer la part de Nvidia sur le marché chinois des puces d'IA avancées d'environ 95 pour cent à pratiquement zéro, et que les ventes de H200 à des clients chinois représentaient moins de 1 pour cent du chiffre d'affaires centres de données de Nvidia au trimestre clos le 26 juillet. Nvidia a clôturé à 227,21 dollars le 29 septembre, en baisse de 0,72 pour cent.

Les restrictions n'ont pas gelé le marché tant que ça, elles l'ont redirigé. Pékin envisage d'autoriser des entreprises nationales, dont Alibaba et ByteDance, à acheter la RTX Pro 5500 de Nvidia, et les commerciaux de Nvidia ont demandé aux clients de passer commande avant le 30 septembre pour sécuriser l'approvisionnement, selon The Information, via Invezz. Ces deux signaux pointent en sens opposés : une possible réouverture du côté de Nvidia, et une alternative nationale qui s'approfondit du côté Ascend.

La trajectoire de DeepSeek s'est orientée vers Huawei. L'entreprise s'appuyait auparavant largement sur les GPU H800 de Nvidia pour l'entraînement, et en 2026 elle a de plus en plus adapté ses modèles et son logiciel à la plateforme Ascend. Son modèle V4-Flash a été optimisé pour les puces Huawei. L'entreprise prévoirait d'installer plus de 160 000 puces Ascend de Huawei dans un nouveau centre de données en Mongolie-Intérieure.

Ce qui n'est pas prouvé

Trois points restent ouverts, et ils décident si cela compte au-delà d'un cycle de presse.

L'adoption par les développeurs est le premier. Les licences open source abaissent la barrière juridique, pas la barrière pratique. Un langage de noyaux se diffuse quand assez d'ingénieurs l'utilisent, signalent des bugs, écrivent des bibliothèques et répondent à des questions auxquelles la communauté de CUDA répond aujourd'hui. TileLang aurait besoin de cette communauté, ou d'un écosystème bâti autour de lui, pour rivaliser comme plateforme et non comme outil interne de DeepSeek.

La performance est le deuxième. DeepSeek n'a pas publié de benchmarks indépendants de l'Ascend 950 face au matériel Nvidia pour l'entraînement ou l'inférence, et aucun tiers n'a testé la pile à grande échelle. « Plus simple que CUDA » est une affirmation sur le modèle de programmation. Atteindre « tout le potentiel de performance du matériel » est un objectif, non un résultat mesuré, et tant que des équipes extérieures ne peuvent pas mener la comparaison, les chiffres manquent.

Le troisième est la maturité. CUDA est plus qu'un langage. C'est un compilateur, un profileur, un ensemble de bibliothèques, et une décennie de corrections de cas limites. Une seule sortie peut couvrir les cas courants et rester en deçà de la longue traîne de noyaux que contiennent les systèmes de production. La liste de paquets ici est large ; la profondeur de production est une autre question.

Ce qu'il faut surveiller

• Les développeurs extérieurs. Que des équipes au-delà de DeepSeek et Huawei écrivent des noyaux TileLang et contribuent aux bibliothèques est le signal d'adoption le plus clair.
• Les benchmarks. Des chiffres indépendants d'entraînement et d'inférence de l'Ascend 950 face aux composants Nvidia trancheraient la question de performance laissée ouverte par l'annonce.
• Le volume de l'Ascend 950. Que Huawei livre la configuration supernœud dans les quantités qu'implique sa feuille de route décidera quelle part de ce logiciel a du matériel sur lequel tourner.
• L'accès de Nvidia à la Chine. L'examen de la RTX Pro 5500 et tout assouplissement des contrôles testeraient si les acheteurs chinois restent sur la voie nationale.
• La prochaine sortie. Si DeepSeek et Huawei continuent de publier de l'outillage à ce rythme, l'écart logiciel avec CUDA devient une cible mouvante plutôt qu'un point fixe.

La boîte à outils abaisse le coût de sortie de Nvidia. Rien ne dit encore que les développeurs emprunteront cette voie.

Couverture : le campus du siège de Huawei à Bantian, Shenzhen. Photo via Wikimedia Commons (panoramio), CC BY-SA 3.0.