DeepSeek libera como código abierto su experiencia de ingeniería para ejecutar modelos de billones de parámetros: esta vez, el cómputo nacional refuerza la capa de software

El 30 de septiembre, DeepSeek publicó un conjunto de código en su cuenta oficial de WeChat y liberó como código abierto seis módulos para la plataforma Huawei Ascend: TileLang, DeepGEMM-Ascend, DeepEP-Ascend, TileKernels, FlashMLA y DeepSelect. Los nombres suenan dispersos, pero el alcance que cubren es bastante integral: un lenguaje de programación, un lote de kernels de cómputo y comunicación distribuida.

Esto no se parece mucho a una liberación de código abierto convencional. Lo que libera no es el modelo, sino la capa de base necesaria para ponerlo en funcionamiento.

Cuando el chip ya es suficiente, lo que atasca es otra cosa

En los últimos años, lo más discutido sobre el cómputo nacional han sido las cifras de capacidad de cómputo. Las hojas de especificaciones se ven mejor año tras año, pero los ingenieros que realmente han migrado modelos saben que los problemas rara vez están en la capacidad de cómputo pico.

El ecosistema CUDA de NVIDIA lleva más de veinte años construyéndose. Compiladores, bibliotecas matemáticas, bibliotecas de comunicación, una capa sobre otra; los desarrolladores obtienen una tarjeta y pueden usarla, y la documentación, la comunidad y los registros de problemas ya están listos. Al cambiar a otro conjunto de hardware, el mismo operador quizá haya que escribirlo uno mismo, la planificación haya que ajustarla uno mismo, y las bibliotecas de comunicación multinodo y multitarjeta haya que implementarlas uno mismo. La puntuación del chip no es baja, pero trasladar el modelo a esa plataforma tiene un costo desmesurado.

Esta brecha tiene otra capa de la que no se habla mucho. El hardware se puede comprar con una inversión única; el ecosistema de software solo se puede pulir año tras año con personas. Comprar tarjetas es un problema de adquisición; completar la cadena de herramientas es un problema de tiempo, y ese tiempo solo se puede intercambiar con proyectos reales. Quien logre que su modelo primero funcione, se estabilice y escale en una plataforma, solo así podrá acumular experiencia reutilizable. Por eso esta liberación de código abierto merece discutirse por separado: no es que hayan comprado algo, sino que alguien entregó lo que había acumulado.

Por eso, la verdadera debilidad a largo plazo del cómputo nacional es el software. El chip puede calcular, pero no es fácil de usar. Lo que DeepSeek liberó esta vez cae justo en ese vacío.

De los seis módulos, el más digno de atención es TileLang

De los seis módulos, el de mayor peso es TileLang. Es un lenguaje de programación de alto nivel desarrollado por DeepSeek; antes estaba orientado principalmente al backend de NVIDIA y esta vez ofrece soporte oficial para Ascend 950, con generación de código nativo, planificación automática y sincronización. DeepSeek lo posiciona de forma directa: una alternativa a CUDA, y con un “modelo de programación más simple”.

El complementario TileKernels resuelve otro viejo problema. Puede seleccionar automáticamente el backend de NVIDIA o de Huawei y expone la misma API de Python a la capa superior. En otras palabras, el mismo código se ejecuta en dos plataformas de hardware, y el costo de cambio se reduce al nivel de configuración, en lugar de reescribir los kernels.

Los datos de pruebas internas hechos públicos tampoco son ambiguos. Algunos kernels en Ascend 950DT alcanzaron un porcentaje muy alto del límite nominal del hardware: multiplicación de matrices densas BF16, 99,8%; FP8, alrededor de 99,5%; la implementación de atención dispersa orientada a DeepSeek V4.1 alcanzó 410 TFLOPS en la fase de prefill, aproximadamente el 95% del valor teórico. Las dos compañías también optimizaron conjuntamente una solución de supernodo basada en 128 Ascend 950, dedicada específicamente a equilibrar el cómputo y el traslado de datos.

El valor de estas cifras está en demostrar que este camino es viable. Antes, cuando se hablaba de cómputo nacional, se hablaba de si se podía usar; ahora empiezan a haber equipos dispuestos a hacer públicas sus experiencias exprimiendo el hardware, lo que indica que al menos alguien ya ha llegado a un punto que vale la pena compartir.

Una misma API conectada a dos backends a la vez: ¿dónde está el valor?

Vistos en conjunto, TileLang y TileKernels dejan más clara su utilidad. TileKernels puede seleccionar automáticamente el backend de NVIDIA o de Huawei y expone la misma API de Python hacia arriba. Esto significa que el equipo mantiene una sola base de código en lugar de dos.

En la realidad, un servicio de inferencia mínimamente decente suele tener que ejecutarse en varios tipos de hardware a la vez. La nube puede seguir siendo NVIDIA; los escenarios de construcción propia o de innovación tecnológica nacional usan tarjetas nacionales; y los dispositivos de borde son otro conjunto distinto. Si cada cambio de hardware obliga a reescribir los kernels, el equipo tiene que mantener varias implementaciones en paralelo y probarlas todas por separado. Una misma API degrada esto de “reescribir” a “cambiar la configuración”; lo que se ahorra no es solo mano de obra, sino también oportunidades de error.

Para un equipo que solo quiere sacar el producto adelante, este tipo de cambios no aparecerá en ninguna nota de prensa, pero determina si están dispuestos a probar hardware nacional.

El verdadero cambio ocurre en el costo de migración

Para un desarrollador común, el impacto más práctico de esta liberación de código abierto es el costo de migración.

En el pasado, migrar entrenamiento o inferencia a Ascend implicaba completar uno mismo los operadores de bajo nivel y adaptar uno mismo las herramientas; no era raro que un proyecto consumiera varios meses en ello. Ahora estas cadenas de herramientas se liberan directamente como código abierto, muchos problemas ya han sido encontrados y corregidos por otros, y pueden reutilizarse directamente. El umbral baja de “tener que contar con un equipo dedicado a la adaptación de operadores” a “que haya alguien en el equipo que entienda este conjunto de herramientas”.

Esto también explica por qué el lanzamiento tuvo una reacción considerable en la comunidad de desarrolladores. Últimamente ya se han lanzado bastantes modelos; lo realmente escaso es ahorrarse un tramo del camino.

Lo que hay que ver a continuación es si los demás lo usan o no

Para juzgar la importancia de esta liberación de código abierto, no basta con ver lo que DeepSeek dice de sí mismo; hay que ver lo que otros hagan en los próximos seis meses.

Que una cadena de herramientas se consolide o no depende de que haya terceros dispuestos a invertir en ella. Si TileLang solo sirve a los modelos de la propia DeepSeek, su significado se queda dentro de esta empresa; si otros equipos lo usan para escribir operadores, abren issues y amplían backends de hardware, entonces empezará a convertirse en infraestructura pública. Por muy bonitas que sean las cifras, solo contarán si pasan la prueba de varios meses de carga real.

Otra variable es si otros chips nacionales se irán integrando también. Por ahora, la información pública se concentra en Ascend; si este lenguaje de alto nivel puede migrarse a más plataformas bajo la misma lógica, su valor dará otro salto. Esto todavía no tiene respuesta.

Liberar los cimientos como código abierto es más lento que liberar modelos

En los últimos dos años, el campo de batalla principal del código abierto nacional han sido los pesos de los modelos. Parámetros, rankings, número de descargas: todo es algo que se ve de inmediato. La cadena de herramientas de bajo nivel es distinta: no aparece en los rankings y a corto plazo tampoco genera conversación. Pero sin esta capa, por muchos modelos que se apilen encima, todo queda en el aire.

DeepSeek entrega su experiencia de ingeniería al haber hecho funcionar modelos de billones de parámetros en Ascend, y lo que hace es justamente este tipo de trabajo de nivelación poco llamativo, pero que determina si la industria puede seguir avanzando.

Que convenga migrar ahora mismo a Ascend los proyectos que uno tiene en NVIDIA sigue dependiendo del escenario concreto y de si el equipo tiene a alguien dedicando tiempo a la capa de bajo nivel. Pero al menos a partir de este día, el argumento de que “el ecosistema no es fácil de usar” empieza a sostenerse menos. Y una vez que el ecosistema empieza a ser usable, lo que ocurre después suele ser más rápido de lo esperado.