Il fossato di CUDA: 15 anni di dipendenza per gli sviluppatori

CUDA (Compute Unified Device Architecture) di Nvidia gode di un vantaggio di oltre 15 anni, con librerie mature (cuDNN, TensorRT), strumenti di debug e una comunità globale di sviluppatori . Quasi tutti i principali framework di IA – PyTorch, TensorFlow, JAX – sono ottimizzati per CUDA fin dall'installazione .

Al contrario, il toolkit CANN (Compute Architecture for Neural Networks) di Huawei, anche dopo essere stato reso open source nell'agosto 2025, rimane molto meno maturo in termini di copertura degli operatori, ottimizzazione e strumenti comunitari . Gli sviluppatori riferiscono che molti kernel ottimizzati per CUDA non hanno un equivalente diretto in CANN, richiedendo una riscrittura manuale .

Questo ciclo auto-rinforzante è difficile da spezzare: più ampia è la comunità di sviluppatori di Nvidia e più ricca è la sua libreria di codice pre-ottimizzato, più difficile diventa per le alternative guadagnare terreno .

Il costo del passaggio: almeno il 50% in più di tempo e denaro

Un ricercatore di IA presso un istituto affiliato a Shanghai stima che passare dall'addestramento su Nvidia CUDA a Huawei Ascend aggiungerebbe almeno il 50% sia in termini di tempo che di costi . Fonti del settore confermano questa cifra come una soglia realistica .

Questo include:

• Sforzo di porting iniziale: Il codice di addestramento scritto per CUDA utilizza chiamate kernel specifiche per architettura, modelli di gestione della memoria e strategie di parallelizzazione che non si traducono direttamente nella diversa architettura NPU di Ascend .
• Debug e ottimizzazione continui: Una volta portato, il modello deve essere ri-ottimizzato per ottenere prestazioni paritarie sulla libreria di operatori più piccola di CANN .
• Perdita di produttività: Gli sviluppatori devono imparare una nuova toolchain e la comunità più piccola di CANN significa meno soluzioni condivise ai problemi comuni.

Il piano R2 abbandonato da DeepSeek: un caso di studio concreto

Forse l'esempio più lampante del divario software viene da DeepSeek, uno dei laboratori di IA più importanti della Cina. DeepSeek avrebbe abbandonato i piani per addestrare il suo modello R2 sugli NPU Ascend di Huawei, citando problemi irrisolti di prestazioni e toolchain . Questo è un caso concreto di un laboratorio di alto livello che ha concluso che l'alternativa nazionale non era pronta per i carichi di lavoro più impegnativi.

I divari prestazionali rimangono

Sebbene l'NPU Ascend 910C di Huawei sia migliorato significativamente, gli sviluppatori riferiscono che è ancora inferiore alle GPU della generazione Hopper di Nvidia in attività di addestramento distribuito su larga scala . L'Ascend 910C, costruito sul processo a 7nm migliorato di SMIC, offre circa un terzo della velocità effettiva BF16 del B200 di Nvidia . Il prossimo Ascend 950 di Huawei dovrebbe ridurre ulteriormente questo divario, con i dati di Morgan Stanley che mostrano che il divario prestazionale tra i chip cinesi e l'hardware conforme all'esportazione di Nvidia si è notevolmente ridotto .

Il paradosso dell'offerta: le scorte di chip Nvidia creano inerzia

Paradossalmente, le restrizioni all'esportazione statunitensi non hanno tagliato completamente la fornitura di Nvidia alla Cina. Gli Stati Uniti hanno approvato la vendita dell'H200 alla Cina, e Pechino ne ha successivamente bloccato l'accettazione – ma i laboratori cinesi possiedono già enormi scorte di chip Nvidia . ByteDance, Alibaba e Tencent hanno collettivamente speso circa 16 miliardi di dollari per accumulare tra 1,3 e 1,6 milioni di unità H20 in previsione di un bando .

Questa base installata crea una potente inerzia: finché l'hardware Nvidia esistente continua a funzionare, l'alto costo del passaggio ritarda il passaggio alle alternative domestiche .

La risposta da 295 miliardi di dollari: la spinta cinese ai chip nazionali

La Cina non sta a guardare. In risposta a queste barriere:

• I produttori cinesi di chip mirano a triplicare la produzione nazionale di chip IA nel 2026
• Pechino sta redigendo un piano da circa 295 miliardi di dollari (2 trilioni di yuan) per collegare ogni grande data center cinese in un'unica rete di calcolo IA entro il 2028, con almeno l'80% dei chip sottostanti che dovranno essere nazionali
• Huawei ha reso open source CANN nell'agosto 2025, rilasciando componenti chiave tra cui operatori, librerie di dominio e tecnologia graph-engine
• ByteDance ha firmato un contratto da 5,6 miliardi di dollari con Huawei per i chip IA Ascend nel dicembre 2025, con consegne a partire dal primo trimestre del 2026

I progressi sono reali: la quota di addestramento su chip nazionali è passata dall'8% all'inizio del 2025 al 42% nell'aprile 2026 . Ma gran parte di questa adozione sembra concentrata in carichi di lavoro meno critici e in attività di inferenza piuttosto che nell'addestramento di modelli all'avanguardia .

Le prospettive: una transizione pluriennale

L'apertura di CANN da parte di Huawei è un passo significativo verso la costruzione dell'ecosistema per sviluppatori di cui CUDA gode . Ma la maggior parte degli analisti concorda sul fatto che il divario dell'ecosistema software – non le specifiche hardware grezze – richiederà anni per essere colmato . Nel breve termine, i migliori laboratori di IA cinesi continueranno ad addestrare su chip Nvidia, sperimentando implementazioni ibride nazionali per carichi di lavoro meno critici, mentre il piano di Pechino da 295 miliardi di dollari mira ad accelerare la transizione .

Il fossato di CUDA: 15 anni di dipendenza per gli sviluppatori

CUDA (Compute Unified Device Architecture) di Nvidia gode di un vantaggio di oltre 15 anni, con librerie mature (cuDNN, TensorRT), strumenti di debug e una comunità globale di sviluppatori . Quasi tutti i principali framework di IA – PyTorch, TensorFlow, JAX – sono ottimizzati per CUDA fin dall'installazione .

Al contrario, il toolkit CANN (Compute Architecture for Neural Networks) di Huawei, anche dopo essere stato reso open source nell'agosto 2025, rimane molto meno maturo in termini di copertura degli operatori, ottimizzazione e strumenti comunitari . Gli sviluppatori riferiscono che molti kernel ottimizzati per CUDA non hanno un equivalente diretto in CANN, richiedendo una riscrittura manuale .

Questo ciclo auto-rinforzante è difficile da spezzare: più ampia è la comunità di sviluppatori di Nvidia e più ricca è la sua libreria di codice pre-ottimizzato, più difficile diventa per le alternative guadagnare terreno .

Il costo del passaggio: almeno il 50% in più di tempo e denaro

Un ricercatore di IA presso un istituto affiliato a Shanghai stima che passare dall'addestramento su Nvidia CUDA a Huawei Ascend aggiungerebbe almeno il 50% sia in termini di tempo che di costi . Fonti del settore confermano questa cifra come una soglia realistica .

Questo include:

• Sforzo di porting iniziale: Il codice di addestramento scritto per CUDA utilizza chiamate kernel specifiche per architettura, modelli di gestione della memoria e strategie di parallelizzazione che non si traducono direttamente nella diversa architettura NPU di Ascend .
• Debug e ottimizzazione continui: Una volta portato, il modello deve essere ri-ottimizzato per ottenere prestazioni paritarie sulla libreria di operatori più piccola di CANN .
• Perdita di produttività: Gli sviluppatori devono imparare una nuova toolchain e la comunità più piccola di CANN significa meno soluzioni condivise ai problemi comuni.

Il piano R2 abbandonato da DeepSeek: un caso di studio concreto

Forse l'esempio più lampante del divario software viene da DeepSeek, uno dei laboratori di IA più importanti della Cina. DeepSeek avrebbe abbandonato i piani per addestrare il suo modello R2 sugli NPU Ascend di Huawei, citando problemi irrisolti di prestazioni e toolchain . Questo è un caso concreto di un laboratorio di alto livello che ha concluso che l'alternativa nazionale non era pronta per i carichi di lavoro più impegnativi.

I divari prestazionali rimangono

Sebbene l'NPU Ascend 910C di Huawei sia migliorato significativamente, gli sviluppatori riferiscono che è ancora inferiore alle GPU della generazione Hopper di Nvidia in attività di addestramento distribuito su larga scala . L'Ascend 910C, costruito sul processo a 7nm migliorato di SMIC, offre circa un terzo della velocità effettiva BF16 del B200 di Nvidia . Il prossimo Ascend 950 di Huawei dovrebbe ridurre ulteriormente questo divario, con i dati di Morgan Stanley che mostrano che il divario prestazionale tra i chip cinesi e l'hardware conforme all'esportazione di Nvidia si è notevolmente ridotto .

Il paradosso dell'offerta: le scorte di chip Nvidia creano inerzia

Paradossalmente, le restrizioni all'esportazione statunitensi non hanno tagliato completamente la fornitura di Nvidia alla Cina. Gli Stati Uniti hanno approvato la vendita dell'H200 alla Cina, e Pechino ne ha successivamente bloccato l'accettazione – ma i laboratori cinesi possiedono già enormi scorte di chip Nvidia . ByteDance, Alibaba e Tencent hanno collettivamente speso circa 16 miliardi di dollari per accumulare tra 1,3 e 1,6 milioni di unità H20 in previsione di un bando .

Questa base installata crea una potente inerzia: finché l'hardware Nvidia esistente continua a funzionare, l'alto costo del passaggio ritarda il passaggio alle alternative domestiche .

La risposta da 295 miliardi di dollari: la spinta cinese ai chip nazionali

La Cina non sta a guardare. In risposta a queste barriere:

• I produttori cinesi di chip mirano a triplicare la produzione nazionale di chip IA nel 2026
• Pechino sta redigendo un piano da circa 295 miliardi di dollari (2 trilioni di yuan) per collegare ogni grande data center cinese in un'unica rete di calcolo IA entro il 2028, con almeno l'80% dei chip sottostanti che dovranno essere nazionali
• Huawei ha reso open source CANN nell'agosto 2025, rilasciando componenti chiave tra cui operatori, librerie di dominio e tecnologia graph-engine
• ByteDance ha firmato un contratto da 5,6 miliardi di dollari con Huawei per i chip IA Ascend nel dicembre 2025, con consegne a partire dal primo trimestre del 2026

I progressi sono reali: la quota di addestramento su chip nazionali è passata dall'8% all'inizio del 2025 al 42% nell'aprile 2026 . Ma gran parte di questa adozione sembra concentrata in carichi di lavoro meno critici e in attività di inferenza piuttosto che nell'addestramento di modelli all'avanguardia .

Le prospettive: una transizione pluriennale

L'apertura di CANN da parte di Huawei è un passo significativo verso la costruzione dell'ecosistema per sviluppatori di cui CUDA gode . Ma la maggior parte degli analisti concorda sul fatto che il divario dell'ecosistema software – non le specifiche hardware grezze – richiederà anni per essere colmato . Nel breve termine, i migliori laboratori di IA cinesi continueranno ad addestrare su chip Nvidia, sperimentando implementazioni ibride nazionali per carichi di lavoro meno critici, mentre il piano di Pechino da 295 miliardi di dollari mira ad accelerare la transizione .