Por Redacción Pangea IA · 1 de octubre de 2026
DeepSeek y Huawei han publicado herramientas de software abierto para ejecutar cargas de inteligencia artificial sobre los aceleradores Ascend. El movimiento intenta reducir una de las mayores ventajas de Nvidia: no solo sus chips, sino CUDA, el ecosistema de programación que permite aprovecharlos. Es un paso relevante para la industria china, aunque todavía no constituye una alternativa madura y universal.
La novedad, comunicada el 30 de septiembre, reúne librerías para cálculo y comunicaciones, compatibilidad con nuevos chips Ascend y una capa de programación de más alto nivel. Para las empresas, la lectura correcta no es que CUDA haya sido sustituido, sino que empieza a tomar forma una vía más completa para desplegar modelos avanzados sin depender de la plataforma de Nvidia.
Qué han abierto DeepSeek y Huawei
El anuncio se apoya en tres piezas complementarias. DeepGEMM-Ascend traslada al hardware de Huawei una biblioteca especializada en multiplicaciones de matrices, una operación central en el entrenamiento y la inferencia de modelos. DeepEP-Ascend se ocupa de la comunicación entre chips para modelos de mezcla de expertos, donde cada petición activa solo una parte de la red neuronal. Y TileLang propone una forma de describir núcleos de cálculo con un nivel de abstracción mayor que el código de bajo nivel.
Las tres capas atacan un problema distinto. Un acelerador puede ofrecer una cifra elevada de potencia teórica, pero sirve de poco si faltan bibliotecas eficientes, herramientas para coordinar cientos de dispositivos y una experiencia razonable para los desarrolladores. Ahí reside buena parte del valor acumulado por CUDA durante casi dos décadas.
| Capa | Herramienta | Función principal | Situación actual |
|---|---|---|---|
| Cálculo | DeepGEMM-Ascend | Operaciones matriciales optimizadas para Ascend | Primera versión pública; el rendimiento debe contrastarse de forma independiente |
| Comunicación | DeepEP-Ascend | Distribución y combinación de expertos entre varios chips | Probada por el proyecto en Ascend 950DT; algunas funciones siguen en desarrollo |
| Programación | TileLang | Descripción de núcleos con una capa más accesible | Promete reducir trabajo manual, pero necesita adopción, documentación y herramientas |
El repositorio de DeepEP-Ascend indica que sus interfaces públicas están alineadas con la versión para Nvidia. Esa decisión puede facilitar que un equipo conserve parte de su arquitectura al cambiar de plataforma. También incorpora operaciones de despacho y combinación para modelos MoE, soporte de baja precisión y trabajo en paralelismo de contexto y datos.
DeepSeek comunica rendimientos de entre el 90 % y el 95 % del ancho de banda físico útil en determinadas configuraciones de hasta 32 participantes. Conviene tratar estas cifras como resultados del propio proyecto: no sustituyen una evaluación independiente, no cubren todos los tamaños de clúster y no permiten comparar por sí solas el coste total con una instalación Nvidia.
Por qué la batalla no se libra solo en el chip
La ventaja de Nvidia combina hardware, compiladores, bibliotecas, depuradores, documentación, servicios en la nube y una comunidad enorme. Una empresa que ha construido su plataforma sobre CUDA no cambia únicamente una tarjeta por otra: debe validar modelos, operadores, precisión numérica, comunicaciones, monitorización y procedimientos de soporte.
Por eso el código abierto es estratégico. Permite inspeccionar las herramientas, adaptarlas y evitar que cada fabricante chino cree un sistema incompatible. DeepSeek aporta experiencia con modelos de gran tamaño; Huawei, hardware, compiladores y acceso a su hoja de ruta. La colaboración encaja con el esfuerzo más amplio de China por construir una cadena local de aceleradores, descrito en nuestro análisis sobre los fabricantes chinos que compiten con Nvidia.
Reuters señala además que ambas compañías han avanzado un supernodo de 128 chips Ascend 950. Un sistema así pretende compensar las diferencias entre un acelerador individual y los productos más avanzados de Nvidia mediante interconexión y escala. La misma lógica aparece en otros proyectos locales, como el chip V900 y la infraestructura de Alibaba: el objetivo ya no es fabricar una pieza aislada, sino crear una plataforma completa.
Qué significa para Nvidia
El impacto inmediato será mayor en China que fuera de ella. Las restricciones estadounidenses sobre la exportación de chips avanzados han incentivado a empresas y centros de datos chinos a buscar hardware nacional. Cuantas más cargas de trabajo puedan ejecutar sobre Ascend, menor será la dependencia operativa de CUDA dentro de ese mercado.
Eso no equivale a una pérdida automática del liderazgo mundial. Nvidia conserva una base instalada, una red de socios y un catálogo de software difícil de replicar. La portabilidad también tiene límites: una interfaz parecida reduce fricción, pero no garantiza idéntico comportamiento, rendimiento o estabilidad. El coste de migrar incluye horas de ingeniería, nuevas pruebas y riesgo operativo.
La amenaza más seria para Nvidia es acumulativa. Si Ascend logra una comunidad activa, integraciones con los marcos más utilizados y resultados verificables, los desarrolladores chinos podrían dejar de considerar CUDA el destino por defecto. Con el tiempo, ese cambio abriría espacio a proveedores de nube y fabricantes que hoy no pueden competir solo con especificaciones de hardware.
Qué pueden esperar las empresas de España y la UE
Para una pyme europea, el anuncio no implica que deba comprar aceleradores Ascend ni migrar sus aplicaciones. La disponibilidad comercial, el soporte, la documentación, la compatibilidad normativa y el acceso mediante proveedores de nube serán más importantes que una demostración técnica inicial. En muchos casos, la empresa ni siquiera elige el chip: contrata una API o una plataforma gestionada.
El efecto útil será indirecto. Más competencia puede ampliar la oferta de infraestructura, presionar precios y reducir el riesgo de depender de un solo proveedor. También puede impulsar estándares y herramientas capaces de ejecutar una misma carga en arquitecturas distintas. Esa portabilidad interesa especialmente a organizaciones que negocian contratos de varios años o que deben mantener datos y sistemas dentro de una región concreta.
Cinco preguntas antes de evaluar otra plataforma
- ¿Está soportado el modelo real? No basta con ejecutar una demostración: hay que validar operadores, tamaños de contexto, formatos numéricos y técnicas de cuantización.
- ¿Cuál es el coste total? Deben incluirse servidores, energía, red, almacenamiento, licencias, ingeniería y soporte, no solo el precio del acelerador.
- ¿Existe una ruta de portabilidad? Conviene medir cuánto código y cuántas pruebas cambian al pasar de CUDA a otra plataforma.
- ¿Qué garantías ofrece el proveedor? La disponibilidad de parches, documentación, repuestos y acuerdos de nivel de servicio puede ser decisiva.
- ¿Hay resultados independientes? Los datos del fabricante sirven como punto de partida, pero una decisión de compra exige pruebas reproducibles con la carga propia.
La aparición de chips especializados fuera de los grandes proveedores también se observa en Estados Unidos. El proyecto Jalapeño de OpenAI refleja la misma búsqueda de alternativas para determinadas tareas de inferencia. El patrón común es que el crecimiento del coste de la IA empuja a adaptar el hardware y el software a cargas concretas.
Los límites que todavía no conviene ignorar
DeepEP-Ascend se ha probado con Ascend 950DT y CANN 9.2.0, pero el propio repositorio explica que utilizó un kit de desarrollo de prueba no público. La versión recomendada para Atlas 850E estaba prevista alrededor del 15 de octubre, sujeta al calendario del proveedor. También señala que las configuraciones con más participantes y ciertas operaciones de combinación siguen optimizándose.
Algunas interfaces se consideran experimentales y no están soportadas en todos los entornos. Es una advertencia importante: abrir un repositorio permite empezar a trabajar, pero no convierte automáticamente el proyecto en un producto estable. Faltan ciclos de uso real, informes de errores, integraciones y una política de compatibilidad a largo plazo.
Un estudio técnico publicado en julio sobre la ejecución de modelos de DeepSeek en Ascend describió doce parches y la desactivación de algunas funciones de rendimiento. Sus autores encontraron carencias en operadores, núcleos numéricos, compilación, escalado y observabilidad. Es un antecedente, no una evaluación de las herramientas anunciadas ahora, pero ayuda a entender el punto de partida y por qué este nuevo código puede ser relevante.
Qué habrá que vigilar a partir de ahora
La primera prueba será la actividad de los repositorios: contribuciones externas, frecuencia de versiones, incidencias resueltas y documentación. La segunda serán los resultados independientes frente a CUDA y otras alternativas, no solo en velocidad máxima, sino en estabilidad, consumo energético y coste por tarea completada.
También habrá que comprobar la integración con PyTorch y los motores de inferencia más utilizados, la disponibilidad de chips Ascend y la capacidad de Huawei para suministrar sistemas completos. Una biblioteca excelente no resuelve una escasez de hardware; del mismo modo, un acelerador potente pierde valor si exige demasiados cambios de software.
Por último, importa saber si el esfuerzo se convierte en un estándar de facto para varios fabricantes chinos o queda ligado a una sola familia de chips. La posibilidad de reutilizar código entre proveedores determinará si nace un ecosistema abierto o simplemente otra plataforma cerrada alrededor de un hardware diferente.
Conclusión: una pieza necesaria, no una victoria definitiva
DeepSeek y Huawei han atacado la parte correcta del problema. Para competir con Nvidia no basta con anunciar más aceleradores: hace falta que los desarrolladores puedan programarlos, conectarlos y mantenerlos sin reconstruir cada aplicación desde cero. DeepGEMM-Ascend, DeepEP-Ascend y TileLang aportan piezas concretas a ese objetivo.
El anuncio merece atención porque reduce una barrera real y llega acompañado de código público. Aun así, la madurez se medirá por adopción, compatibilidad, soporte y pruebas independientes. CUDA sigue siendo la referencia; lo que cambia es que el camino para disminuir su dominio empieza a estar mejor definido.
Lecturas relacionadas
- Los cuatro dragones chinos desafían a Nvidia en los chips de IA
- Alibaba prepara un modelo de 10 billones y su chip V900
- Enflame debuta con una subida del 188 %: qué revela sobre los chips de IA chinos
Fuentes consultadas
- Reuters: colaboración de DeepSeek y Huawei en herramientas para chips, publicada el 30 de septiembre de 2026.
- Repositorio oficial DeepEP-Ascend.
- Repositorio oficial DeepGEMM-Ascend.
- Reuters: hoja de ruta de chips Ascend de Huawei, publicada el 17 de septiembre de 2026.
- Estudio técnico sobre la ejecución de modelos DeepSeek en Huawei Ascend, publicado en julio de 2026.
Fuentes consultadas el 1 de octubre de 2026.
Deja una respuesta