Huawei træner 1,6 billioners model på Ascend 910C-klynge

Forestil dig et serverrum tætpakket med silicium, hver chip der knokler sig igennem et bjerg af tekst. Det er det billede Huaweis forskningsgruppe maler efter at have annonceret, at de trænede DeepSeek V4-Pro, en model med 1,6 billioner parametre, ved hjælp af en klynge bygget omkring mindst tusind Ascend 910C-chips.

Historien lyder ligetil: nationalproduceret AI-silicium håndterer nu endelig storskala modelarbejdsbelastninger. Men virkeligheden er nuanceret. Huawei oplyser, at teamet udførte fuldparameteropdateringer (det vil sige, at hver vægt i modellen blev trænet i stedet for blot at tilføje et tyndt adapterlag), og at prætræningen af V4-Pro bearbejdede et svimlende korpus på angiveligt over 32 billioner tokens. Prætræning opbygger modellens grundlæggende kapabiliteter; den efterfølgende finjustering former adfærd gennem instruktionstilpasning og sikkerhedsjustering.

Hvorfor betyder det noget? Fordi fuldparametertræning er langt mere krævende end lette teknikker, der kun finjusterer en lille del af et netværk. Det kræver vedvarende gennemstrømning, stabile interconnects og stram orkestrering på tværs af chips. Historisk har kinesiske grupper kæmpet med at flytte tunge træningsarbejdsbelastninger væk fra Nvidia-hardware uden at støde på flaskehalse i ydeevne og forbindelsesstabilitet.

Huawei peger på Ascend 910C's dobbeltdesign-arkitektur som et vendepunkt. Uafhængige tests fra tidligere DeepSeek-eksperimenter antydede, at en Ascend-komponent kunne levere cirka 60% af inferensydelsen fra Nvidias H100, men det var inferens, ikke storskala synkroniseret træning. Træningsarbejdsbelastninger afslører andre svagheder: kollektiv kommunikation, hukommelsesstyring og softwarens modenhed bliver afgørende.

Alligevel har påstanden forbehold. Forskerne rapporterede gennemførsel af fuldparametertræning, men leverede ingen stringente benchmarks: ingen opgivne køretider, ingen gennemstrømningsmålinger, ingen direkte sammenligning med H100-klynger og ingen detaljeret opdeling af effektforbrug eller effektivitet. Uden disse tal fremstår meddelelsen præcis som det, den er - et opmuntrende teknisk skridt, men endnu ikke uafhængigt bevis for, at Ascend-klynger matcher eller overgår etablerede alternativer til førende prætræning.

Der er grund til forsigtighed. Tidligere rapporter sagde, at forsøg på at træne en anden model, R2, på Huawei-silicium stødte på ustabilitet og langsomme chip-interconnects. Overgangen fra succesfulde inferensdemonstrationer til pålidelig, storskala prætræning er et stort spring. Virksomheder kan nogle gange samle nok ingeniørarbejde til at fuldføre et enkelt kørsel, mens de stadig mangler den robusthed, der kræves til rutinemæssig modeludvikling i stor skala.

Hvad er så konklusionen for det bredere AI-økosystem? Hvis Huaweis beretning holder ved nærmere eftersyn, signalerer det øget konkurrenceevne for kinesisk AI-hardware og en modnende softwarestack i stand til at orkestrere tusind-chip træningsjob. Hvis den ikke gør, understreger det, at hype stadig overgår verificerbar fremgang. Under alle omstændigheder er næste skridt klart: uafhængige benchmarks og gennemsigtige runtime-data.

Vi vil holde øje med de tal. Uafhængig verifikation vil fortælle os, om dette er et reelt vendepunkt i global AI-infrastruktur eller blot et ambitiøst proof-of-concept.