CUDA-vallihauta: 15 vuoden kehittäjäriippuvuus

Nvidian CUDA (Compute Unified Device Architecture) nauttii yli 15 vuoden etumatkaa kypsine kirjastoineen (cuDNN, TensorRT), debuggaustyökaluineen ja maailmanlaajuisine kehittäjäyhteisöineen . Lähes kaikki merkittävät tekoälyohjelmistokehykset — PyTorch, TensorFlow, JAX — on optimoitu CUDA:lle suoraan laatikosta .

Sen sijaan Huawein CANN (Compute Architecture for Neural Networks) on, vaikka se avoimistettiinkin elokuussa 2025, edelleen huomattavasti vähemmän kypsä operaattorikattavuudeltaan, optimoinniltaan ja yhteisön työkaluiltaan . Kehittäjät raportoivat, että monilla CUDA-optimoiduilla ytimillä ei ole suoraa CANN-vastinetta, mikä vaatii manuaalista uudelleenkirjoittamista .

Tämä itseään ruokkiva kehä on vaikea murtaa: mitä suurempi Nvidian kehittäjäyhteisö ja mitä rikkaampi esioptimoitu koodikirjasto, sitä vaikeampaa vaihtoehtojen on saada jalansijaa .

Vaihtamisen hinta: Vähintään 50 prosenttia enemmän aikaa ja rahaa

Tekoälytutkija Shanghaihin sidoksissa olevasta instituutista arvioi, että koulutuksen siirtäminen Nvidian CUDA:sta Huawein Ascendiin lisäisi vähintään 50 prosenttia sekä aikaan että kustannuksiin . Alan lähteet vahvistavat tämän luvun realistiseksi alarajaksi .

Tämä sisältää:

• Alustavan siirtotyön: CUDA:lle kirjoitettu koulutuskoodi käyttää arkkitehtuurikohtaisia ytinkutsuja, muistinhallintamalleja ja rinnakkaistamisstrategioita, jotka eivät suoraan käänny Ascendin erilaiseen NPU-arkkitehtuuriin .
• Jatkuvan debuggaamisen ja virittämisen: Kun koodi on siirretty, mallit on optimoitava uudelleen suorituskyvyn saavuttamiseksi CANN:n pienemmällä operaattorikirjastolla .
• Menetetty tuottavuus: Kehittäjien on opittava uusi työkaluketju, ja pienempi CANN-yhteisö tarkoittaa vähemmän jaettuja ratkaisuja yleisiin ongelmiin.

DeepSeekin hylätty R2-suunnitelma: Konkreettinen esimerkkitapaus

Ehkä kertovin esimerkki ohjelmistoerosta tulee DeepSeekiltä, yhdeltä Kiinan tunnetuimmista tekoälylaboratorioista. DeepSeek luopui suunnitelmista kouluttaa R2-mallinsa Huawein Ascend-NPUilla, vedoten ratkaisemattomiin suorituskyky- ja työkaluketjuongelmiin . Tämä on konkreettinen tapaus, jossa huipputason laboratorio päätteli, ettei kotimainen vaihtoehto ollut valmis vaativimpiin työtehtäviin.

Suorituskykyerot säilyvät

Vaikka Huawein Ascend 910C -NPU on parantunut merkittävästi, kehittäjät raportoivat sen edelleen jäävän Nvidian Hopper-sukupolven GPU:ista suurissa hajautetuissa koulutustehtävissä . Ascend 910C, joka on rakennettu SMIC:n parannetulla 7nm-prosessilla, toimittaa noin kolmanneksen Nvidian B200:n BF16-läpäisystä . Huawein tulevan Ascend 950:n odotetaan kaventavan tätä eroa entisestään, ja Morgan Stanleyn tiedot osoittavat, että kiinalaisten sirujen ja Nvidian vientisäännösten mukaisten laitteistojen välinen suorituskykyero on kaventunut merkittävästi .

Tarjonnan paradoksi: Varastoidut Nvidian sirut luovat inertiaa

Paradoksaalisesti Yhdysvaltojen vientirajoitukset eivät ole täysin katkaisseet Nvidian tarjontaa Kiinaan. Yhdysvallat hyväksyi H200:n myynnin Kiinaan, ja Peking myöhemmin esti sen vastaanoton — mutta kiinalaisilla laboratorioilla on jo valtavia varastoja Nvidian siruista . ByteDance, Alibaba ja Tencent käyttivät yhteensä arviolta 16 miljardia dollaria varastoidakseen noin 1,3–1,6 miljoonaa H20-yksikköä ennakoiden kieltoa .

Tämä asennettu kanta luo voimakasta inertiaa: niin kauan kuin olemassa oleva Nvidian laitteisto toimii, korkea vaihtokustannus viivästyttää siirtymistä kotimaisiin vaihtoehtoihin .

295 miljardin dollarin vastaus: Kiinan kotimainen siruajuri

Kiina ei seiso paikoillaan. Vastauksena näihin esteisiin:

• Kiinalaiset siruvalmistajat tavoittelevat kotimaisten tekoälysirujen tuotannon kolminkertaistamista vuonna 2026
• Peking laatii arviolta ~295 miljardin dollarin (2 biljoonaa yuania) suunnitelmaa yhdistääkseen jokaisen merkittävän kiinalaisen datakeskuksen yhdeksi tekoälylaskentaverkoksi vuoteen 2028 mennessä, jossa vähintään 80% taustalla olevista siruista on oltava kotimaisia
• Huawei avoimisti CANN:n elokuussa 2025, julkaisten ydinkomponentit mukaan lukien operaattorit, verkkotunnuskirjastot ja graafimoottoriteknologian
• ByteDance allekirjoitti 5,6 miljardin dollarin sopimuksen Huawein kanssa Ascend-tekoälysiruista joulukuussa 2025, toimituksien alkaessa Q1 2026

Edistys on todellista: kotimaisten sirujen koulutusosuus kasvoi 8%:sta alkuvuodesta 2025 42%:iin huhtikuuhun 2026 mennessä . Mutta suuri osa tästä käyttöönotosta näyttää keskittyvän vähemmän kriittisiin työtehtäviin ja päättelytehtäviin eikä huippumallien koulutukseen .

Tulevaisuudennäkymät: Monivuotinen siirtymä

Huawein CANN:n avoimistaminen on merkittävä askel kohti kehittäjäekosysteemin rakentamista, josta CUDA nauttii . Mutta useimmat analyytikot ovat yhtä mieltä siitä, että ohjelmistoekosysteemin kuilu — ei raaka laitteistotekniikka — vie vuosia umpeutuakseen . Lyhyellä aikavälillä Kiinan huipputason tekoälylaboratoriot jatkavat koulutusta Nvidian siruilla, samalla kun ne kokeilevat hybridikotimaisia käyttöönottoja vähemmän kriittisissä työtehtävissä, ja Pekingin 295 miljardin dollarin verkko-suunnitelma pyrkii nopeuttamaan siirtymää .

CUDA-vallihauta: 15 vuoden kehittäjäriippuvuus

Nvidian CUDA (Compute Unified Device Architecture) nauttii yli 15 vuoden etumatkaa kypsine kirjastoineen (cuDNN, TensorRT), debuggaustyökaluineen ja maailmanlaajuisine kehittäjäyhteisöineen . Lähes kaikki merkittävät tekoälyohjelmistokehykset — PyTorch, TensorFlow, JAX — on optimoitu CUDA:lle suoraan laatikosta .

Sen sijaan Huawein CANN (Compute Architecture for Neural Networks) on, vaikka se avoimistettiinkin elokuussa 2025, edelleen huomattavasti vähemmän kypsä operaattorikattavuudeltaan, optimoinniltaan ja yhteisön työkaluiltaan . Kehittäjät raportoivat, että monilla CUDA-optimoiduilla ytimillä ei ole suoraa CANN-vastinetta, mikä vaatii manuaalista uudelleenkirjoittamista .

Tämä itseään ruokkiva kehä on vaikea murtaa: mitä suurempi Nvidian kehittäjäyhteisö ja mitä rikkaampi esioptimoitu koodikirjasto, sitä vaikeampaa vaihtoehtojen on saada jalansijaa .

Vaihtamisen hinta: Vähintään 50 prosenttia enemmän aikaa ja rahaa

Tekoälytutkija Shanghaihin sidoksissa olevasta instituutista arvioi, että koulutuksen siirtäminen Nvidian CUDA:sta Huawein Ascendiin lisäisi vähintään 50 prosenttia sekä aikaan että kustannuksiin . Alan lähteet vahvistavat tämän luvun realistiseksi alarajaksi .

Tämä sisältää:

• Alustavan siirtotyön: CUDA:lle kirjoitettu koulutuskoodi käyttää arkkitehtuurikohtaisia ytinkutsuja, muistinhallintamalleja ja rinnakkaistamisstrategioita, jotka eivät suoraan käänny Ascendin erilaiseen NPU-arkkitehtuuriin .
• Jatkuvan debuggaamisen ja virittämisen: Kun koodi on siirretty, mallit on optimoitava uudelleen suorituskyvyn saavuttamiseksi CANN:n pienemmällä operaattorikirjastolla .
• Menetetty tuottavuus: Kehittäjien on opittava uusi työkaluketju, ja pienempi CANN-yhteisö tarkoittaa vähemmän jaettuja ratkaisuja yleisiin ongelmiin.

DeepSeekin hylätty R2-suunnitelma: Konkreettinen esimerkkitapaus

Ehkä kertovin esimerkki ohjelmistoerosta tulee DeepSeekiltä, yhdeltä Kiinan tunnetuimmista tekoälylaboratorioista. DeepSeek luopui suunnitelmista kouluttaa R2-mallinsa Huawein Ascend-NPUilla, vedoten ratkaisemattomiin suorituskyky- ja työkaluketjuongelmiin . Tämä on konkreettinen tapaus, jossa huipputason laboratorio päätteli, ettei kotimainen vaihtoehto ollut valmis vaativimpiin työtehtäviin.

Suorituskykyerot säilyvät

Vaikka Huawein Ascend 910C -NPU on parantunut merkittävästi, kehittäjät raportoivat sen edelleen jäävän Nvidian Hopper-sukupolven GPU:ista suurissa hajautetuissa koulutustehtävissä . Ascend 910C, joka on rakennettu SMIC:n parannetulla 7nm-prosessilla, toimittaa noin kolmanneksen Nvidian B200:n BF16-läpäisystä . Huawein tulevan Ascend 950:n odotetaan kaventavan tätä eroa entisestään, ja Morgan Stanleyn tiedot osoittavat, että kiinalaisten sirujen ja Nvidian vientisäännösten mukaisten laitteistojen välinen suorituskykyero on kaventunut merkittävästi .

Tarjonnan paradoksi: Varastoidut Nvidian sirut luovat inertiaa

Paradoksaalisesti Yhdysvaltojen vientirajoitukset eivät ole täysin katkaisseet Nvidian tarjontaa Kiinaan. Yhdysvallat hyväksyi H200:n myynnin Kiinaan, ja Peking myöhemmin esti sen vastaanoton — mutta kiinalaisilla laboratorioilla on jo valtavia varastoja Nvidian siruista . ByteDance, Alibaba ja Tencent käyttivät yhteensä arviolta 16 miljardia dollaria varastoidakseen noin 1,3–1,6 miljoonaa H20-yksikköä ennakoiden kieltoa .

Tämä asennettu kanta luo voimakasta inertiaa: niin kauan kuin olemassa oleva Nvidian laitteisto toimii, korkea vaihtokustannus viivästyttää siirtymistä kotimaisiin vaihtoehtoihin .

295 miljardin dollarin vastaus: Kiinan kotimainen siruajuri

Kiina ei seiso paikoillaan. Vastauksena näihin esteisiin:

• Kiinalaiset siruvalmistajat tavoittelevat kotimaisten tekoälysirujen tuotannon kolminkertaistamista vuonna 2026
• Peking laatii arviolta ~295 miljardin dollarin (2 biljoonaa yuania) suunnitelmaa yhdistääkseen jokaisen merkittävän kiinalaisen datakeskuksen yhdeksi tekoälylaskentaverkoksi vuoteen 2028 mennessä, jossa vähintään 80% taustalla olevista siruista on oltava kotimaisia
• Huawei avoimisti CANN:n elokuussa 2025, julkaisten ydinkomponentit mukaan lukien operaattorit, verkkotunnuskirjastot ja graafimoottoriteknologian
• ByteDance allekirjoitti 5,6 miljardin dollarin sopimuksen Huawein kanssa Ascend-tekoälysiruista joulukuussa 2025, toimituksien alkaessa Q1 2026

Edistys on todellista: kotimaisten sirujen koulutusosuus kasvoi 8%:sta alkuvuodesta 2025 42%:iin huhtikuuhun 2026 mennessä . Mutta suuri osa tästä käyttöönotosta näyttää keskittyvän vähemmän kriittisiin työtehtäviin ja päättelytehtäviin eikä huippumallien koulutukseen .

Tulevaisuudennäkymät: Monivuotinen siirtymä

Huawein CANN:n avoimistaminen on merkittävä askel kohti kehittäjäekosysteemin rakentamista, josta CUDA nauttii . Mutta useimmat analyytikot ovat yhtä mieltä siitä, että ohjelmistoekosysteemin kuilu — ei raaka laitteistotekniikka — vie vuosia umpeutuakseen . Lyhyellä aikavälillä Kiinan huipputason tekoälylaboratoriot jatkavat koulutusta Nvidian siruilla, samalla kun ne kokeilevat hybridikotimaisia käyttöönottoja vähemmän kriittisissä työtehtävissä, ja Pekingin 295 miljardin dollarin verkko-suunnitelma pyrkii nopeuttamaan siirtymää .