
DeepSeek train V3 trên card Nvidia nhưng không còn dùng hệ sinh thái Nvidia: TileLang, Huawei 950 và cuộc đua thoát khỏi CUDA
Vũ Khôi
Tác giả tại Wotech Electronics Blog

DeepSeek train V3 trên card Nvidia nhưng không còn dùng hệ sinh thái Nvidia: TileLang, Huawei 950 và cuộc đua thoát khỏi CUDA
Lương Văn Phong (Liang Wenfeng), người đứng sau DeepSeek, vừa có những chia sẻ đáng chú ý về cách công ty giảm sự phụ thuộc vào Nvidia — và điểm bất ngờ nằm ở chỗ: DeepSeek vẫn sử dụng GPU Nvidia để huấn luyện V3, nhưng lại tìm cách thoát khỏi hệ sinh thái phần mềm vốn được xem là lợi thế lớn nhất của hãng chip Mỹ. Theo bài đăng của trang Hỏi Dân IT Official ngày 15/11/2026, chìa khóa là một trình biên dịch cấp cao mang tên TileLang, cùng tham vọng xây dựng năng lực tính toán độc lập trên phần cứng Huawei. Các con số và nhận định trong bài là theo bài đăng và các đánh giá được trích dẫn trong đó, chưa được kiểm chứng độc lập.
Trả lời nhanh: Theo bài đăng, DeepSeek vẫn dùng GPU Nvidia để huấn luyện V3 nhưng không còn dùng hệ sinh thái Nvidia: công ty phát triển trình biên dịch cấp cao TileLang, xây dựng các thành phần tính toán dựa trên nền tảng này và chủ động kiểm soát lớp phần mềm nằm giữa mô hình AI và phần cứng, thay vì để toàn bộ hệ thống phụ thuộc vào CUDA. Nhờ đó, khi chuyển sang GPU Huawei, DeepSeek có thể tái sử dụng phần lớn công việc đã làm thay vì xây lại từ đầu. Theo nhận định được chia sẻ, supernode Huawei 950 có thể đảm nhiệm những tác vụ tương đương hệ thống GB200 và GB300 với độ trễ tương đương; chi phí cao hơn 50% vẫn chấp nhận được, cao hơn 100% vẫn có thể cân nhắc, thậm chí chênh lệch 200% cũng không phải rào cản quá lớn nếu mục tiêu là năng lực tính toán độc lập — đổi lại, Huawei phải dùng khoảng 4 card để thay một card Nvidia và đang chậm hơn đối thủ khoảng hai năm về công nghệ. DeepSeek cũng đã công bố các thành phần phục vụ AI trên Huawei Ascend gồm TileLang, DeepGEMM, DeepEP, TileKernels và FlashMLA.
CUDA là nền tảng phần mềm tính toán song song của Nvidia: hàng triệu lập trình viên, hàng loạt framework AI và vô số thư viện tính toán đã được phát triển và tối ưu trên nền tảng này, tạo thành rào cản khiến việc chuyển sang chip khác tốn kém hơn rất nhiều so với chuyện tìm một GPU có thông số tương đương. TileLang, theo bài đăng, là trình biên dịch cấp cao do DeepSeek phát triển — lớp phần mềm nằm giữa mô hình AI và phần cứng, cho phép kiểm soát việc tính toán mà không phụ thuộc vào hệ sinh thái của một nhà cung cấp chip duy nhất.
DeepSeek train V3 như thế nào mà "không dùng hệ sinh thái Nvidia"?
Theo bài đăng, cách làm của DeepSeek khá thú vị. Công ty phát triển một trình biên dịch cấp cao mang tên TileLang, sau đó xây dựng các thành phần tính toán dựa trên nền tảng này. Thay vì để toàn bộ hệ thống phụ thuộc vào CUDA, họ chủ động kiểm soát lớp phần mềm nằm giữa mô hình AI và phần cứng.
Lợi ích nằm ở chỗ khi muốn chuyển sang GPU của Huawei, DeepSeek có thể tái sử dụng phần lớn công việc đã làm, thay vì phải xây dựng lại mọi thứ từ đầu. Nói cách khác, DeepSeek đang giải quyết bài toán từ gốc: giảm sự phụ thuộc vào nền tảng phần mềm trước, rồi mới mở rộng lựa chọn phần cứng.
Đoạn phát biểu đính kèm bài đăng diễn đạt điều này một cách trực tiếp: khi huấn luyện V3, công ty dùng card Nvidia nhưng không còn dùng hệ sinh thái Nvidia nữa; thay vào đó, họ viết trình biên dịch cấp cao TileLang trước, rồi hoàn thành mọi việc khác dựa trên hệ sinh thái TileLang — nên gần như không còn phụ thuộc vào hệ sinh thái của Nvidia, và chỉ cần lặp lại quy trình này trên card Huawei là xong.
Supernode Huawei 950 so với GB200 và GB300 ra sao, theo đánh giá được trích dẫn?
Phần gây chú ý nhất trong bài đăng là những con số liên quan đến Huawei 950 và Nvidia GB200, GB300:
| Khía cạnh | Theo nhận định được chia sẻ |
|---|---|
| Năng lực tác vụ | Supernode Huawei 950 có thể đảm nhiệm những tác vụ tương đương hệ thống GB200 và GB300 |
| Độ trễ | Được đánh giá là tương đương |
| Chi phí cao hơn 50% | Vẫn chấp nhận được |
| Chi phí cao hơn 100% | Vẫn có thể cân nhắc |
| Chi phí cao hơn 200% | Không phải rào cản quá lớn nếu mục tiêu là năng lực tính toán độc lập |
| Cái giá phải trả | Phải dùng khoảng 4 card Huawei để thay thế một card Nvidia |
| Khoảng cách công nghệ | Huawei chậm hơn đối thủ khoảng hai năm, theo đánh giá được trích dẫn |
Đoạn phát biểu đính kèm bài đăng còn nêu một tham vọng lớn hơn: đảo ngược hoàn toàn định kiến trước đây rằng hệ sinh thái card nội địa rất kém, với nhận định rằng thời cơ và điều kiện thuận lợi cơ bản đã hội đủ, chỉ còn thiếu thời gian — và trong vòng một năm, nhiều người sẽ nhận ra vấn đề này cơ bản đã được giải quyết, vấn đề còn lại là năng lực sản xuất. Người phát biểu bày tỏ sự lạc quan về năng lực tính toán nội địa, cùng nhận xét rằng về điểm này, Nvidia "đang tự đào mồ chôn mình". Đây là phát biểu được trích dẫn trong bài đăng, thể hiện quan điểm của phía DeepSeek, chưa được kiểm chứng độc lập.

Vì sao CUDA mới là lợi thế lớn nhất của Nvidia?
Theo bài đăng, suốt nhiều năm, Nvidia xây dựng lợi thế không chỉ bằng những chiếc GPU mạnh mẽ mà còn bằng CUDA. Hàng triệu lập trình viên, hàng loạt framework AI và vô số thư viện tính toán đã được phát triển, tối ưu trên nền tảng này.
Một doanh nghiệp muốn chuyển sang chip khác phải tính đến cả chi phí viết lại phần mềm, tối ưu hiệu năng, kiểm thử và đào tạo đội ngũ. Chính những rào cản ấy khiến việc thay thế Nvidia khó hơn rất nhiều so với chuyện tìm một chiếc GPU có thông số tương đương.
Điều đáng chú ý nhất trong câu chuyện DeepSeek, theo bài đăng, không phải là Huawei đã vượt Nvidia, mà là một trong những rào cản lớn nhất bảo vệ vị thế của Nvidia đang bị thách thức từ chính lớp phần mềm. Một khi phần mềm không còn bị khóa chặt vào một kiến trúc GPU, cuộc cạnh tranh phần cứng AI sẽ bước sang một giai đoạn rất khác: đối thủ không nhất thiết phải chế tạo được GPU mạnh hơn ngay lập tức — họ có thể bắt đầu bằng việc khiến phần mềm bớt phụ thuộc vào GPU Nvidia.
DeepSeek đã công bố những công cụ nào cho Huawei Ascend?
Đáng chú ý, theo bài đăng, DeepSeek cũng đã công bố các thành phần phục vụ AI trên Huawei Ascend, cho thấy công ty đang đầu tư vào khả năng tối ưu tính toán trên nhiều kiến trúc phần cứng, thay vì chỉ tập trung vào việc phát triển mô hình:
- TileLang — trình biên dịch cấp cao, nền tảng cho các thành phần tính toán.
- DeepGEMM — thư viện phép nhân ma trận tổng quát (GEMM) hiệu năng cao.
- DeepEP — thư viện giao tiếp cho mô hình Mixture-of-Experts.
- TileKernels — các kernel tính toán xây dựng trên TileLang.
- FlashMLA — triển khai cơ chế chú ý MLA (Multi-head Latent Attention) hiệu quả.
Điều này có ý nghĩa gì với developer và doanh nghiệp?
Theo bài đăng, với anh em developer, compiler, kernel optimization và hệ thống tính toán hiệu năng cao có thể trở thành những mảng ngày càng quan trọng trong cuộc đua AI — bởi cuộc cạnh tranh đang dịch chuyển xuống lớp phần mềm nằm giữa mô hình và phần cứng.
Với các doanh nghiệp, việc có thêm lựa chọn phần cứng đồng nghĩa với khả năng chủ động hơn về nguồn cung, chi phí và chiến lược đầu tư hạ tầng. Khi khả năng tiếp cận chip tiên tiến bị hạn chế, bài toán không còn đơn thuần là mua được GPU mạnh nhất với giá rẻ nhất; quan trọng hơn là có đủ năng lực tính toán để tiếp tục phát triển những mô hình lớn mà không bị phụ thuộc hoàn toàn vào một nhà cung cấp.
Bài đăng khép lại bằng một câu hỏi mở: nếu GPU Huawei đắt gấp đôi nhưng vẫn đáp ứng được công việc, liệu các công ty có sẵn sàng chuyển sang để giảm phụ thuộc vào Nvidia?
Câu hỏi thường gặp
1. DeepSeek train V3 trên phần cứng nào? Theo bài đăng, DeepSeek vẫn sử dụng GPU Nvidia để huấn luyện V3, nhưng không còn dùng hệ sinh thái phần mềm của Nvidia nữa.
2. TileLang là gì? Theo bài đăng, TileLang là trình biên dịch cấp cao do DeepSeek phát triển; các thành phần tính toán được xây dựng dựa trên nền tảng này, giúp công ty kiểm soát lớp phần mềm giữa mô hình AI và phần cứng thay vì phụ thuộc vào CUDA.
3. Supernode Huawei 950 so với GB200/GB300 ra sao? Theo nhận định được chia sẻ trong bài đăng: đảm nhiệm tác vụ tương đương, độ trễ tương đương; đổi lại phải dùng khoảng 4 card Huawei thay một card Nvidia, và Huawei chậm hơn khoảng hai năm về công nghệ.
4. Chi phí cao hơn bao nhiêu thì vẫn chấp nhận được? Theo bài đăng: cao hơn 50% vẫn chấp nhận được, cao hơn 100% vẫn có thể cân nhắc, thậm chí chênh lệch 200% cũng không phải rào cản quá lớn nếu mục tiêu là năng lực tính toán độc lập.
5. Vì sao CUDA là rào cản lớn nhất bảo vệ Nvidia? Theo bài đăng: hàng triệu lập trình viên, framework AI và thư viện đã được phát triển trên CUDA; chuyển sang chip khác đồng nghĩa với chi phí viết lại phần mềm, tối ưu hiệu năng, kiểm thử và đào tạo đội ngũ.
Bài viết được viết lại từ bài đăng của trang Hỏi Dân IT Official ngày 15/11/2026. Các con số, nhận định và phát biểu trích dẫn trong bài là theo bài đăng gốc và các đánh giá được trích dẫn trong đó, chưa được kiểm chứng độc lập.
Bài viết liên quan

16 tháng 11, 2026 · 20 phut doc
Kỹ sư Anthropic Lydia Hallie: dùng Claude Code hiệu quả là xây môi trường, không phải ra lệnh giỏi hơn
Lydia Hallie, kỹ sư thuộc đội ngũ phát triển Claude Code tại Anthropic, vừa chia sẻ trong một video dài khoảng 18 phút những kinh nghiệm thực tế giúp sử dụng Claude Code hiệu quả hơn. Theo bài đăng c…

16 tháng 11, 2026 · 15 phut doc
Lauren Tan: 'Code của người khác là AI slop, code của tôi thì không' — 3.127 pull request trong một tháng nhờ 'làm vườn' codebase
Lauren Tan, kỹ sư phần mềm mà bài đăng giới thiệu là người của SpaceX, từng nói đùa đầy châm biếm: "Toàn bộ code đều là AI slop, ngoại trừ code của tôi." Đằng sau câu nói đùa là một cách làm việc với…

16 tháng 11, 2026 · 7 phut doc
Chưa tốt nghiệp đại học, nam sinh Trung Quốc kiếm hơn 11,4 tỷ đồng nhờ làm phim hoạt hình AI từ phòng ký túc xá
Trong khi vẫn đang là sinh viên năm 3 ngành Kỹ thuật cơ điện tử tại Đại học Tô Châu, Tiêu Thiên Lạc đã cùng nhóm cộng sự xây dựng hoạt động sản xuất phim hoạt hình bằng AI, đạt doanh thu hơn 3 triệu …