DeepSeek ابزار متن‌باز TileLang را برای تراشه‌های Ascend عرضه کرد

تراشه‌های Ascend هواوی قرار است با کمک ابزار متن‌باز TileLang بخشی از وابستگی صنعت هوش مصنوعی چین به نرم‌افزار Nvidia را کاهش دهند؛ DeepSeek از بهینه‌سازی این زبان برنامه‌نویسی برای سخت‌افزار Huawei خبر داده و می‌گوید این شرکت در کار پشتیبانی کامل داشته است. این همکاری، در کنار کار روی یک ابرگره متشکل از ۱۲۸ تراشه Ascend 950، تلاشی برای حل یکی از گلوگاه‌های اصلی صنعت تراشه چین است: ساخت نرم‌افزاری که بتواند توان سخت‌افزارهای داخلی را به‌طور مؤثر به کار بگیرد.

TileLang؛ ابزار مشترک برای تراشه‌های Ascend هواوی

هسته این همکاری TileLang است؛ زبان برنامه‌نویسی متن‌بازی برای تراشه‌های هوش مصنوعی که پژوهشگران دانشگاه پکن آن را توسعه داده‌اند. DeepSeek می‌گوید حدود یک سال است از این ابزار استفاده می‌کند و اکنون نسخه‌ای از آن را برای کار با تراشه‌های Ascend بهینه کرده است. به گفته این شرکت، Huawei نیز از این فعالیت پشتیبانی کرده است.

زبان‌های برنامه‌نویسی و ابزارهای نرم‌افزاری تعیین می‌کنند که توسعه‌دهندگان تا چه اندازه آسان بتوانند از قابلیت‌های یک تراشه استفاده کنند. در این زمینه، DeepSeek استدلال می‌کند که یک اکوسیستم مستقل برای تراشه‌های هوش مصنوعی به زبانی عمومی نیاز دارد؛ زبانی که هم برنامه‌نویسی را ساده کند و هم امکان بهره‌گیری از توان کامل سخت‌افزار را بدهد.

این شرکت TileLang را در مقایسه با CUDA، بستر نرم‌افزاری Nvidia، مدلی ساده‌تر برای برنامه‌نویسی توصیف می‌کند. ساده‌تر بودن ابزار می‌تواند ورود برنامه‌نویسان و سازندگان مدل به یک پلتفرم را آسان کند، اما به‌تنهایی تضمین نمی‌کند که سخت‌افزار در همه کاربردها سریع‌تر یا کارآمدتر از رقیب باشد.

DeepSeek پیش‌تر TileLang را روی نسل‌های قدیمی‌تر تراشه‌های Nvidia آزمایش کرده بود. به گزارش The New York Times، این زبان اکنون ابزار اصلی این شرکت در فعالیت‌های مرتبط با هوش عمومی مصنوعی یا AGI است؛ اصطلاحی که برای سامانه‌هایی به کار می‌رود که هدف آن‌ها انجام طیف گسترده‌ای از وظایف شناختی است. این گزارش جزئیات بیشتری درباره میزان بهبود عملکرد یا نتایج عددی به‌دست‌آمده ارائه نمی‌کند.

چرا اکوسیستم نرم‌افزاری به اندازه تراشه اهمیت دارد؟

چالش Huawei و دیگر سازندگان تراشه چین فقط طراحی و تولید پردازنده نیست. سازندگان مدل و توسعه‌دهندگان باید بتوانند نرم‌افزارهایشان را برای این پردازنده‌ها اجرا و بهینه کنند. اگر ابزارهای لازم محدود باشند یا استفاده از آن‌ها دشوار باشد، حتی تراشه‌ای توانمند هم ممکن است نتواند به‌سادگی در آموزش و اجرای مدل‌های بزرگ به کار گرفته شود.

نمونه مهم این مزیت، CUDA است. سلطه Nvidia در بازار پردازنده‌های هوش مصنوعی تنها به طراحی تراشه‌هایش متکی نیست؛ این شرکت از یک اکوسیستم نرم‌افزاری گسترده هم بهره می‌برد. برآوردی که در گزارش منبع آمده، شمار توسعه‌دهندگانی را که در سراسر جهان با CUDA کار می‌کنند حدود چهار میلیون نفر می‌داند. چنین جامعه‌ای، همراه با ابزارها و کدهای ساخته‌شده پیرامون این بستر، مانعی جدی برای رقبایی مانند AMD ایجاد کرده است؛ حتی در مواردی که سخت‌افزار رقیب روی کاغذ توان رقابت داشته است.

به گفته The New York Times، شرکت‌های سازنده مدل در چین، از جمله Z.ai و Moonshot AI، تاکنون سریع‌تر از سازندگان تراشه این کشور پیش رفته‌اند. Huawei می‌خواهد این فاصله را کمتر کند. این شرکت دو هفته پیش از اعلام همکاری DeepSeek، از پردازنده‌های هوش مصنوعی و سامانه‌های ابرگره جدید خود رونمایی کرده بود و گفته بود این محصولات قرار است سال آینده به‌طور گسترده برای آموزش مدل‌ها به کار گرفته شوند.

ابرگره به مجموعه‌ای از چند تراشه گفته می‌شود که به هم متصل شده‌اند تا مانند یک سامانه بزرگ‌تر کار کنند. DeepSeek اعلام کرده است که با Huawei یک ابرگره متشکل از ۱۲۸ تراشه Ascend 950 را نیز بهینه کرده است. اطلاعات منتشرشده درباره این همکاری، جزئیات فنی عملکرد این مجموعه یا مقایسه مستقیم آن با سامانه‌های رقیب را مشخص نمی‌کند.

محدودیت عرضه و آزمون واقعی رقابت با Nvidia

Huawei گفته است که در حال حاضر نمی‌تواند پاسخ‌گوی همه تقاضای داخلی برای تراشه‌هایش باشد و قصد دارد فروش در بازارهای خارجی را کاهش دهد. اریک شو، رئیس دوره‌ای این شرکت، با اشاره به محدودیت‌های صادراتی آمریکا گفته است Huawei نمی‌تواند آینده خود را به این وابسته کند که دیگران حاضر باشند تراشه به چین بفروشند. این اظهارات، انگیزه ساخت زنجیره تأمین و ابزارهای داخلی را روشن می‌کند؛ بااین‌حال، فراهم کردن تراشه به‌تنهایی مسئله کمبود نرم‌افزار را حل نمی‌کند.

ارزیابی‌های SemiAnalysis درباره تراشه‌های دیگر نیز نشان می‌دهد که مقایسه عملکرد به نوع بار کاری وابسته است. این مؤسسه پس از آزمودن Jalapeño، تراشه استنتاجی OpenAI، درباره تضعیف احتمالی مزیت CUDA اظهار نظر کرد. در بیشتر سناریوهایی که بررسی شدند، Jalapeño از نظر عملکرد به‌ازای هر وات از Blackwell شرکت Nvidia بهتر بود. طبق گزارش SemiAnalysis، مدل‌های OpenAI در طراحی این تراشه هم نقش داشتند و خود این مدل‌ها روی پردازنده‌های گرافیکی Nvidia اجرا می‌شوند.

اما دامنه آن آزمون محدود بود: پژوهشگران سناریوهایی را بررسی کردند که به‌نسبت آسان‌تر بهینه می‌شوند و در آن‌ها حدود ۸۰۰۰ توکن ورودی و ۱۰۰۰ توکن خروجی وجود داشت. آن‌ها هنوز AgentX را اجرا نکرده بودند؛ معیاری برای سنجش توانایی عامل‌های هوش مصنوعی در انجام وظایف چندمرحله‌ای. بنابراین نتایج مربوط به سناریوهای محدود را نمی‌توان به همه کاربردهای هوش مصنوعی تعمیم داد.

اهمیت این تمایز در ارزیابی قبلی SemiAnalysis نمایان شد. این مؤسسه در ماه اوت، در بررسی کارهای عامل‌محور، Nvidia را به‌طور محسوسی جلوتر یافته بود. طبق تحلیل آن، با پشته نرم‌افزاری فعلی AMD، هزینه هر توکن در Nvidia همچنان کمتر می‌ماند؛ حتی اگر AMD سخت‌افزار خود را رایگان عرضه کند. نویسندگان این تحلیل، مزیت پایدار Nvidia را نه فقط در خود تراشه، بلکه در نرم‌افزاری می‌دانند که چندین تراشه را به یک سامانه متصل می‌کند.

تراشه‌های Huawei در مقایسه AgentX حضور نداشتند. بااین‌حال، SemiAnalysis در تحلیل پیشین خود از DeepSeek V4 اشاره کرده بود که در کنار CUDA، پشته نرم‌افزاری CANN شرکت Huawei تنها گزینه‌ای بود که از روز نخست از این مدل پشتیبانی می‌کرد. این نکته نشان می‌دهد که وجود نرم‌افزار و پشتیبانی به‌موقع از مدل‌ها می‌تواند در رقابت سخت‌افزاری نقشی کلیدی داشته باشد؛ هرچند به‌تنهایی برتری در همه بارهای کاری را ثابت نمی‌کند.

این خبر برای چه کسانی اهمیت دارد

این همکاری برای توسعه‌دهندگان مدل‌های هوش مصنوعی و شرکت‌هایی اهمیت دارد که می‌خواهند روی سخت‌افزارهای غیر از Nvidia کار کنند. اگر TileLang استفاده از تراشه‌های Ascend را ساده‌تر کند، ممکن است شمار بیشتری از برنامه‌نویسان بتوانند برای آن‌ها نرم‌افزار بنویسند و مدل‌ها را اجرا کنند. برای Huawei نیز گسترش ابزارهای سازگار می‌تواند به استفاده بیشتر از تراشه‌هایش در داخل چین کمک کند؛ به‌ویژه در شرایطی که این شرکت می‌گوید عرضه داخلی‌اش از تقاضا عقب مانده است.

بااین‌حال، نتیجه همکاری را باید از روی میزان پذیرش ابزار، پشتیبانی از مدل‌ها و عملکرد در کاربردهای متنوع سنجید. رقابت با CUDA صرفاً با انتشار یک زبان برنامه‌نویسی پایان نمی‌یابد؛ اکوسیستم به توسعه‌دهندگان، ابزارهای عملیاتی و نرم‌افزارهایی نیاز دارد که بتوانند سامانه‌های چندتراشه‌ای را به‌خوبی به کار بگیرند. اعلام DeepSeek و Huawei گامی در همین مسیر است، اما اطلاعات فعلی برای نتیجه‌گیری درباره تغییر موازنه بازار کافی نیست.