توضیح: چگونه DeepSeek هوش مصنوعی پیشرو خود را برای اجرا روی سیلیکون هواوی تطبیق داد

سال‌هاست که صنعت هوش مصنوعی بر یک فرض سفت و سخت و تقریباً بی‌چون و چرا استوار بوده است: آموزش و به‌کارگیری مدل‌های هوش مصنوعی پیشرو نیازمند سیلیکون Nvidia و اکوسیستم نرم‌افزاری اختصاصی CUDA آن است. این اتکای تک‌فروشنده، سرعت توسعه جهانی هوش مصنوعی را دیکته کرده و واحدهای پردازش گرافیکی پیشرفته (GPU) را به رقابتی‌ترین کالای جهان تبدیل کرده است.

اما این الگو در آوریل ۲۰۲۶، زمانی که آزمایشگاه هوش مصنوعی چینی DeepSeek سری مدل‌های V4 خود را منتشر کرد، دستخوش یک تغییر بزرگ شد. این مدل ۱.۶ تریلیون پارامتری به طور خاص برای اجرا به صورت بومی روی پردازنده‌های هوش مصنوعی Ascend هواوی بهینه‌سازی شده بود و اکوسیستم سنتی Nvidia را به طور کامل دور زد و ثابت کرد که نبوغ الگوریتمی می‌تواند به طور مؤثری کمبود سخت‌افزاری را خنثی کند.

این همکاری به چیزی دست یافت که مهندسان هواوی آن را تطبیق «روز صفر» نامیدند. در عرض چند ساعت پس از انتشار جهانی DeepSeek V4، این مدل به طور کامل روی سوپرنودهای Ascend 950PR و 910C هواوی عملیاتی شد. این یک راه‌حل کند و سازش‌کارانه نبود؛ معیارهای اولیه، توان عملیاتی استنتاج (inference) اندازه‌گیری شده تا ۱۱۰۰ توکن در ثانیه را نشان داد.

برای بخش گسترده‌تر فناوری، این استقرار سریع نشان داد که زیرساخت هوش مصنوعی داخلی چین از آزمایش‌های تجربی به آمادگی در سطح سازمانی رسیده است و قادر است وزن محاسباتی عظیم یک مدل زبان بزرگ در کلاس پیشرو را بدون اتکا به سخت‌افزارهای محدود شده آمریکایی مدیریت کند.[4]

این نقطه عطف، یک شاهکار در طراحی مشترک نرم‌افزار و سخت‌افزار است و اساساً این ایده را به چالش می‌کشد که قدرت محاسباتی خام تنها مسیر برتری در هوش مصنوعی است. برای درک اینکه DeepSeek چگونه به این مهم دست یافت، باید به پل نرم‌افزاری که این امر را ممکن ساخت نگاه کرد: معماری محاسباتی هواوی برای شبکه‌های عصبی (CANN).

CANN به عنوان لایه نرم‌افزاری زیربنایی برای اکوسیستم Ascend عمل می‌کند و دستورات چارچوب هوش مصنوعی سطح بالا را به دستورالعمل‌های خاص سخت‌افزاری ترجمه می‌کند. این پاسخ مستقیم و داخلی هواوی به CUDA شرکت Nvidia است که بیش از یک دهه صرف ساختن یک سنگر نفوذناپذیر به عنوان رابط برنامه‌نویسی پیش‌فرض صنعت کرده است.[3]

برای یکپارچه‌سازی DeepSeek V4، مهندسان هواوی صرفاً کد موجود را پورت نکردند؛ آنها CANN را مستقیماً در معماری اصلی DeepSeek ادغام کردند. با دادن دسترسی زودهنگام به طراحی مدل به هواوی، این دو شرکت در یک حلقه بازخورد تنگاتنگ درگیر شدند و تخصیص حافظه و عملیات ضرب ماتریس را برای مطابقت با نقاط قوت و محدودیت‌های خاص واحدهای پردازش عصبی (NPU) Ascend بهینه‌سازی کردند.

این سطح از بهینه‌سازی نرم‌افزاری عمیق و آگاه به سخت‌افزار، به سیستم اجازه داد تا حداکثر عملکرد را از سیلیکونی استخراج کند که روی کاغذ، از مشخصات خام تراشه‌های پرچم‌دار H100 انویدیا عقب‌تر است.

یک جزء حیاتی این تطبیق موفق، در انتخاب‌های معماری DeepSeek نهفته است، به ویژه تسلط آن بر «موازی‌سازی متخصص» (Expert Parallelism). DeepSeek V4 از معماری بسیار کارآمد «ترکیب متخصصان» (MoE) استفاده می‌کند. در یک مدل متراکم استاندارد، هر پارامتر برای هر کلمه‌ای که تولید می‌شود فعال می‌شود و نیاز به محاسبات عظیمی دارد.

در یک مدل MoE، شبکه عصبی به «متخصصان» تخصصی تقسیم می‌شود و تنها بخش کوچکی از ۱.۶ تریلیون پارامتر مدل برای هر توکن فعال می‌شود. این امر به طور چشمگیری قدرت محاسباتی خام مورد نیاز را کاهش می‌دهد و مدل را ذاتاً با پلتفرم‌های سخت‌افزاری جایگزین سازگارتر می‌کند.

با این حال، مدل‌های ترکیب متخصصان یک گلوگاه متفاوت و به شدت دشوار ایجاد می‌کنند: آنها برای مشورت با «متخصصان» مختلف، نیاز به مسیریابی عظیم و آنی داده‌ها بین تراشه‌های مختلف دارند. در اکوسیستم Nvidia، این ترافیک داده با NVLink، یک فناوری اتصال داخلی با سرعت بالا، حل می‌شود.

برای حل این مشکل در سخت‌افزار هواوی، تیم اکوسیستم Ascend مجبور شد یک باطن ارتباطی بومی را از ابتدا بسازد. آنها با موفقیت راه‌حلی را مهندسی کردند که به طور کامل با API کم‌تأخیر «DeepEP» شرکت DeepSeek مطابقت دارد و به خوشه‌های Ascend اجازه می‌دهد تا داده‌ها را بین متخصصان به طور کارآمد مسیریابی کنند، بدون اینکه به سخت‌افزار شبکه‌سازی Nvidia متکی باشند.[1][3]

تصمیم DeepSeek برای منبع باز کردن این باطن بهینه‌سازی شده برای Ascend، یک مانور استراتژیک است که بسیار فراتر از زنجیره تأمین یک شرکت واحد است. با انتشار کد و ایجاد یک مخزن رسمی تحت چتر DeepSeek AI، آنها یک طرح کلی تأیید شده برای جامعه جهانی منبع باز ارائه کرده‌اند.

توسعه‌دهندگان در سراسر جهان اکنون می‌توانند نحوه پیاده‌سازی موازی‌سازی متخصص سرتاسری را روی خوشه‌های غیر Nvidia مطالعه کنند، که پذیرش سخت‌افزارهای جایگزین را تسریع کرده و اینرسی را که صنعت را در یک اکوسیستم نرم‌افزاری واحد قفل کرده بود، می‌شکند.[1]

پیامدهای این بهینه‌سازی نرم‌افزاری فراتر از استنتاج و استقرار اولیه است. از لحاظ تاریخی، تراشه‌های هوش مصنوعی جایگزین صرفاً به «استنتاج» (inference) محدود شده‌اند—فرآیند نسبتاً سبک‌تر اجرای یک مدل تکمیل‌شده برای پاسخ به درخواست‌های کاربر. کار سنگین و از نظر ریاضی طاقت‌فرسای «آموزش» یک مدل از ابتدا یا تنظیم دقیق رفتار آن، به شدت در قلمرو پردازنده‌های گرافیکی Nvidia باقی مانده بود. اما DeepSeek و هواوی اکنون این دیوار را شکافته‌اند و سیلیکون داخلی را به مراحل پرتقاضاتر توسعه هوش مصنوعی ارتقا داده‌اند.[3]

در ژوئن ۲۰۲۶، یک کنسرسیوم تحقیقاتی شامل هواوی و مؤسسه منطقه حلقه شنژن، یک پیشرفت بزرگ را تأیید کردند: آنها با موفقیت فاز پس‌آموزش (post-training) مدل DeepSeek V4-Pro با پارامتر کامل را با استفاده از خوشه‌ای متشکل از حداقل ۱۰۰۰ تراشه Ascend 910C تکمیل کردند.

پس‌آموزش، مرحله حیاتی و فشرده‌ای است که در آن یک مدل خام و از پیش آموزش‌دیده برای پیروی از دستورالعمل‌ها، استدلال منطقی و همسویی ایمنی پالایش می‌شود. اجرای به‌روزرسانی‌های پارامتر کامل به این معنی است که تک‌تک وزن‌ها در مدل ۱.۶ تریلیون پارامتری به طور فعال در سراسر خوشه Ascend باز محاسبه شدند.

این دستاورد پس‌آموزش ثابت می‌کند که معماری Ascend می‌تواند حجم کاری سخت و در کلاس آموزش را مدیریت کند، قابلیتی که تحلیلگران غربی قبلاً در آن تردید داشتند.

در حالی که مرحله اولیه و عظیم پیش‌آموزش—که تریلیون‌ها توکن از متن خام اینترنت را پردازش می‌کند—هنوز طبق گزارش‌ها از خوشه‌های قدیمی Nvidia استفاده می‌کرد، توانایی انجام پس‌آموزش پارامتر کامل روی سیلیکون داخلی، وابستگی کلی به سخت‌افزارهای محدود شده را به شدت کاهش می‌دهد. این امر به آزمایشگاه‌های چینی اجازه می‌دهد تا مدل‌های پیشرو را به طور مداوم و کاملاً در داخل مرزهای خود به‌روزرسانی، همسو و پالایش کنند.[4]

این موفقیت با معرفی اخیر «قانون مقیاس‌بندی تاو» (Tau Scaling Law) توسط هواوی، که یک چارچوب معماری جدید طراحی شده برای به حداکثر رساندن چگالی ترانزیستور و کارایی محاسباتی است، تقویت می‌شود. از آنجایی که کنترل‌های صادراتی ایالات متحده مانع دسترسی چین به ماشین‌های لیتوگرافی فرابنفش شدید (EUV) لازم برای ساخت تراشه‌های زیر ۳ نانومتر می‌شود، هواوی مجبور شده است در سطح معماری نوآوری کند.

قانون مقیاس‌بندی تاو نشان‌دهنده یک راه‌حل جایگزین است که هدف آن دستیابی به عملکرد معادل فرآیند ۱.۴ نانومتری از طریق بسته‌بندی پیشرفته و بهینه‌سازی در سطح سیستم است و مستقیماً به بحران عرضه سخت‌افزار می‌پردازد.[2]

پیامدهای اقتصادی این تغییر در حال حاضر در بازار جهانی هوش مصنوعی موج ایجاد کرده است. همانطور که صنعت از فاز تحقیق و توسعه به استقرار تجاری منتقل می‌شود، «اقتصاد استنتاج»—هزینه اجرای مدل‌ها برای میلیون‌ها کاربر—به معیار تعیین‌کننده موفقیت تبدیل شده است.

DeepSeek با اثبات اینکه استنتاج در کلاس پیشرو و پس‌آموزش را می‌توان به طور کارآمد روی سخت‌افزارهای ارزان‌تر و در دسترس‌تر اجرا کرد، هزینه استقرار هوش مصنوعی را کاهش می‌دهد. این امر باعث کالیبراسیون مجدد قیمت‌گذاری ابری می‌شود و حاشیه‌های سود بالایی را که به طور تاریخی توسط ارائه‌دهندگان سخت‌افزار غالب به دست می‌آمد، به چالش می‌کشد.[3]

علاوه بر این، این تطبیق، تکه‌تکه شدن پشته جهانی هوش مصنوعی را تسریع می‌کند. ما به سرعت از یک دنیای یکپارچه و فقط CUDA به یک اکوسیستم چندباطنی و پر جنب و جوش حرکت می‌کنیم. آکادمی هوش مصنوعی پکن اخیراً اعلام کرد که سیستم FlagOS آن قبلاً مدل سبک DeepSeek-V4-Flash را برای استقرار استنتاج کامل در بیش از هشت معماری تراشه هوش مصنوعی مختلف، از جمله تراشه‌های هواوی، Hygon و Moore Threads، تطبیق داده است. این قابلیت همکاری تضمین می‌کند که نرم‌افزار، نه سخت‌افزار، به عامل تمایز نهایی تبدیل می‌شود.

در نهایت، همکاری DeepSeek-هواوی به عنوان یک آزمون عملی برای کنترل‌های صادراتی فناوری عمل می‌کند و نشان می‌دهد که تحریم‌های سخت‌افزاری به جای یک دیوار نفوذناپذیر، سقفی متخلخل هستند. با مجبور کردن شرکت‌ها به طراحی مشترک نرم‌افزار خود با سخت‌افزار موجود، این محدودیت‌ها به طور ناخواسته یک حلقه بازخورد از کارایی الگوریتمی شدید را تسریع کردند.

DeepSeek V4 ثابت می‌کند که آینده هوش مصنوعی صرفاً به ساخت تراشه‌های سریع‌تر و گران‌تر متکی نیست؛ بلکه به همان اندازه به نبوغ در شکل دادن نرم‌افزار به سیلیکون موجود متکی است و محاسبات را برای کل اکوسیستم دموکراتیک می‌کند.[3]