Proč čínské AI laboratoře stále trénují své modely na čipech Nvidia

Naproti tomu sada nástrojů CANN (Compute Architecture for Neural Networks) od Huawei, přestože byla v srpnu 2025 uvolněna jako open source, zůstává z hlediska pokrytí operátorů, optimalizace a komunitních nástrojů mnohem méně vyspělá . Vývojáři uvádějí, že mnoho jader optimalizovaných pro CUDA nemá v CANN přímý ekvivalent a vyžaduje ruční přepisování .

Tento samovolný cyklus je těžké prolomit: čím větší je komunita vývojářů Nvidie a čím bohatší je její knihovna předoptimalizovaného kódu, tím obtížnější je pro alternativy získat trakci .

Cena přechodu: Nejméně o 50 % více času a peněz

Výzkumník AI z jednoho šanghajského institutu odhaduje, že přechod od trénování na Nvidia CUDA k Huawei Ascend by znamenal navýšení minimálně o 50 % v čase i nákladech . Průmyslové zdroje tento odhad potvrzují jako reálné minimum .

To zahrnuje:

• Počáteční portování kódu: Tréninkový kód napsaný pro CUDA využívá volání jader specifických pro architekturu, vzorce správy paměti a paralelizační strategie, které se nedají přímo přenést na odlišnou architekturu NPU čipů Ascend .
• Následné ladění a optimalizaci: Po portování je nutné modely znovu optimalizovat, aby dosahovaly srovnatelného výkonu s menší knihovnou operátorů CANN .
• Ztracenou produktivitu: Vývojáři se musí naučit novou sadu nástrojů a menší komunita CANN znamená méně sdílených řešení běžných problémů.

Zrušený plán DeepSeek R2: konkrétní případová studie

Snad nejvýmluvnějším příkladem softwarové propasti je DeepSeek, jedno z nejvýznamnějších čínských AI pracovišť. DeepSeek údajně upustil od plánů trénovat svůj model R2 na NPU čipech Huawei Ascend kvůli nevyřešeným problémům s výkonem a nástroji . Jde o konkrétní případ, kdy špičková laboratoř usoudila, že domácí alternativa není připravena na jejich nejnáročnější úlohy.

Výkonnostní rozdíly přetrvávají

Ačkoli se NPU Huawei Ascend 910C výrazně zlepšil, vývojáři uvádějí, že stále zaostává za GPU Hopper generace od Nvidie u rozsáhlých distribuovaných tréninkových úloh . Ascend 910C, vyrobený na vylepšeném 7nm procesu SMIC, poskytuje zhruba třetinu propustnosti BF16 ve srovnání s Nvidia B200 . Očekává se, že připravovaný Ascend 950 od Huawei tuto mezeru dále zmenší; data Morgan Stanley ukazují, že výkonnostní rozdíl mezi čínskými čipy a hardwarem Nvidie, který smí být vyvážen, se výrazně zúžil .

Paradox nabídky: Nahromaděné čipy Nvidia vytvářejí setrvačnost

Paradoxně americká exportní omezení zcela nepřerušila dodávky Nvidie do Číny. USA schválily prodej H200 do Číny a Peking následně jeho přijetí zablokoval – ale čínské laboratoře již vlastní obrovské zásoby čipů Nvidia . ByteDance, Alibaba a Tencent utratily za nahromadění odhadem 1,3 až 1,6 milionu jednotek H20 v očekávání zákazu dohromady odhadem 16 miliard dolarů .

Tato nainstalovaná základna vytváří silnou setrvačnost: dokud stávající hardware Nvidia funguje, vysoké náklady na přechod odkládají přesun k domácím alternativám .

Odpověď za 295 miliard dolarů: Čínský tlak na domácí čipy

Čína nezahálí. V reakci na tyto překážky:

• Čínští výrobci čipů chtějí ztrojnásobit domácí produkci AI čipů v roce 2026
• Peking údajně připravuje plán v hodnotě zhruba 295 miliard dolarů (2 biliony juanů) na propojení všech významných čínských datacenter do jediné AI výpočetní sítě do roku 2028, přičemž nejméně 80 % použitých čipů musí být domácích
• Huawei v srpnu 2025 uvolnil CANN jako open source, včetně základních komponent, jako jsou operátory, doménové knihovny a technologie grafového enginu
• ByteDance v prosinci 2025 podepsal smlouvu v hodnotě 5,6 miliardy dolarů s Huawei na AI čipy Ascend, s dodávkami od Q1 2026

Pokrok je reálný: podíl trénování na domácích čipech údajně vzrostl z 8 % na začátku roku 2025 na 42 % v dubnu 2026 . Velká část tohoto přijetí se však zdá být soustředěna v méně kritických úlohách a inferenčních úkolech, nikoli v trénování špičkových modelů .

Výhled: Přechod na několik let

Uvolnění CANN do open source ze strany Huawei je smysluplným krokem k budování vývojářského ekosystému, jakým disponuje CUDA . Většina analytiků se však shoduje, že propast v softwarovém ekosystému – nikoli samotné硬warové specifikace – bude trvat roky, než se uzavře . Krátkodobě budou čínské špičkové AI laboratoře nadále trénovat na čipech Nvidia a zároveň experimentovat s hybridním nasazením domácích řešení pro méně kritické úlohy, zatímco Pekingský plán sítě za 295 miliard dolarů má za cíl přechod urychlit .