AI 뉴스 SVIL DeepSeek Huawei Ascend

DeepSeek, 화웨이 Ascend용 AI 인프라 6종 공개 — 칩보다 소프트웨어가 남긴 과제

SVIL - Singularity Visual Intelligence Lab 2026. 10. 01 17 min read

9월 30일, DeepSeek는 화웨이 Ascend 가속기에서 AI 모델을 개발하고 실행하는 데 필요한 소프트웨어 구성요소 여섯 가지를 공개했습니다. GPU 경쟁은 칩의 연산 성능만으로 정리되지 않습니다. 개발자가 커널을 짜고 여러 장치를 묶어 쓰는 도구가 있어야 하드웨어가 실제 선택지가 됩니다.

이번 공개의 핵심은 엔비디아용으로 만들어 온 라이브러리를 Ascend용으로 옮겨 개발자가 익숙한 흐름을 이어갈 수 있게 한 점입니다. 다만 코드가 공개됐다는 사실과 상용 클러스터에서 안정적으로 쓸 수 있다는 평가는 구분해야 합니다.

어두운 공간에서 청록빛 연산점들이 서로 연결되는 AI 인프라 개념 이미지

DeepSeek 발표에서 새로 확인된 것

DeepSeek는 공식 WeChat 공지와 연결된 저장소를 통해 Ascend 전용 인프라 구성요소를 공개했습니다. 보도에 따르면 TileLang 컴파일 도구와 다섯 개 커널·통신 라이브러리가 포함됩니다. 이는 새 AI 모델 출시가 아니라 모델을 만드는 기반 소프트웨어의 확장입니다.

공개 저장소는 개발자가 소스와 설치 방법을 직접 검토할 수 있게 합니다. 그러나 이 사실만으로 DeepSeek가 모든 학습을 Ascend에서 수행한다거나 엔비디아를 대체했다고 말할 수는 없습니다. 발표에서 확인되는 범위와 산업적 해석을 분리해서 봐야 합니다.

여섯 구성요소는 서로 다른 층을 맡습니다

이번 묶음은 하나의 대형 모델이 아니라 언어·컴파일러, 행렬 계산 커널, 전문가 병렬 통신, 주의 연산, 커널 모음과 라우팅 선택 도구로 이루어졌습니다. 각각은 모델 연산의 다른 병목을 다룹니다.

이런 층이 함께 갖춰지면 모델 코드는 하드웨어별 저수준 작업을 매번 새로 구현하지 않고도 성능을 끌어낼 수 있습니다. 다만 각 저장소가 공개돼 있다는 것과 모든 조합이 같은 수준으로 통합·검증됐다는 것은 별개의 주장입니다.

TileLang은 커널을 쓰는 방식을 바꿉니다

TileLang은 텐서 연산 커널을 더 높은 수준에서 기술하도록 돕는 언어와 컴파일러 기반입니다. TileLang 프로젝트는 9월 30일 Ascend 950 백엔드의 네이티브 코드 생성, 자동 스케줄링과 동기화 지원을 발표했습니다.

목표는 하드웨어 세부를 감추는 데서 끝나지 않습니다. 개발자가 연산의 타일 구조와 병렬화를 표현하면서도 장치 특성에 맞춘 최적화를 얻는 것입니다. 실제 생산성이나 속도 이득은 동일한 작업을 두 환경에서 측정해야 판단할 수 있습니다.

DeepGEMM-Ascend는 행렬 곱을 겨냥합니다

DeepGEMM 계열은 행렬 곱셈 같은 기본 연산을 고성능으로 처리하는 라이브러리입니다. 대형 모델에서는 행렬 연산이 반복되므로 데이터 형식, 메모리 이동, 커널 배치가 전체 추론과 학습 효율에 큰 영향을 줍니다.

Ascend용 구현은 CUDA용 API와 기능이 정확히 동일하다고 가정하면 안 됩니다. 장치의 명령 체계와 런타임이 다르므로 지원 연산과 입력 조건, 성능 범위를 저장소 문서에서 확인해야 합니다.

DeepEP-Ascend는 전문가 모델 간 통신을 맡습니다

DeepEP-Ascend는 혼합 전문가 모델에서 토큰과 전문가 출력을 여러 가속기 사이에 주고받는 통신 라이브러리입니다. 공개 README는 전문가 병렬 all-to-all 작업과 일부 집합 통신 원시 연산을 설명합니다.

설명된 API가 엔비디아판과 정렬돼 있다는 점은 포팅 비용을 줄일 가능성이 있습니다. 그러나 README는 일부 파이프라인·버킷·원격 메모리 기능을 개발 중으로 표시합니다. 기능별 성숙도를 확인하지 않고 전체가 준비됐다고 일반화할 수 없습니다.

FlashMLA-Ascend는 주의 연산을 다룹니다

FlashMLA는 DeepSeek의 희소 주의 구조에서 핵심이 되는 연산을 최적화하는 계열입니다. Ascend용 문서는 사전 입력(prefill)과 토큰 생성(decoding) 경로의 커널 설계와 측정값을 설명합니다.

주요 성능 수치는 특정 Ascend 950DT, CANN 버전, PoC 하드웨어 구성과 정해진 입력 크기에서 나온 값입니다. 다른 모델·배치·메모리 환경에 그대로 적용되는 보편 벤치마크가 아니므로 숫자와 조건을 함께 읽어야 합니다.

나머지 도구도 모델 내부의 틈을 메웁니다

공개 묶음에는 TileKernels와 DeepSelect도 포함된 것으로 보도됐습니다. 전자는 자주 쓰이는 연산 커널을 제공하고, 후자는 희소 주의에서 선택할 상위 후보를 좁히는 구성요소입니다.

개별 라이브러리가 더해지면 연구자는 공통 구현을 반복할 필요가 줄고 특정 모델 구조를 Ascend 환경으로 옮기는 부담이 낮아질 수 있습니다. 실제 효과는 모델 런타임, 드라이버, 컴파일러와 함께 통합했을 때 확인해야 합니다.

CUDA와 같은 생태계가 되는 것은 아닙니다

엔비디아 CUDA는 언어, 컴파일러, 통신 라이브러리, 프로파일러, 프레임워크 지원과 개발자 경험이 오랫동안 누적된 체계입니다. 연산 라이브러리를 공개하는 일은 그중 중요한 일부를 채우지만 생태계 전체를 복제하지는 않습니다.

Ascend용 구성요소가 늘어나면 기존 코드를 옮길 선택지는 커집니다. 다만 도구의 사용성, 문서, 오류 분석, 패키지 호환성과 개발자 커뮤니티가 함께 성장해야 대체 선택으로 자리 잡을 수 있습니다.

하드웨어 지원 범위는 Ascend 950을 중심으로 봅니다

TileLang 저장소는 Ascend 950 백엔드 지원을 명시하고, DeepEP-Ascend의 측정도 Ascend 950DT를 사용합니다. 이는 최근 하드웨어 세대를 겨냥한 소프트웨어가 공개됐다는 뜻입니다.

다른 Ascend 세대나 제품군에 같은 기능과 성능이 적용된다고 단정할 수는 없습니다. 칩 종류, CANN 버전, 펌웨어와 통신 토폴로지를 맞추는 과정이 필요하므로 배포 전 호환성 표와 설치 안내를 확인해야 합니다.

공개된 성능표에는 조건이 붙어 있습니다

DeepEP-Ascend README는 전문가 병렬 크기별 처리량을 표로 제시합니다. 각 측정은 제한된 토큰·은닉 차원·라우팅 설정, 준비 실행과 반복 샘플 수를 정한 조건에서 이루어졌습니다.

이 수치는 개발자가 재현 실험을 시작할 단서이지, 여러 공급자의 칩을 동일 조건으로 비교한 독립 평가가 아닙니다. 측정 장치와 네트워크 구성이 달라지면 결과도 달라질 수 있습니다.

PoC 하드웨어 구성은 상용 환경과 다릅니다

저장소는 성능 측정에 수동 구성된 PoC HDK를 사용했다고 밝힙니다. 즉 측정 결과는 일반 사용자가 지금 내려받을 수 있는 상용 드라이버와 동일한 설치 상태에서 얻은 값이 아닙니다.

측정 조건을 투명하게 적은 것은 좋은 출발이지만, 실제 운영자는 자신의 시스템 펌웨어와 CANN 조합으로 다시 검증해야 합니다. 특히 통신 성능은 칩만이 아니라 네트워크와 메모리 계층에도 좌우됩니다.

상용 HDK 배포 일정은 아직 계획입니다

DeepEP-Ascend 저장소는 Huawei의 Q3 상용 HDK 공개를 권장하고, 공개 시점은 10월 중순 무렵으로 계획돼 있다고 씁니다. README도 해당 일정을 공급자의 향후 배포 계획으로 분명히 구분합니다.

따라서 현재 공개 코드를 바로 설치한다고 해서 상용 성능 측정과 동일한 조건을 얻는 것은 아닙니다. 날짜는 공급자의 실제 공개 일정에 달려 있으며 변경될 수 있습니다.

API 정렬은 이식 비용을 낮출 수 있습니다

DeepEP-Ascend는 NVIDIA 버전의 공개 버퍼 API와 정렬돼 있다고 설명합니다. 익숙한 추상화가 유지되면 모델 프레임워크가 장치에 따라 완전히 다른 코드 경로를 가질 필요가 줄어듭니다.

정렬은 호환성을 보장하는 단어가 아닙니다. 데이터 타입, 비동기 실행, 오류 처리, 메모리 수명과 성능 특성은 각 백엔드에서 검증해야 합니다. 개발팀은 API 모양과 실제 동작을 모두 비교해야 합니다.

프레임워크 연결이 남은 시험대입니다

커널 라이브러리를 모델에 연결하려면 PyTorch 확장, torch-npu, CANN, 분산 실행 프레임워크와 장치 관리 도구가 맞물려야 합니다. 저장소 안내도 환경에 맞는 컴파일러와 패키지를 먼저 설치하도록 요구합니다.

vLLM이나 SGLang 같은 실행 프레임워크가 특정 연산을 안정적으로 호출하고 배치·캐시·통신을 관리해야 사용자는 라이브러리 세부를 직접 조립하지 않아도 됩니다. 이번 공개는 그 연결 작업을 돕지만 끝냈다고 보여주지는 않습니다.

오픈소스 코드는 검증의 시작점입니다

코드가 공개되면 버그, 지원 범위, 라이선스와 최적화 방법을 외부 개발자가 살펴볼 수 있습니다. 개발자는 내부 블랙박스 대신 구현과 변경 이력을 기준으로 문제를 재현할 수 있습니다.

반대로 저장소가 공개됐다는 사실만으로 장기 유지관리나 보안 검토가 보장되지는 않습니다. 릴리스, 이슈 응답, 테스트 결과와 호환 버전이 이어지는지 살펴야 실제 채택 가능성을 판단할 수 있습니다.

중국 AI 자립에서 소프트웨어 층이 중요한 까닭

미국의 첨단 가속기 수출 제한이 이어지는 가운데 중국 기업은 자국산 칩에서 모델을 학습하고 추론할 수 있는 기반을 넓히려 합니다. 하드웨어가 있어도 소프트웨어가 빈약하면 실제 연산을 충분히 활용하기 어렵습니다.

DeepSeek의 이번 공개는 칩을 새로 발표하기보다 컴파일러와 연산 라이브러리를 내놓은 점에서 소프트웨어 의존성을 줄이려는 시도로 볼 수 있습니다. 그것이 완전한 자립을 뜻하는지는 별도의 운영 사례가 필요합니다.

딥시크의 과거 Ascend 협력과는 다른 자료입니다

DeepSeek와 Huawei의 협력·대규모 칩 도입 전망은 이전에도 보도됐습니다. 이번에 새로 확인되는 사실은 Ascend용 소프트웨어 저장소와 컴파일러 지원을 공개했다는 것입니다.

과거의 계획 보도를 이번 공개의 증거로 다시 포장하지 않아야 합니다. 실제 학습 규모, 안정적인 장기 실행, 비용과 공급량은 이번 코드 공개만으로 확인할 수 없습니다.

엔비디아 의존이 곧바로 사라지지는 않습니다

대형 AI 개발은 가속기뿐 아니라 네트워크, 메모리, 전력, 냉각과 숙련된 운영 인력에 의존합니다. 소프트웨어 호환성이 좋아져도 기존 클러스터를 바꾸는 비용은 남습니다.

이번 공개는 경쟁 선택지를 키우는 기반이 될 수 있지만, 기업이 Nvidia를 대체했다고 보도할 단계는 아닙니다. 공개 코드와 생산 환경의 실제 전환은 다른 지표로 확인해야 합니다.

개발자가 바로 확인할 실무 항목

개발자는 저장소마다 지원 칩, CANN·PyTorch 버전, 컴파일러 요구조건, 테스트된 모델 구조와 미완 기능을 먼저 확인하는 편이 좋습니다. 공개 README와 샘플은 환경 재현의 출발점입니다.

그다음 동일한 입력·정확도 목표·전력과 네트워크 조건에서 기존 백엔드와 비교해야 합니다. 처리량 한 숫자만 비교하면 설치 비용이나 오류 복구, 운영 안정성을 놓칠 수 있습니다.

기업 도입에서는 운영비와 지원이 중요합니다

실제 운영자는 구입 가격 외에도 장애 대응, 드라이버 업데이트, 클러스터 관리, 개발 인력과 모델 재검증 비용을 따집니다. 커널의 빠른 실행만으로 총소유비용을 비교할 수 없습니다.

공개 소프트웨어는 공급자 의존을 낮출 여지를 주지만, 기업용 지원 계약과 장기 호환성은 별도 문제입니다. 운영 도입의 증거는 고객 사례와 반복 가능한 시스템 벤치마크에서 나와야 합니다.

오픈 모델 운영에서 재현성도 과제입니다

모델을 다른 가속기로 옮기면 수치 정밀도, 커널 순서와 분산 통신 방식이 달라질 수 있습니다. 작은 오차가 누적되면 출력이나 학습 안정성에도 차이가 나타날 수 있습니다.

따라서 포팅 검증에는 속도뿐 아니라 정확도, 메모리 사용량, 장애 복구와 반복 실행 일관성이 포함돼야 합니다. 공개 코드와 벤치마크는 이런 비교를 시작할 자료입니다.

세계 AI 인프라 경쟁의 초점이 바뀝니다

이번 움직임은 가속기 제조사 간 경쟁이 소프트웨어 플랫폼 경쟁으로 확장되는 흐름을 보여줍니다. 개발자는 빠른 칩 하나보다 자신이 쓰는 모델과 프레임워크를 쉽게 옮길 수 있는 플랫폼을 원합니다.

공개 라이브러리가 늘어나면 특정 하드웨어에 묶이는 비용이 낮아질 수 있습니다. 그러나 어느 생태계가 우세할지는 도구 품질, 공급량, 개발자 지원과 실제 서비스 운영이 결정합니다.

앞으로 확인해야 할 세 가지

첫째, 상용 HDK가 계획대로 공개되고 일반 환경에서 README의 설치 절차가 재현되는지 봐야 합니다. 둘째, SGLang 등 프레임워크가 공개 라이브러리를 정식 경로로 통합하는지 확인할 필요가 있습니다.

셋째, 외부 팀이 반복해서 검증한 모델 학습·추론 사례가 나오는지가 중요합니다. 이 자료들이 쌓여야 개발자 데모에서 실제 운영 기반으로 넘어갔다고 말할 수 있습니다.

핵심은 칩이 아니라 쓸 수 있는 경로입니다

DeepSeek는 Huawei Ascend용 컴파일·연산·통신 소프트웨어 여섯 가지를 공개했습니다. 개발자는 코드를 볼 수 있고, TileLang과 DeepEP 같은 도구는 이식 작업을 줄일 잠재력이 있습니다.

하지만 측정은 PoC 구성에 묶여 있고 상용 HDK 공개는 계획 단계입니다. 이번 발표를 중국산 가속기의 완전한 대체 선언으로 읽기보다, 소프트웨어 기반을 넓히는 첫 공개로 보는 편이 정확합니다.

출처

협업문의 : kuroicode@gmail.com
블로그 : https://blog.svil.dev/
홈페이지 : https://svil.dev/