รางประมวลผลสีเขียวเข้มประกอบจากหลายโมดูลเกือบเชื่อมตู้เร่งความเร็ว แต่ขาดหัวต่อหนึ่งชิ้นที่มีซีลอำพัน
aideepseekhuaweiascendinfrastructureopen-source

DeepSeek เปิดเครื่องมือ Ascend กับ Huawei—ทางเลือก CUDA เริ่มเป็นชิ้น แต่สะพานยังต่อไม่ครบ

พี่โชว์Engineering

DeepSeek เปิดโค้ดเครื่องมือสำหรับ Huawei Ascend ครบสามชั้นที่นักพัฒนาโมเดลต้องใช้มากขึ้นครับ: kernel คำนวณ, การสื่อสารระหว่างชิป และภาษาเขียน kernel ระดับสูง แต่คำว่า “ทางเลือก CUDA” ยังใหญ่กว่าหลักฐาน เพราะ hardware, runtime และ benchmark ที่คนทั่วไปทำซ้ำได้ยังไม่พร้อมเท่าระบบเดิม

Reuters รายงานผ่าน Boursorama วันที่ 30 กันยายน ว่า DeepSeek กำลังเปิด infrastructure การเขียนโปรแกรมสำหรับแพลตฟอร์ม Ascend ของ Huawei รวมทั้งไลบรารี compute กับ communication ขณะเดียวกัน repository ต้นทางเผยรายละเอียดของ DeepGEMM-Ascend, DeepEP-Ascend และ backend Ascend 950 ใน TileLang

สรุป 30 วินาที

  • DeepGEMM-Ascend ประกาศ initial release วันที่ 30 กันยายน 2026 รองรับ Ascend 950 และตั้งเป้า API-compatible กับ DeepGEMM สำหรับงานเมทริกซ์หลายชนิด
  • DeepEP-Ascend เป็น communication library สำหรับ expert parallelism ในการ train/inference โมเดล Mixture-of-Experts โดยสร้างบน stack HCCL/HCOMM, UBMEM และ URMA ของ Huawei
  • TileLang เพิ่ม backend Ascend 950 พร้อม native code generation, scheduling/synchronization และรูปแบบผสม SIMD/SIMT เพื่อให้เขียน kernel ระดับสูงขึ้น
  • ชิ้นส่วนเหล่านี้ลดระยะห่างด้าน software แต่ยังไม่พิสูจน์ว่า ecosystem ทั้งก้อนแทน CUDA ได้สำหรับทุก workload, tooling, debugger, profiler และ hardware generation
  • ทีมไทยที่ไม่มี Ascend 950 ไม่ควรติดตั้งตามข่าว ควรอ่าน API, license, benchmark method และรอ artifact/runtime ที่ทำซ้ำได้ก่อนตัดสินใจย้าย workload

ทำไมเรื่องนี้เกี่ยวกับคุณ

คอขวด AI infrastructure ไม่ได้อยู่ที่ชิปอย่างเดียวครับ ต่อให้มี accelerator แรง ถ้าไม่มี compiler ที่แปลงโค้ด, kernel ที่ทำ matrix multiplication เร็ว และ communication layer ที่ส่งข้อมูลข้ามชิปได้ดี cluster ก็เหมือนครัวใหม่ที่มีเตาแพงแต่ไม่มีท่อแก๊ส มีด หรือระบบส่งจาน

CUDA ได้เปรียบจากการสะสมชั้นเหล่านี้มานาน นักพัฒนาไม่ได้เลือก NVIDIA เพราะ FLOPS อย่างเดียว แต่เลือกเพราะ library, profiler, debugger, framework integration, ตัวอย่าง, community และวิธีแก้ incident มีคนเคยเจอแล้ว การเปิด kernel สามตัวจึงไม่ล้มกำแพงทันที แต่ทำให้เส้นทางฝั่ง Ascend มีชิ้นส่วนที่ตรวจและปรับได้มากขึ้น

สำหรับบริษัทไทย ผลกระทบใกล้ตัวอาจมาก่อนการซื้อ Ascend เอง Cloud provider หรือ vendor จีนสามารถนำ stack นี้ไปสร้างบริการ inference ที่ราคาหรือเงื่อนไขต่างจาก GPU ตะวันตก ทีมที่ออกแบบ software ให้แยก model contract จาก hardware backend จะมีอำนาจต่อรองมากกว่า แต่ถ้าโค้ดผูก custom CUDA kernel ทุกจุด ต้นทุนย้ายสูงแม้ปลายทางมีชิปราคาดี

ข่าวนี้ยังเตือนว่าคำว่า open source กับพร้อมใช้งานคนละเรื่อง Repository เปิดให้อ่านได้ แต่การ compile อาจต้อง driver, CANN toolkit, hardware และ environment ที่เข้าถึงยาก ถ้าไม่มีอุปกรณ์จริง เราตรวจได้เพียงโครงสร้างโค้ดกับเอกสาร ไม่ควรนำตัวเลข benchmark ของผู้สร้างมาแทนการทดสอบ workload ตัวเอง

ทำงานยังไง: สามชั้นของเส้นทางประมวลผล

ชั้นแรกคือ compute kernel DeepGEMM-Ascend ระบุว่าพอร์ตแนวคิด DeepGEMM มาสู่ Ascend และคง package/API ให้ใกล้ workflow เดิม รองรับชนิดข้อมูล BF16, FP8 และ FP4 รวมถึงงานอย่าง GEMM, MQA logits และ MegaMoE เป้าหมายคือซ่อนรายละเอียด matrix layout, alignment, address calculation และ primitive ระดับต่ำของ Ascend

GEMM คือการคูณเมทริกซ์ซึ่งอยู่ใต้ linear layer จำนวนมาก หาก kernel ทำงานช้า โมเดลทั้งตัวช้าตาม การทำ API-compatible ช่วยลดส่วนที่ application ต้องแก้ แต่คำว่า compatible ไม่ได้แปลว่า binary-compatible, numerical behavior เหมือนทุกจุด หรือ performance profile เหมือนทุก shape ต้องอ่าน test matrix และ benchmark configuration รายกรณี

ชั้นที่สองคือ communication โมเดล Mixture-of-Experts แบ่ง expert ไปหลายอุปกรณ์ แล้วต้องส่ง token ไปยัง expert ที่ถูกเลือก DeepEP-Ascend พยายามทำ expert-parallel communication บน HCCL/HCOMM และเทคโนโลยีเชื่อมต่อของ Huawei เหมือนศูนย์อาหารที่ต้องส่งออเดอร์ไปหลายร้าน ถ้าทางเดินแคบ ต่อให้แต่ละครัวทำอาหารเร็ว ลูกค้าก็ยังรอที่จุดส่งจาน

Repository ระบุ interface ที่ใช้ร่วมระหว่าง training, inference prefill และ decoding ซึ่งช่วยลดจำนวน integration path แต่ยังต้องดู latency distribution, failure recovery, topology, memory pressure และ behavior เมื่อมี node ช้า ไม่ใช่ดู throughput สูงสุดอย่างเดียว

ชั้นที่สามคือ ภาษาและ compiler TileLang ให้ syntax แบบ Pythonic สำหรับเขียน kernel แล้วแปลงลง backend หลายชนิด ข่าววันที่ 30 กันยายนใน repository ระบุ Ascend 950 backend ที่มี native code generation, automatic scheduling/synchronization และพื้นที่เขียน SIMD/SIMT การมีภาษาระดับสูงช่วยให้ทีมทดลอง kernel โดยไม่เขียน primitive ทุกบรรทัด

อย่างไรก็ตาม compiler backend คือพื้นผิวขนาดใหญ่ correctness สำคัญเท่า performance การจัด schedule ผิดอาจไม่ได้ crash แต่ออกค่าผิดเงียบ ๆ ทีมต้องมี reference implementation, tolerance policy, randomized tests และ benchmark ที่ warm-up/shape/dtype ตรง workload จริง

เงินและผลกระทบทางวิศวกรรม

Tom’s Hardware สรุป ว่าชุดเครื่องมือถูกมองเป็นความพยายามลดการพึ่ง ecosystem ของ NVIDIA นี่เป็นแรงจูงใจระดับอุตสาหกรรมที่สมเหตุผล แต่ไม่ควรแปลว่า migration ฟรี ต้นทุนใหญ่คือการ validate numerical accuracy, เขียน deployment image, ฝึกทีม, ต่อ observability และแก้ operation เมื่อ driver/runtime เปลี่ยน

การเปิด source ลดต้นทุนตรวจบางส่วน ทีมสามารถอ่าน kernel, ดู issue และเทียบ implementation ได้ แต่ hardware availability กับ supply chain ยังคุมว่าคนภายนอกทำ benchmark ซ้ำได้หรือไม่ Open repository ที่มีผู้ใช้จริงน้อยอาจเปิด code ได้ครบแต่ feedback loop ยังช้า

บริษัทที่ซื้อ inference ควรแยก KPI เป็น cost per useful token, latency percentile, availability, accuracy drift และเวลา recovery ไม่ใช้ราคา accelerator หรือ peak throughput ตัวเดียว ถ้าระบบใหม่ถูกกว่าแต่ต้องเก็บสองทีม operation หรือต้อง fallback บ่อย ต้นทุนรวมอาจสูงกว่า

ในอีกด้าน การมี backend เพิ่มทำให้ framework และผู้ขาย model ถูกกดดันให้รักษา abstraction ที่ย้ายได้ นี่อาจเป็นประโยชน์แม้คุณไม่ใช้ Ascend เพราะ API ที่แยก compute/communication ชัดและ test ข้าม backend ช่วยลด lock-in ทั้งระบบ

สิ่งที่ยังไม่ชัดและแหล่งข่าวพูดไม่ตรงกัน

จุดแรกคือสถานะ “เปิดให้ใช้” Reuters และบทความข่าวใช้ถ้อยคำว่าเปิด source infrastructure แล้ว ขณะที่เอกสารบางส่วนของ DeepEP-Ascend อธิบาย availability ของ environment/hardware ในช่วงกลางเดือนตุลาคม การมี repository วันนี้จึงไม่เท่ากับทุกคน download binary แล้วรันบนเครื่องได้วันนี้

จุดที่สองคือคำว่า “แทน CUDA” ข่าวรองหลายแห่งใช้กรอบการแข่งขันกับ NVIDIA แต่ source ต้นทางอธิบายเครื่องมือเฉพาะชั้นและ Ascend 950 ยังไม่มีหลักฐานว่า coverage เท่ากับ ecosystem CUDA ทั้ง debugger, profiler, graph compiler, framework และ third-party library ควรเรียกว่า “ต่อชิ้นส่วนทางเลือก” มากกว่า “แทนได้แล้ว”

จุดที่สามคือ performance DeepGEMM-Ascend ระบุว่าเข้าใกล้ peak hardware ในหลาย matrix shapes แต่เรายังไม่มี benchmark อิสระชุดกว้างที่ทำซ้ำบน hardware เดียวกัน และ peak ของชิปหนึ่งไม่ตอบว่า end-to-end model throughput ดีกว่าอีกระบบ เพราะ communication, memory, scheduling และ serving stack มีผลร่วม

จุดที่สี่คือ compatibility API เดียวกันช่วยย้าย source แต่ไม่ได้รับประกันผล floating-point เหมือน bit ต่อ bit โดยเฉพาะ FP8/FP4 และ fused kernels ทีมที่ใช้ผลเชิงวิทยาศาสตร์หรือการเงินต้องกำหนด tolerance และตรวจ downstream metric ไม่ใช่เพียง test ว่าโปรแกรมรันจบ

จุดที่ห้าคือ governance ของหลาย repository DeepSeek, Huawei และ TileLang community มีบทบาทคนละส่วน ต้องดู release cadence, maintainer, security reporting, artifact signing และ dependency chain แยกกัน ข่าวคำว่า “ร่วมมือ” ไม่ได้สร้าง support SLA เดียวโดยอัตโนมัติ

สำหรับไทย ยังไม่มีราคา, region availability, support partner หรือกำหนดส่งมอบ Ascend 950 ที่เพียงพอให้คำนวณ TCO ทั่วไป การตัดสินใจจัดซื้อจากพาดหัวตอนนี้จึงเร็วเกินหลักฐาน

ควรทำอะไร

ทีม ML platform ทำ inventory ว่า workload ผูก CUDA ตรงไหน แยก custom kernel, collective communication, container, profiler และ deployment operator แล้วสร้าง conformance tests ที่รันได้กับ backend มากกว่าหนึ่งตัวก่อนคิดเรื่องย้ายจริง

นักพัฒนา kernel อ่าน source และ test โดยไม่รัน installer ที่ไม่จำเป็น ตรวจ shape/dtype ที่รองรับ, numerical tolerance, fallback path และ issue ที่ยังเปิด หากไม่มี Ascend hardware ให้บันทึกตรง ๆ ว่าตรวจได้เพียง static evidence

ฝ่ายจัดซื้อ ขอ benchmark script, model checkpoint, batch/sequence length, precision, warm-up, power envelope และ failure data อย่ารับกราฟที่ไม่มีวิธีทำซ้ำ ขอ roadmap ของ driver/CANN กับ support window แยกจาก roadmap ชิป

ทีม security ตรวจ provenance ของ source, submodule, build container และ binary artifact ว่าใครเซ็นหรือให้ checksum อย่าถือว่า repository ภายใต้องค์กรดังทุก dependency ปลอดภัยโดยอัตโนมัติ และแยก build environment ออกจาก production credentials

ทีมธุรกิจไทย ทำ proof of value ผ่านผู้ให้บริการที่รับผิดชอบ environment ก่อนซื้อ hardware วัดต้นทุนรวมและทางออก หากบริการหยุดหรือ export control เปลี่ยน สัญญาต้องบอกเรื่อง data location, support และ portability ชัด

ผมมองว่าการแข่งขันรอบนี้ไม่ใช่ชิปหนึ่งชนะอีกชิปจาก benchmark เดียว แต่คือใครต่อถนนจาก model ไป production ได้ครบและซ่อมถนนนั้นได้เร็ว สิ่งที่ควรจับตาคือ public availability กลางเดือนตุลาคมและ benchmark อิสระที่เปิดวิธีทำซ้ำ หาก backend ใหม่ลดค่า compute ได้จริง คุณยอมรับ migration risk สูงสุดเท่าไรครับ

Recap

  • DeepGEMM-Ascend เติม compute kernels และตั้งเป้า workflow ใกล้ DeepGEMM
  • DeepEP-Ascend เติม communication สำหรับ expert parallelism บน stack Huawei
  • TileLang เติมภาษา/compiler backend สำหรับ Ascend 950
  • Repository เปิดแล้วไม่เท่ากับ hardware/runtime พร้อมให้ทุกคนทดสอบ
  • คำว่า “ทางเลือก CUDA” ยังต้องพิสูจน์ ecosystem, tooling และ operation ทั้งก้อน
  • ทีมควรวัด accuracy, latency percentile, availability และ TCO ด้วย workload ตัวเอง
  • จับตา artifact/runtime กลางเดือนตุลาคมและ benchmark อิสระที่ทำซ้ำได้