華為（昇騰+CANN）+Deepseek，能解決英偉達GPU+CUDA的“卡脖子”嗎？
據tomshardware等多家媒體報道，華為最新的AI處理器昇騰910C（Ascend 910C）的推理性能已達NVIDIA H100 GPU的六成。
根據DeepSeek 研究人員的測試，在推理任務中，昇騰910C性能可達H100的60%。據悉，升騰910C采用chiplet封裝，第二代7nm級（N+2）工藝，整合約530億個晶體管。
雖然昇騰910C并非當前最強AI芯片，但它有助于降低中國對NVIDIA GPU的依賴。
此外，通過手動優化CANN內核，其效率可以進一步提高。DeepSeek對昇騰處理器及其 PyTorch存儲庫的原生支持允許以最小的的資源代價，實現CUDA到CANN的無縫轉換，從而更容易將華為的硬件集成到AI工作流程中。
據了解，DeepSeek的支持為華為芯片帶來了關鍵優勢：從第一天起就支持華為昇騰芯片，自主維護PyTorch倉庫，只需一行代碼就能將CUDA轉換為CANN；而且性能優化潛力巨大，通過定制優化可達到更高性能。
據華為官網介紹，CANN（Compute Architecture for Neural Networks）是昇騰針對AI場景推出的異構計算架構，對上支持多種AI框架，對下服務AI處理器與編程，發揮承上啟下的關鍵作用，是提升昇騰AI處理器計算效率的關鍵平臺。同時針對多樣化應用場景，提供高效易用的編程接口，支持用戶快速構建基于昇騰平臺的AI應用和業務。
據了解，CANN分社區版和商用版。前者是快速提供新特性的體驗版，供開發者提前試用；而后者是滿足商用標準的穩定版本。
目前，CANN社區版已經來到了8.0.0.alpha003版本，針對Ascend C進行了特性增強。而商用版CANN 8.0.RC3版本也已經發布，新增適配7個操作系統，簡化了CANN安裝流程。
DeepSeek的Yuchen Jin表示，長期訓練可靠性是中國處理器的一個關鍵弱點。
主要是NNVIDIA硬件和軟件生態系統的深度集成，該生態系統已經發展了二十多年。雖然推理性能可以優化，但持續的訓練工作負載需要華為的硬件和軟件堆棧進一步改進。
而隨著AI模型架構向Transformer收斂，CUDA和PyTorch編譯器的重要性將降低。DeepSeek團隊的加入將顯著降低對NVIDIA的依賴，大幅節省成本。
無獨有偶。此前有消息稱，DeepSeek開發的大語言模型繞過了英偉達的CUDA框架，正為未來兼容國產GPU芯片做準備。
最新發現顯示，DeepSeek使用英偉達的H800芯片訓練時，使用英偉達底層硬件指令PTX（Parallel Thread Execution）語言，而非高級編程語言CUDA。
這樣意味著DeepSeek繞過了CUDA，使用更底層的編程語言做優化。
對于程序開發人員來說，CUDA是一種更加友好的高級語言，開發者只需要專注于程序和算法最相關的運行邏輯，而不太需要考慮具體的程序是如何在GPU等硬件上具體如何執行計算的，從而能夠降低開發難度。
而PTX在接近匯編語言的層級運行，允許進行細粒度的優化，如寄存器分配和Thread / Warp級別的調整。這種編程非常復雜且難以維護，所以行業通用的做法是使用CUDA這樣的高級編程語言。
換句話說，DeepSeek把優化做到了極致。
北京航空航天大學副教授黃雷表示，繞過CUDA可以直接根據GPU的驅動函數做一些新的開發，從而實現更加細粒度的操作。
這也說明DeepSeek擁有一些擅長寫PTX語言的內部開發者。假如它之后使用國產GPU，其在硬件適配方面將會更得心應手，其只要了解這些硬件驅動提供的一些基本函數接口，就可以仿照英偉達GPU硬件的編程接口去寫相關的代碼，從而讓自家大模型更加容易適配國產硬件。 
