Open-source værktøjer til AI-chips mindsker CUDA-afhængighed

Hvad er nyheden om DeepSeek og Huaweis lancering af programmeringsværktøjer?

DeepSeek og Huawei har i et strategisk partnerskab frigivet en række open-source programmeringsværktøjer designet specifikt til Ascend AI-chips. Formålet med denne udgivelse er eksplicit at reducere den globale afhængighed af Nvidias CUDA (Compute Unified Device Architecture), som længe har været industristandarden for GPU-programmering. Ifølge producenterne inkluderer pakken avancerede biblioteker til beregning og kommunikation mellem chips, samt en dyb integration af programmeringssproget TileLang til Huawei Ascend 950 hardwaren.

Ifølge oplysningerne fra september 2026 er værktøjerne bygget oven på Huaweis eksisterende CANN (Compute Architecture for Neural Networks) softwareplatform. Dette betyder, at udviklere nu kan udnytte hardwarens fulde potentiale gennem optimerede kernels og effektiv dataoverførsel i supernode-systemer. Samarbejdet har blandt andet fokuseret på systemer med 128 Ascend 950 chips for at sikre, at store AI-workloads kan skaleres uden flaskehalse i kommunikationen mellem processorerne.

Værktøjssættet består primært af DeepGEMM-Ascend til matrix-operationer og DeepEP-Ascend til træning og inferens i Mixture-of-Experts (MoE) modeller. Ved at gøre disse værktøjer open-source forsøger DeepSeek og Huawei at skabe et økosystem, hvor softwaren ikke længere er den største barriere for at skifte væk fra Nvidias hardware. Dette er et kritisk skridt mod en mere fragmenteret, men potentielt mere konkurrencepræget AI-hardwaremarked.

Hvilke tekniske forbedringer bringer de nye Ascend værktøjer?

De primære tekniske forbedringer ligger i optimeringen af beregningskerner og kommunikationslagene, hvilket reducerer den administrative belastning ved kørsel af store sprogmodeller. Ved at implementere DeepGEMM-Ascend kan udviklere udføre matrix-multiplikation med ekstrem høj effektivitet på Ascend 950 hardwaren. Ifølge producenten understøtter biblioteket præcisionsformaterne BF16, FP8 og FP4, hvilket er essentielt for at reducere hukommelsesforbruget i moderne AI-modeller uden at miste signifikant præcision.

En anden central komponent er TileLang, som fungerer som et højere programmeringslag. Ifølge DeepSeek tilbyder TileLang en simplere programmeringsmodel end CUDA, hvilket reducerer kompleksiteten i kodningen af optimerede kernels. Den seneste opdatering tilføjer native support for Ascend 950, inklusive automatisk scheduling og synkronisering, hvilket gør det hurtigere at gå fra idé til implementeret kode på hardwaren.

For dem, der arbejder med software til maskinlæring, betyder dette, at man kan bevare velkendte API'er (Application Programming Interfaces), mens man skifter hardwareplatform. Dette mindsker risikoen for producentbinding, hvor man er tvunget til at blive hos én leverandør på grund af softwareafhængighed.

Hvordan ser det ud med dansk pris og tilgængelighed for Ascend AI?

For det danske marked er adgangen til Huawei Ascend 950 hardware begrænset, da disse systemer primært leveres som enterprise-løsninger til datacentre og store forskningsinstitutioner. Man finder ikke disse chips som enkeltkomponenter i almindelige webshops, men snarere som dele af komplette supernode-systemer eller cloud-instanser. Prisklassen for sådanne installationer ligger i den absolutte top af enterprise-segmentet, hvor omkostningerne primært drives af mængden af HBM (High Bandwidth Memory) og interconnect-teknologi.

Selvom hardwaren er svær at anskaffe for private, er softwareværktøjerne open-source og dermed tilgængelige for alle danske udviklere. Dette giver mulighed for at eksperimentere med TileLang og forstå arkitekturen bag Ascend, før man eventuelt investerer i infrastrukturen. For virksomheder, der overvejer alternativer til traditionel x86-server infrastruktur kombineret med GPU'er, repræsenterer dette en vej mod en mere diversificeret AI-stack.

For aktuel pris på relaterede netværkskomponenter eller tilbehør, henvises der til produktkarrusellen ved artiklen. Det er vigtigt at bemærke, at implementering af sådanne systemer i Danmark kræver omfattende køling og strømforsyning, hvilket ofte nødvendiggør specialbyggede serverrum.

Er Huawei Ascend et reelt alternativ til Nvidias AI-chips?

Huawei Ascend positionerer sig som det primære kinesiske alternativ til Nvidia, men succesen afhænger mere af software end rå kraft. Mens Nvidia dominerer via CUDA, forsøger Huawei at bryde denne cirkel ved at gøre deres værktøjer open-source. Ifølge data fra september 2026 kan DeepGEMM-Ascend nå op på 99,8% af hardwaregrænsen for BF16-operationer på Ascend 950 chips, hvilket indikerer en ekstremt høj udnyttelsesgrad af hardwaren.

For at forstå om det er "bedre" end Nvidia, skal man se på use-casen. Til eksisterende projekter bygget på CUDA er Nvidia overlegent pga. økosystemet. Men for nye implementeringer i regioner eller virksomheder, der ønsker at undgå total afhængighed af én leverandør, tilbyder Ascend en teknisk moden platform, især når man ser på supernode-systemernes evne til at håndtere massive workloads.

Hvordan påvirker dette valget af AI-hardware og infrastruktur?

Valget af AI-hardware handler ikke længere kun om rå TFLOPS (Teraflops), men i høj grad om softwareøkosystemet. Nvidias CUDA har været den dominerende faktor, fordi næsten alt AI-software er skrevet til det. Med lanceringen af open-source værktøjer til Ascend 950 begynder balancen at tippe. Hvis man kan flytte sine modeller fra CUDA til TileLang uden massivt tab af ydeevne, forsvinder den største barriere for at vælge Huawei hardware.

For danske virksomheder betyder det, at man bør holde øje med udviklingen i open-source miljøer som Hugging Face, hvor modeller ofte bliver optimeret til forskellige hardwareplatforme. Hvis supporten for Ascend vokser her, bliver det mere attraktivt at kigge mod alternativer til de traditionelle GPU-workstations.

Hvis man bygger en AI workstation i dag, er Nvidia stadig det mest sikre valg pga. softwarestøtten, men for dem, der planlægger infrastruktur mod 2027, er Ascend et relevant alternativ at overvåge.

Hvilken rolle spiller TileLang i kampen om AI-dominans?

TileLang fungerer som en strategisk bro, der gør det muligt for udviklere at skrive kode, som kan køre på tværs af forskellige hardwareplatforme. Ved at tilbyde en simplere programmeringsmodel end CUDA, forsøger DeepSeek og Huawei at tiltrække udviklere ved at reducere den tid, det tager at optimere kernels (små, specialiserede funktioner i GPU-programmering). Dette er et direkte angreb på Nvidias største aktiv: den enorme mængde af kode, der kun virker med CUDA.

Hvis TileLang bliver en standard for høj-niveau AI-programmering, vil det betyde, at hardwareleverandører kan konkurrere mere på rå ydeevne og pris fremfor software-lock-in. Det gør det muligt for virksomheder hurtigere at skifte til den mest effektive chip uden at skulle omskrive hele deres softwarestak fra bunden.

For danske it-arkitekter betyder dette, at man bør kigge på lokale sprogmodeller og hvordan disse implementeres. Jo mere abstraheret programmeringen bliver via værktøjer som TileLang, desto mindre betyder det, hvilken chip der sidder i serveren.

Typiske fejl ved implementering af AI-infrastruktur

Når man bevæger sig væk fra standardløsninger og kigger på nye økosystemer som Huawei Ascend, er der flere faldgruber, man skal være opmærksom på for at undgå dyre fejlindkøb.

1. Undervurdering af software-migration: Mange tror, at man blot kan "skifte chippen". Selvom TileLang simplificerer processen, kræver migration fra CUDA ofte omfattende test og validering af kernels for at sikre, at resultaterne er identiske.
2. Manglende fokus på strøm og køling: AI-acceleratorer som Ascend 950 har et ekstremt højt TDP (Thermal Design Power). At installere disse i standard racks uden tilstrækkelig køling fører til thermal throttling, hvor chippen drosler hastigheden ned for ikke at overophede.
3. Ignorering af interconnect-flaskehalse: Man fokuserer ofte på den enkelte chips ydeevne, men glemmer kommunikationen mellem dem. Uden korrekt opsætning af supernode-systemer og optimerede biblioteker som DeepEP-Ascend, vil chippene vente på data i stedet for at regne.
4. Køb af hardware uden software-roadmap: At investere i hardware, før man har bekræftet, at ens specifikke modeller (f.eks. V4 eller lignende) er fuldt understøttet på den konkrete version af CANN platformen, kan føre til ubrugelig hardware.
5. Overset behov for specialiseret netværk: Implementering af supernodes kræver ekstremt lav latenstid i netværket. At bruge standard switches fremfor AI-optimerede interconnects vil eliminere gevinsterne ved at have 128 Ascend 950 chips.

For at undgå disse fejl anbefales det altid at starte med software-simuleringer og mindre test-miljøer, før man ruller fuld skala infrastruktur ud i et datacenter.