DeepSeek V4-Pro op Ascend 910C: Huawei trainde 1,6 biljoen

Stel je een serverruimte voor, vol met siliconen, waarin elke chip zich een weg baant door een berg tekst. Dat is het beeld dat Huawei's onderzoeksteam schetst na de aankondiging dat ze DeepSeek V4-Pro hebben getraind, een model met 1,6 biljoen parameters, met een cluster die is opgebouwd rond ten minste duizend Ascend 910C-chips.

Het verhaal klinkt eenvoudig: lokaal geproduceerde AI-siliconen verwerken eindelijk grootschalige modelworkloads. Maar de werkelijkheid is gelaagd. Huawei zegt dat het team volledige parameterupdates uitvoerde (wat betekent dat elk gewicht in het model is getraind in plaats van alleen een dunne adapterlaag toe te voegen) en dat de voortraining voor V4-Pro een indrukwekkend corpus verwerkte dat naar verluidt meer dan 32 biljoen tokens bevatte. Voortraining bouwt de kerncapaciteiten van het model; de latere fijnslijping vormt het gedrag door instructietuning en veiligheidsafstemming.

Waarom is dat belangrijk? Omdat volledige parametertraining veel veeleisender is dan lichtzinnige technieken die slechts een klein deel van het netwerk aanpassen. Het vereist constante doorvoer, stabiele interconnecties en nauwkeurige orkestratie tussen chips. Historisch gezien hadden Chinese teams moeite om zware trainingsworkloads van Nvidia-hardware te migreren zonder tegen prestatie- en verbindingsknelpunten aan te lopen.

Huawei wijst op de dual-designarchitectuur van de Ascend 910C als keerpunt. Onafhankelijke tests van eerdere DeepSeek-experimenten suggereerden dat een Ascend-chip ongeveer 60% van de inference-prestatie van Nvidia's H100 kon leveren, maar dat betrof inference, niet grootschalige gesynchroniseerde training. Trainingsworkloads leggen andere zwakheden bloot: collectieve communicatie, geheugenbeheer en de rijpheid van software worden hier doorslaggevend.

Toch heeft de claim nuanceringen. De onderzoekers meldden de voltooiing van volledige parametertraining, maar leverden geen rigoureuze benchmarks: geen wallclock-tijd, geen doorvoermetingen, geen directe vergelijking met H100-clusters en geen gedetailleerde uitsplitsing van vermogen of efficiëntie. Zonder die cijfers leest de aankondiging precies zoals die is: een bemoedigende technische mijlpaal maar nog geen onafhankelijk bewijs dat Ascend-clusters gevestigde alternatieven evenaren of overtreffen voor toonaangevende voortraining.

Er is reden tot voorzichtigheid. Eerdere berichten zeiden dat pogingen om een ander model, R2, op Huawei-silicon te trainen, te maken kregen met instabiliteit en trage chipinterconnecties. De sprong van succesvolle demonstraties in inference naar betrouwbare, grootschalige voortraining is groot. Bedrijven kunnen soms genoeg engineering bij elkaar brengen om één run te voltooien, terwijl ze nog steeds de robuustheid missen die nodig is voor routinematige modelontwikkeling op schaal.

Wat is dus de conclusie voor het bredere AI-ecosysteem? Als Huawei's verhaal standhoudt bij controle, duidt dat op toenemende concurrentiekracht van Chinese AI-hardware en een rijpende softwarestack die duizend-chip trainingsjobs kan orkestreren. Als dat niet zo is, benadrukt het dat hype nog steeds vooruitloopt op verifieerbare vooruitgang. Hoe dan ook is de volgende stap duidelijk: onafhankelijke benchmarks en transparante runtime-gegevens.

We zullen die cijfers afwachten. Onafhankelijke verificatie zal ons vertellen of dit een daadwerkelijke verschuiving in de mondiale AI-infrastructuur is of slechts een ambitieus proof-of-concept.