DeepSeek, yapay zeka eğitiminde NVIDIA donanımına olan bağımlılığını azaltmak için rotasını Huawei’ye çeviriyor. Şirketin, yaklaşık 8 trilyon parametreli V5 modelinin tam eğitim sürecini Huawei Ascend 950DT tabanlı SuperPoD/Supernode altyapısında yürütmeyi planladığı aktarılıyor. Bu girişim başarıya ulaşırsa, Çin’de tamamen yerli bir donanım ve yazılım yığını üzerinde tamamlanan ilk büyük ölçekli model eğitimi olabilir.
Paylaşılan bilgilere göre DeepSeek, İç Moğolistan’daki 1GW veri merkezi için Huawei’den yaklaşık 160.000 adet Ascend 950DT siparişi verdi. Sevkiyatların Q4 2026 döneminde hız kazanması bekleniyor. Çip başına piyasa fiyatının yaklaşık 111.000 Yuan, yani kabaca $16.000 seviyesinde olduğu; toplam sipariş tutarının da yaklaşık $2,56 milyara ulaşabileceği belirtiliyor.
Ascend 950DT, Huawei’nin üçüncü nesil DaVinci v3 mimarisini kullanıyor ve SMIC’in N+3 üretim süreciyle üretiliyor. Çip, hem eğitim hem de decode iş yüklerini çalıştırabiliyor. Her birimde 144 GB HiZQ 2.0 HBM bulunuyor; bellek bant genişliği 4,0 TB/s, GPU’dan GPU’ya bağlantı hızı ise 2,0 TB/s olarak veriliyor. Ayrıca FP8, FP4 ve Huawei’nin HiF8 formatı için yerel destek sunuluyor.
Huawei’nin Atlas 950 SuperPoD altyapısı, 8.192 adede kadar Ascend 950DT çipini bir araya getirerek tepe noktada 8 EFLOPS yapay zeka hesaplama gücü sunabiliyor. Bu sistemde karttan karta 2 TB/s bağlantı da öne çıkan başlıklardan biri. DeepSeek’in ilgisini çeken asıl unsurun yalnızca ham performans değil, büyük ölçekli kümelerde süreklilik ve verimlilik olduğu anlaşılıyor.
Yazılım tarafında ise DeepSeek’in kendi araçlarını Ascend platformuna taşıdığı ifade ediliyor. DeepSelect, TileLang, DeepGEMM-Ascend, DeepEP-Ascend, TileKernels ve FlashMLA bu yığının öne çıkan bileşenleri arasında. Özellikle TileLang, donanımdan daha bağımsız bir ara katman yaklaşımı sunduğu için kritik görülüyor. DeepSeek’in bu optimizasyonlarla Ascend GPU’larda MFU oranını %45’e çıkardığı, önceki 910C neslinde raporlanan yaklaşık %30 seviyesine göre belirgin iyileşme sağladığı belirtiliyor.
İki şirketin 128 kartlı Ascend 950 Atlas SuperPoD yapılandırmasında da ek optimizasyon yaptığı, sparse attention işlemlerinde okuma aşamasında 410 TFLOPS seviyesine ulaşıldığı ve izole, hesaplama ağırlıklı işlerde teorik FP8 tepe performansının %95’ine yaklaşılabildiği aktarılıyor. V5 eğitimi tamamlanırsa, burada doğrulanacak nokta yalnızca Ascend’in büyük model eğitebilmesi değil; TileLang tabanlı, CUDA dışı bir yazılım yolunun uçtan uca ön eğitim döngüsünü taşıyıp taşıyamayacağı olacak.
