DeepSeek的优雅迁移：向昇腾训练再进一步

DeepSeek开源面向华为昇腾的编程工具、计算库和通信库，宣布把已经在英伟达平台上验证过的模型研发与训练软件能力，系统性地扩展到昇腾，即所有组件与此前面向英伟达平台的开源组件“一一对应”。

在DeepSeek推进新一轮融资、筹划大规模采购昇腾芯片的背景下，这是关键的一步。资本可以买来设备，但只有软件、模型和硬件真正协同起来，设备才会成为持续提供推理和训练的基础设施。

先在英伟达上验证，再把能力带到昇腾

重点是TileLang，这条路线首先在英伟达成熟平台上得到验证，如今已承载DeepSeek V4系列模型训练中大部分算子的实现；目前，DeepSeek训练中使用的每一个TileLang算子，在昇腾上都有对应的高性能实现。性能数据已经显示出潜力。按照团队自测，FlashMLA在昇腾950上的稀疏注意力预填充内核最高达到410 TFLOPS，约为硬件峰值的95%。这是特定算子的结果。

这是一条稳健的工程路径，先在成熟硬件上验证编程方法和真实训练需求，再将相关能力带到另一种架构上。迁移过程中，模型团队已有可供对照的数值结果、算子行为和性能经验，不必同时重新证明模型算法与编程工具是否成立。

TileLang是一种面向高性能计算内核的领域专用语言及编译系统。“Tile”意为分块，开发者用接近Python的语法，描述矩阵块怎样计算、数据怎样移动，编译器承担部分存储规划、调度和同步工作。它把编程抽象提高了一层，但仍允许开发者表达硬件特有的优化。

这层抽象，是“优雅迁移”的关键，尽量保留上层计算表达、接口和研发流程，把必须因硬件而异的工作交给不同后端。昇腾版本封装Ascend C底层能力，面向昇腾原生执行；构建时可以关闭CUDA，无须安装CUDA工具包。它不是让昇腾模拟英伟达指令，而是开辟另一条执行路径。

“一一对应”，究竟是什么

本次对应的是DeepSeek自己的六类开源组件，而非CUDA生态中的所有功能。

这里既有组件定位的对应，也有接口的对齐，但不能把它理解为功能、数据类型和性能的完全等价。在已经覆盖的任务上，它们可以提供不依赖CUDA的实现；但不能自动运行任意CUDA程序，也没有替代CUDA整个开发与运行生态。

它们与华为软件栈也不是相互取代的关系。CANN提供昇腾基础计算环境，Ascend C等工具暴露底层硬件能力，DeepSeek则把模型的具体需求转化为高性能实现。例如，DeepGEMM-Ascend直接针对昇腾矩阵乘加原语优化；DeepEP-Ascend使用Ascend C并连接华为通信设施。因此，这批组件也并非全部用TileLang编写。

总之，华为提供通用底座，模型团队贡献真实工作负载与专用优化，双方再共同改善底层工具。

训练的信号，已经进入代码

这次发布不能主要被理解为推理适配，因为公开代码已经包含直接面向训练的内容。

TileLang的昇腾示例中，不只有注意力前向计算，还有生成查询、键和值梯度的反向计算，并提供正确性测试。DeepEP-Ascend也展示了专家通信的反向过程：前向时分发Token、汇总专家输出，反向时则传回相应梯度。这些都是训练所需要的能力。

优化还跨出了单卡。公告明确提到双方共同推进昇腾950的128卡超节点方案，通信库也公布了最高EP128规模的测试。它说明工作已经进入多设备协同。

不过，DeepSeek公告说的是“大部分算子”，不是“大部分算力”；算子数量不能直接换算成计算量或训练时间。“所有训练中使用的TileLang算子都有对应实现”，也不是说整个训练系统的全部功能都已完成迁移。

同样，128设备通信测试，不等于完整模型的128卡训练，更不等于跨多个超节点的长期预训练验证。当前公开通信性能还依赖非公开的概念验证版驱动固件及手工配置，推荐的公开商用版本计划于10月中旬提供，部分通信功能仍待完善。

因此，DeepSeek已经在系统性建设昇腾训练所需的核心软件能力，下一步需要看到的，是端到端收敛、训练吞吐、长期稳定性和故障恢复，而不只是若干算子接近自身硬件峰值。

融资与16万片950，在这条迁移路线上

资本与硬件扩张，让这次软件发布有了更具体的背景。据The Information，DeepSeek正推进第二轮融资，目标以5000亿元估值募集500亿元，争取10月底完成；公司将超过70%的算力用于训练。媒体也报道过，DeepSeek计划在内蒙古的数据中心部署至少16万片昇腾950DT，交付进度取决于华为产能，履约可能超过一年。

这凸显了DeepSeek发布这些组件的意义，此前的大规模硬件计划主要指向模型服务，现在公开的软件建设，则进一步覆盖训练所需的能力。

两条路线可以同时推进。新增昇腾资源若承接更多推理需求，就有机会缓解既有GPU的服务压力，为研发释放资源；训练软件逐步成熟后，DeepSeek又可以验证并扩大昇腾承担训练任务的范围。继续使用英伟达，与建设昇腾训练能力，目前并不矛盾。

走向持续的芯模协同

DeepSeek与华为的合作，已经是深度的芯模协同。TileLang昇腾后端的初版主要由DeepSeek团队开发，并获得华为协作支持；双方的优化延伸至编译器、计算内核、通信和固件。这意味着模型需求开始直接参与底层软件体系的建设。

英伟达与OpenAI的合作中，同样明确提出共同优化模型、基础设施软件与硬件软件路线图。

谷歌的TPU与Gemini，则具有更完整的纵向组织条件。谷歌发布第八代TPU时明确说明，芯片与DeepMind共同设计，将模型架构、应用需求、网络和软件纳入协同。它不仅让模型适应现有硬件，也让未来硬件按模型需求改变。

DeepSeek这条路线的独特价值，在于把跨企业合作的成果开放出来。其他团队可以研究、复用和改进真实模型所需的优化，减少重复移植，让更多国产设备不仅能跑模型，还能高效支持模型迭代。但其他芯片仍需建设自己的后端，开源不会自动消除硬件差异。

DeepSeek英伟达平台积累能力的基础之上，逐步获得对昇腾的选择，并且让自己的模型研发与训练能力，具备在更多硬件平台上延续的条件。

参考：

DeepSeek及文内相关github文档