خندق كودا: 15 عاماً من الاعتماد على المطورين

تتمتع منصة CUDA (Compute Unified Device Architecture) من Nvidia بأكثر من 15 عاماً من السبق في التطوير، مع مكتبات ناضجة (cuDNN، TensorRT) وأدوات تصحيح الأخطاء ومجتمع عالمي من المطورين . يتم تحسين جميع أطر الذكاء الاصطناعي الرئيسية تقريباً — PyTorch وTensorFlow وJAX — للعمل مع CUDA بشكل افتراضي .

على النقيض من ذلك، تظل مجموعة أدوات CANN (Compute Architecture for Neural Networks) من Huawei، حتى بعد أن أصبحت مفتوحة المصدر في أغسطس 2025، أقل نضجاً بكثير من حيث تغطية المشغلات والتحسين وأدوات المجتمع . يبلغ المطورون أن العديد من نوى CUDA المحسّنة ليس لها مقابل مباشر في CANN، مما يستلزم إعادة كتابة يدوية .

من الصعب كسر هذه الدورة ذاتية التعزيز: فكلما كان مجتمع مطوري Nvidia أكبر وكلما كانت مكتبتها من الكود المحسّن مسبقاً أغنى، أصبح من الصعب على البدائل اكتساب الزخم .

تكلفة التحول: ما لا يقل عن 50% زيادة في الوقت والمال

يقدر باحث في الذكاء الاصطناعي يعمل في معهد تابع لشنغهاي أن التحول في التدريب من Nvidia CUDA إلى Huawei Ascend سيضيف ما لا يقل عن 50% في كل من الوقت والتكاليف . تؤكد مصادر صناعية أن هذا الرقم يمثل حداً أدنى واقعياً .

يشمل ذلك:

• جهد النقل الأولي: يستخدم كود التدريب المكتوب لـ CUDA استدعاءات نوى خاصة بالهندسة المعمارية وأنماط إدارة الذاكرة واستراتيجيات التوازي التي لا تترجم مباشرة إلى بنية NPU المختلفة لـ Ascend .
• تصحيح الأخطاء والضبط المستمران: بمجرد النقل، يجب إعادة تحسين النماذج لتحقيق تكافؤ الأداء على مكتبة المشغلات الأصغر في CANN .
• فقدان الإنتاجية: يجب على المطورين تعلم مجموعة أدوات جديدة، كما أن مجتمع CANN الأصغر يعني وجود حلول مشتركة أقل للمشكلات الشائعة.

خطة DeepSeek المهجورة لـ R2: دراسة حالة ملموسة

ربما يكون المثال الأكثر دلالة على الفجوة البرمجية هو من DeepSeek، أحد أبرز مختبرات الذكاء الاصطناعي في الصين. ذكرت التقارير أن DeepSeek أسقطت خطط تدريب نموذجها R2 على معالجات Huawei Ascend NPU، مستشهدة بمشكلات غير محلولة في الأداء والأدوات . هذه حالة ملموسة لمختبر من الدرجة الأولى يقرر أن البديل المحلي لم يكن جاهزاً لأكثر مهام عمله تطلباً.

الفجوات في الأداء لا تزال قائمة

على الرغم من تحسن معالج Huawei Ascend 910C NPU بشكل ملحوظ، يبلغ المطورون أنه لا يزال أقل أداءً من وحدات معالجة الرسوميات من جيل Hopper من Nvidia في مهام التدريب الموزعة واسعة النطاق . تم تصنيع معالج Ascend 910C، المبني على عملية 7nm المحسّنة من SMIC، ويوفر حوالي ثلث إنتاجية BF16 لوحدة B200 من Nvidia . من المتوقع أن يعمل معالج Ascend 950 القادم من Huawei على تضييق هذه الفجوة بشكل أكبر، حيث تظهر بيانات Morgan Stanley أن فجوة الأداء بين الرقائق الصينية وأجهزة Nvidia المتوافقة مع التصدير قد تضيقت بشكل ملحوظ .

مفارقة الإمداد: الرقائق المخزنة من Nvidia تخلق جموداً

من المفارقات أن القيود الأمريكية على التصدير لم تقطع إمدادات Nvidia إلى الصين بالكامل. فقد وافقت الولايات المتحدة على بيع H200 للصين، ومنعت بكين قبولها لاحقاً — لكن المختبرات الصينية تمتلك بالفعل مخزونات ضخمة من رقائق Nvidia . أنفقت ByteDance وAlibaba وTencent مجتمعة ما يقدر بنحو 16 مليار دولار لتخزين ما يقرب من 1.3 إلى 1.6 مليون وحدة H20 تحسباً للحظر .

تخلق هذه القاعدة المركبة جموداً قوياً: طالما أن أجهزة Nvidia الحالية لا تزال تعمل، فإن تكلفة التحول المرتفعة تؤخر الانتقال إلى البدائل المحلية .

رد 295 مليار دولار: دفع الصين لإنتاج الرقائق المحلية

الصين لا تقف مكتوفة الأيدي. واستجابة لهذه العوائق:

• تهدف الشركات الصينية المصنعة للرقائق إلى مضاعفة إنتاجها المحلي من رقائق الذكاء الاصطناعي ثلاث مرات بحلول عام 2026
• تعمل بكين على صياغة خطة تبلغ قيمتها ~295 مليار دولار (2 تريليون يوان) لربط كل مركز بيانات رئيسي في الصين بشبكة حوسبة ذكاء اصطناعي واحدة بحلول عام 2028، على أن يكون ما لا يقل عن 80% من الرقائق الأساسية محلية الصنع
• فتحت Huawei مصدر CANN في أغسطس 2025، وأصدرت المكونات الأساسية بما في ذلك المشغلات ومكتبات المجالات وتقنية محرك الرسم البياني
• وقعت ByteDance عقداً بقيمة 5.6 مليار دولار مع Huawei لشراء رقائق Ascend للذكاء الاصطناعي في ديسمبر 2025، على أن يبدأ التسليم في الربع الأول من عام 2026

التقدم حقيقي: ارتفعت حصة التدريب على الرقائق المحلية من 8% في أوائل عام 2025 إلى 42% بحلول أبريل 2026 . لكن يبدو أن الكثير من هذا الاعتماد يتركز في أحمال العمل الأقل أهمية ومهام الاستدلال بدلاً من تدريب النماذج المتطورة .

النظرة المستقبلية: انتقال يستغرق سنوات

فتح هواوي لمصدر CANN هو خطوة مهمة نحو بناء النظام البيئي للمطورين الذي تتمتع به CUDA . لكن معظم المحللين يتفقون على أن فجوة النظام البيئي للبرمجيات — وليس مواصفات الأجهزة الأولية — ستستغرق سنوات لإغلاقها . على المدى القصير، ستستمر مختبرات الذكاء الاصطناعي الرائدة في الصين في التدريب على رقائق Nvidia مع تجربة النشر المحلي الهجين لأحمال العمل الأقل أهمية، وبينما تهدف خطة بكين للشبكة بقيمة 295 مليار دولار إلى تسريع عملية الانتقال .

خندق كودا: 15 عاماً من الاعتماد على المطورين

تتمتع منصة CUDA (Compute Unified Device Architecture) من Nvidia بأكثر من 15 عاماً من السبق في التطوير، مع مكتبات ناضجة (cuDNN، TensorRT) وأدوات تصحيح الأخطاء ومجتمع عالمي من المطورين . يتم تحسين جميع أطر الذكاء الاصطناعي الرئيسية تقريباً — PyTorch وTensorFlow وJAX — للعمل مع CUDA بشكل افتراضي .

على النقيض من ذلك، تظل مجموعة أدوات CANN (Compute Architecture for Neural Networks) من Huawei، حتى بعد أن أصبحت مفتوحة المصدر في أغسطس 2025، أقل نضجاً بكثير من حيث تغطية المشغلات والتحسين وأدوات المجتمع . يبلغ المطورون أن العديد من نوى CUDA المحسّنة ليس لها مقابل مباشر في CANN، مما يستلزم إعادة كتابة يدوية .

من الصعب كسر هذه الدورة ذاتية التعزيز: فكلما كان مجتمع مطوري Nvidia أكبر وكلما كانت مكتبتها من الكود المحسّن مسبقاً أغنى، أصبح من الصعب على البدائل اكتساب الزخم .

تكلفة التحول: ما لا يقل عن 50% زيادة في الوقت والمال

يقدر باحث في الذكاء الاصطناعي يعمل في معهد تابع لشنغهاي أن التحول في التدريب من Nvidia CUDA إلى Huawei Ascend سيضيف ما لا يقل عن 50% في كل من الوقت والتكاليف . تؤكد مصادر صناعية أن هذا الرقم يمثل حداً أدنى واقعياً .

يشمل ذلك:

• جهد النقل الأولي: يستخدم كود التدريب المكتوب لـ CUDA استدعاءات نوى خاصة بالهندسة المعمارية وأنماط إدارة الذاكرة واستراتيجيات التوازي التي لا تترجم مباشرة إلى بنية NPU المختلفة لـ Ascend .
• تصحيح الأخطاء والضبط المستمران: بمجرد النقل، يجب إعادة تحسين النماذج لتحقيق تكافؤ الأداء على مكتبة المشغلات الأصغر في CANN .
• فقدان الإنتاجية: يجب على المطورين تعلم مجموعة أدوات جديدة، كما أن مجتمع CANN الأصغر يعني وجود حلول مشتركة أقل للمشكلات الشائعة.

خطة DeepSeek المهجورة لـ R2: دراسة حالة ملموسة

ربما يكون المثال الأكثر دلالة على الفجوة البرمجية هو من DeepSeek، أحد أبرز مختبرات الذكاء الاصطناعي في الصين. ذكرت التقارير أن DeepSeek أسقطت خطط تدريب نموذجها R2 على معالجات Huawei Ascend NPU، مستشهدة بمشكلات غير محلولة في الأداء والأدوات . هذه حالة ملموسة لمختبر من الدرجة الأولى يقرر أن البديل المحلي لم يكن جاهزاً لأكثر مهام عمله تطلباً.

الفجوات في الأداء لا تزال قائمة

على الرغم من تحسن معالج Huawei Ascend 910C NPU بشكل ملحوظ، يبلغ المطورون أنه لا يزال أقل أداءً من وحدات معالجة الرسوميات من جيل Hopper من Nvidia في مهام التدريب الموزعة واسعة النطاق . تم تصنيع معالج Ascend 910C، المبني على عملية 7nm المحسّنة من SMIC، ويوفر حوالي ثلث إنتاجية BF16 لوحدة B200 من Nvidia . من المتوقع أن يعمل معالج Ascend 950 القادم من Huawei على تضييق هذه الفجوة بشكل أكبر، حيث تظهر بيانات Morgan Stanley أن فجوة الأداء بين الرقائق الصينية وأجهزة Nvidia المتوافقة مع التصدير قد تضيقت بشكل ملحوظ .

مفارقة الإمداد: الرقائق المخزنة من Nvidia تخلق جموداً

من المفارقات أن القيود الأمريكية على التصدير لم تقطع إمدادات Nvidia إلى الصين بالكامل. فقد وافقت الولايات المتحدة على بيع H200 للصين، ومنعت بكين قبولها لاحقاً — لكن المختبرات الصينية تمتلك بالفعل مخزونات ضخمة من رقائق Nvidia . أنفقت ByteDance وAlibaba وTencent مجتمعة ما يقدر بنحو 16 مليار دولار لتخزين ما يقرب من 1.3 إلى 1.6 مليون وحدة H20 تحسباً للحظر .

تخلق هذه القاعدة المركبة جموداً قوياً: طالما أن أجهزة Nvidia الحالية لا تزال تعمل، فإن تكلفة التحول المرتفعة تؤخر الانتقال إلى البدائل المحلية .

رد 295 مليار دولار: دفع الصين لإنتاج الرقائق المحلية

الصين لا تقف مكتوفة الأيدي. واستجابة لهذه العوائق:

• تهدف الشركات الصينية المصنعة للرقائق إلى مضاعفة إنتاجها المحلي من رقائق الذكاء الاصطناعي ثلاث مرات بحلول عام 2026
• تعمل بكين على صياغة خطة تبلغ قيمتها ~295 مليار دولار (2 تريليون يوان) لربط كل مركز بيانات رئيسي في الصين بشبكة حوسبة ذكاء اصطناعي واحدة بحلول عام 2028، على أن يكون ما لا يقل عن 80% من الرقائق الأساسية محلية الصنع
• فتحت Huawei مصدر CANN في أغسطس 2025، وأصدرت المكونات الأساسية بما في ذلك المشغلات ومكتبات المجالات وتقنية محرك الرسم البياني
• وقعت ByteDance عقداً بقيمة 5.6 مليار دولار مع Huawei لشراء رقائق Ascend للذكاء الاصطناعي في ديسمبر 2025، على أن يبدأ التسليم في الربع الأول من عام 2026

التقدم حقيقي: ارتفعت حصة التدريب على الرقائق المحلية من 8% في أوائل عام 2025 إلى 42% بحلول أبريل 2026 . لكن يبدو أن الكثير من هذا الاعتماد يتركز في أحمال العمل الأقل أهمية ومهام الاستدلال بدلاً من تدريب النماذج المتطورة .

النظرة المستقبلية: انتقال يستغرق سنوات

فتح هواوي لمصدر CANN هو خطوة مهمة نحو بناء النظام البيئي للمطورين الذي تتمتع به CUDA . لكن معظم المحللين يتفقون على أن فجوة النظام البيئي للبرمجيات — وليس مواصفات الأجهزة الأولية — ستستغرق سنوات لإغلاقها . على المدى القصير، ستستمر مختبرات الذكاء الاصطناعي الرائدة في الصين في التدريب على رقائق Nvidia مع تجربة النشر المحلي الهجين لأحمال العمل الأقل أهمية، وبينما تهدف خطة بكين للشبكة بقيمة 295 مليار دولار إلى تسريع عملية الانتقال .