9 月 30 日，DeepSeek 做了一件在国产芯片生态里分量不轻的事：一口气开源了 6 个面向华为昇腾平台的底层软件组件。这不是新模型，也不是开箱即用的应用，而是分布在算子开发、矩阵计算、MoE 通信、注意力机制和 TopK 选择等关键环节的"地基型"项目——并且与此前面向英伟达平台的开源组件一一对应。换句话说，DeepSeek 想让模型团队在昇腾上也能搭起训练、推理所需的完整软件栈。
这条链的源头是 TileLang，一门写高性能算子的领域专用语言（DSL）。它的目标是替开发者屏蔽底层芯片指令的细节：写出来的算子既能跑在英伟达 GPU 上，也能通过新增的昇腾 950 后端跑在国产 NPU 上。基于它封装的 TileKernels 提供数十个深度优化的算子；在此之上，DeepGEMM-Ascend 负责矩阵乘法，性能数据相当亮眼——BF16 达到硬件上限的 99.8%，FP8 为 99.5%，FP4 为 98.3%；FlashMLA 支撑 DeepSeek-V4.1 的推理，在昇腾 950 上 Prefill 达到 410 TFLOPS（理论峰值约 95%），Decoding 达到 360 TFLOPS；DeepEP-Ascend 处理专家并行（MoE）的 all-to-all 通信，在昇腾 950DT 超节点的外部 Clos 网络下，dispatch 持续带宽达到物理载荷带宽上限的 90%–95%；DeepSelect 则聚焦 TopK 算子，服务稀疏注意力的 token 筛选和推理采样。
性能数字最直观，但这次动作真正的意义不在单点跑分。过去国产芯片常被人诟病的，不是硬件不行，而是"软件栈跟不上"——模型能勉强跑，但调优、通信、算子生态远不如 CUDA 成熟，开发者迁移成本极高。DeepSeek 的思路是"方法论平移"：把在英伟达上反复验证过的整套算子写法，原样移植到昇腾，让同一套工程经验在两种平台上都能复用。有开发者评论，这相当于给更多国产 AI 芯片"打了个样"。
华为侧也给出了配套：联合定义的昇腾超节点 SuperPoD Flex 和 UBL128 组网方案，可实现 128 卡、3.2 Tbps 单层交换的 Scale-up 网络，以及两层 Scale-out 网络扩展到 25.6 万卡；基于全互联超节点提供的 ASC-COMM 高性能自定义通信库，支撑通信算子与通算融合算子。华为还把双方联合创新成果在 CANN 社区开源，覆盖大 EP 低延时推理、单卡/单机部署、大规模训练、超长文本 KV Cache 池化与 Agentic RL 等场景。离线测试中，基于 EP32、128K 上下文的 DeepSeek-V4.1-Flash 在不带框架的纯模型下，TPOT=5ms 时每卡输出吞吐 2469 tokens/s，TPOT=10ms 时达 5102 tokens/s。
需要泼一点冷水的是：这些算子微基准不能直接换算成端到端的线上速度，实际部署还得按自己的模型和负载复测；而且 DeepSeek 并未说明 V4 系列是否已在昇腾上完成全量训练。但方向上已经很清楚——当头部模型团队开始把自己的训练、推理基础设施开源给国产芯片，生态的"鸡生蛋、蛋生鸡"困局就多了一个突破口。比起单纯喊"自主可控"，这种把真金白银的工程积累摊开在开源社区里的做法，或许更经得起推敲。