Open source-verktyg för AI-chip minskar CUDA-beroendet

Vad är nyheten kring DeepSeek och Huaweis lansering av programmeringsverktyg?

DeepSeek och Huawei har i ett strategiskt partnerskap släppt en serie open source-programmeringsverktyg designade specifikt för Ascend AI-chip. Syftet med denna utgivning är explicit att minska det globala beroendet av Nvidias CUDA (Compute Unified Device Architecture), som länge varit industristandard för GPU-programmering. Enligt tillverkarna inkluderar paketet avancerade bibliotek för beräkning och kommunikation mellan chip, samt en djup integration av programmeringsspråket TileLang för Huawei Ascend 950-hårdvaran.

Enligt information från september 2026 är verktygen byggda ovanpå Huaweis befintliga mjukvaruplattform CANN (Compute Architecture for Neural Networks). Detta innebär att utvecklare nu kan utnyttja hårdvarans fulla potential genom optimerade kernels och effektiv dataöverföring i supernode-system. Samarbetet har bland annat fokuserat på system med 128 Ascend 950-chip för att säkerställa att stora AI-arbetsbelastningar kan skalas utan flaskhalsar i kommunikationen mellan processorerna.

Verktygssetet består primärt av DeepGEMM-Ascend för matrisoperationer och DeepEP-Ascend för träning och inferens i Mixture-of-Experts (MoE)-modeller. Genom att göra dessa verktyg till open source försöker DeepSeek och Huawei skapa ett ekosystem där mjukvaran inte längre är den största barriären för att byta bort Nvidias hårdvara. Detta är ett kritiskt steg mot en mer fragmenterad, men potentiellt mer konkurrensutsatt AI-hårdvarumarknad.

Vilka tekniska förbättringar medför de nya Ascend-verktygen?

De primära tekniska förbättringarna ligger i optimeringen av beräkningskärnor och kommunikationslagren, vilket reducerar den administrativa belastningen vid körning av stora språkmodeller. Genom att implementera DeepGEMM-Ascend kan utvecklare utföra matrismultiplikation med extremt hög effektivitet på Ascend 950-hårdvaran. Enligt tillverkaren stöder biblioteket precisionsformaten BF16, FP8 och FP4, vilket är essentiellt för att minska minnesförbrukningen i moderna AI-modeller utan att tappa signifikant precision.

En annan central komponent är TileLang, som fungerar som ett högre programmeringslager. Enligt DeepSeek erbjuder TileLang en enklare programmeringsmodell än CUDA, vilket reducerar komplexiteten vid kodning av optimerade kernels. Den senaste uppdateringen lägger till native stöd för Ascend 950, inklusive automatisk scheduling och synkronisering, vilket gör det snabbare att gå från idé till implementerad kod på hårdvaran.

För dem som arbetar med Software för maskininlärning innebär detta att man kan behålla välkända API:er (Application Programming Interfaces) samtidigt som man byter hårdvaruplattform. Detta minskar risken för leverantörslåsning, där man är tvingad att stanna hos en leverantör på grund av mjukvaruberoende.

Hur ser det ut med pris och tillgänglighet för Ascend AI i Sverige?

För den svenska marknaden är tillgången till Huawei Ascend 950-hårdvara begränsad, då dessa system primärt levereras som enterprise-lösningar till datacenter och stora forskningsinstitutioner. Man hittar inte dessa chip som enskilda komponenter i vanliga webbutiker, utan snarare som delar av kompletta supernode-system eller cloud-instanser. Prisklassen för sådana installationer ligger i den absoluta toppen av enterprise-segmentet, där kostnaderna primärt drivs av mängden HBM (High Bandwidth Memory) och interconnect-teknologi.

Även om hårdvaran är svår att anskaffa för privatpersoner, är mjukvaruverktygen open source och därmed tillgängliga för alla svenska utvecklare. Detta ger möjlighet att experimentera med TileLang och förstå arkitekturen bakom Ascend innan man eventuellt investerar i infrastrukturen. För företag som överväger alternativ till traditionell x86-server-infrastruktur kombinerat med GPU:er, representerar detta en väg mot en mer diversifierad AI-stack.

För aktuellt pris på relaterade nätverkskomponenter eller tillbehör, hänvisas till produktkarusellen vid artikeln. Det är viktigt att notera att implementering av sådana system i Sverige kräver omfattande kylning och strömförsörjning, vilket ofta nödvändiggör specialbyggda serverrum.

Är Huawei Ascend ett reellt alternativ till Nvidias AI-chip?

Huawei Ascend positionerar sig som det primära kinesiska alternativet till Nvidia, men framgången beror mer på mjukvaran än råstyrka. Medan Nvidia dominerar via CUDA, försöker Huawei bryta denna cirkel genom att göra sina verktyg till open source. Enligt data från september 2026 kan DeepGEMM-Ascend nå upp till 99,8 % av hårdvarugränsen för BF16-operationer på Ascend 950-chip, vilket indikerar en extremt hög utnyttjandegrad av hårdvaran.

För att förstå om det är "bättre" än Nvidia måste man se till användningsområdet. För befintliga projekt byggda på CUDA är Nvidia överlägset tack vare ekosystemet. Men för nya implementeringar i regioner eller företag som vill undvika totalt beroende av en leverantör, erbjuder Ascend en tekniskt mogen plattform, särskilt när man ser till supernode-systemens förmåga att hantera massiva arbetsbelastningar.

Hur påverkar detta valet av AI-hårdvara och infrastruktur?

Valet av AI-hårdvara handlar inte längre bara om råa TFLOPS (Teraflops), utan i hög grad om mjukvaruekosystemet. Nvidias CUDA har varit den dominerande faktorn eftersom nästan all AI-mjukvara är skriven för det. Med lanseringen av open source-verktyg för Ascend 950 börjar balansen tippa. Om man kan flytta sina modeller från CUDA till TileLang utan massiv prestandaförlust, försvinner den största barriären för att välja Huaweis hårdvara.

För svenska företag innebär det att man bör hålla koll på utvecklingen i open source-miljöer som Hugging Face, där modeller ofta optimeras för olika hårdvaruplattformar. Om stödet för Ascend växer här, blir det mer attraktivt att titta på alternativ till de traditionella GPU-arbetsstationerna.

Om man bygger en AI workstation idag är Nvidia fortfarande det säkraste valet tack vare mjukvarustödet, men för dem som planerar infrastruktur mot 2027 är Ascend ett relevant alternativ att bevaka.

Vilken roll spelar TileLang i kampen om AI-dominans?

TileLang fungerar som en strategisk bro som gör det möjligt för utvecklare att skriva kod som kan köras över olika hårdvaruplattformar. Genom att erbjuda en enklare programmeringsmodell än CUDA försöker DeepSeek och Huawei locka utvecklare genom att minska tiden det tar att optimera kernels (små, specialiserade funktioner i GPU-programmering). Detta är en direkt attack på Nvidias största tillgång: den enorma mängden kod som endast fungerar med CUDA.

Om TileLang blir en standard för högnivå-AI-programmering kommer det att innebära att hårdvaruleverantörer kan konkurrera mer på rå prestanda och pris istället för mjukvarulåsning. Det gör det möjligt för företag att snabbare byta till det mest effektiva chippet utan att behöva skriva om hela sin mjukvarustack från grunden.

För svenska it-arkitekter innebär detta att man bör titta på lokala språkmodeller och hur dessa implementeras. Ju mer abstraherad programmeringen blir via verktyg som TileLang, desto mindre spelar det roll vilket chip som sitter i servern.

Typiska fel vid implementering av AI-infrastruktur

När man rör sig bort från standardlösningar och tittar på nya ekosystem som Huawei Ascend finns det flera fallgropar man bör vara uppmärksam på för att undvika dyra felinköp.

1. Underskattning av mjukvarumigrering: Många tror att man bara kan "byta chipet". Även om TileLang förenklar processen, kräver migrering från CUDA ofta omfattande tester och validering av kernels för att säkerställa att resultaten är identiska.
2. Bristande fokus på ström och kylning: AI-acceleratorer som Ascend 950 har en extremt hög TDP (Thermal Design Power). Att installera dessa i standardrack utan tillräcklig kylning leder till thermal throttling, där chippet sänker hastigheten för att inte överhettas.
3. Ignorerande av interconnect-flaskhalsar: Man fokuserar ofta på det enskilda chippets prestanda men glömmer kommunikationen mellan dem. Utan korrekt konfiguration av supernode-system och optimerade bibliotek som DeepEP-Ascend kommer chippen att vänta på data istället för att räkna.
4. Köp av hårdvara utan mjukvaru-roadmap: Att investera i hårdvara innan man bekräftat att ens specifika modeller (t.ex. V4 eller liknande) är fullt stödda på den konkreta versionen av CANN-plattformen kan leda till oanvändbar hårdvara.
5. Förbisett behov av specialiserat nätverk: Implementering av supernodes kräver extremt låg latens i nätverket. Att använda standardswitchar istället för AI-optimerade interconnects kommer att eliminera vinsterna med att ha 128 Ascend 950-chip.

För att undvika dessa fel rekommenderas det alltid att börja med mjukvarusimuleringar och mindre testmiljöer innan man rullar ut fullskalig infrastruktur i ett datacenter.