Parit CUDA: 15 Tahun Kebergantungan Pembangun

CUDA (Compute Unified Device Architecture) Nvidia menikmati kelebihan permulaan 15+ tahun dengan perpustakaan matang (cuDNN, TensorRT), alat nyahpepijat, dan komuniti pembangun global . Hampir semua rangka kerja AI utama — PyTorch, TensorFlow, JAX — dioptimumkan untuk CUDA secara lalai .

Sebaliknya, kit alat CANN (Compute Architecture for Neural Networks) Huawei, walaupun telah menjadi sumber terbuka pada Ogos 2025, masih jauh kurang matang dari segi liputan operator, pengoptimuman, dan alat komuniti . Pemaju melaporkan bahawa banyak kernel yang dioptimumkan untuk CUDA tidak mempunyai persamaan langsung dalam CANN, memerlukan penulisan semula manual .

Kitaran mengukuhkan diri ini sukar dipecahkan: semakin besar komuniti pembangun Nvidia dan semakin kaya perpustakaannya dengan kod pra-optimum, semakin sukar untuk alternatif mendapat tarikan .

Kos Peralihan: Sekurang-kurangnya 50% Lebih Masa dan Wang

Seorang penyelidik AI di institut yang bergabung dengan Shanghai menganggarkan bahawa peralihan latihan daripada CUDA Nvidia kepada Ascend Huawei akan menambah sekurang-kurangnya 50% dalam kedua-dua masa dan kos . Sumber industri mengesahkan angka ini sebagai lantai realistik .

Ini termasuk:

• Usaha pemindahan awal: Kod latihan yang ditulis untuk CUDA menggunakan panggilan kernel khusus seni bina, corak pengurusan memori, dan strategi selari yang tidak boleh diterjemahkan secara langsung ke seni bina NPU Ascend yang berbeza .
• Nyahpepijat dan penalaan berterusan: Setelah dipindahkan, model mesti dioptimumkan semula untuk prestasi setara pada perpustakaan operator CANN yang lebih kecil .
• Produktiviti hilang: Pemaju mesti mempelajari rantaian alat baharu, dan komuniti CANN yang lebih kecil bermakna lebih sedikit penyelesaian dikongsi untuk masalah biasa.

Pelan R2 DeepSeek yang Ditinggalkan: Kajian Kes Konkrit

Contoh paling jelas jurang perisian datang dari DeepSeek, salah satu makmal AI paling terkemuka di China. DeepSeek dilaporkan menggugurkan rancangan untuk melatih model R2 pada NPU Ascend Huawei, memetik isu prestasi dan rantaian alat yang tidak dapat diselesaikan . Ini adalah kes konkrit sebuah makmal bertaraf tinggi membuat kesimpulan bahawa alternatif domestik belum bersedia untuk beban kerja paling mencabar mereka.

Jurang Prestasi Masih Wujud

Walaupun NPU Ascend 910C Huawei telah bertambah baik dengan ketara, pemaju melaporkan ia masih kurang prestasi berbanding GPU generasi Hopper Nvidia pada tugas latihan teragih berskala besar . Ascend 910C, dibina pada proses 7nm SMIC yang dipertingkatkan, menyampaikan kira-kira satu pertiga daripada daya pemprosesan BF16 B200 Nvidia . Huawei Ascend 950 yang akan datang dijangka mengecilkan jurang ini lagi, dengan data Morgan Stanley menunjukkan jurang prestasi antara cip China dan perkakasan patuh eksport Nvidia telah mengecil dengan ketara .

Paradoks Bekalan: Stok Cip Nvidia Mewujudkan Inersia

Secara paradoks, sekatan eksport AS tidak memutuskan sepenuhnya bekalan Nvidia ke China. AS meluluskan H200 untuk dijual ke China, dan Beijing kemudian menyekat penerimaannya — tetapi makmal China sudah memiliki stok besar cip Nvidia . ByteDance, Alibaba, dan Tencent secara kolektif membelanjakan anggaran $16 bilion untuk menyimpan stok kira-kira 1.3 hingga 1.6 juta unit H20 sebagai persediaan menghadapi larangan .

Pangkalan terpasang ini mewujudkan inersia yang kuat: selagi perkakasan Nvidia sedia ada terus berfungsi, kos peralihan yang tinggi menangguhkan perpindahan ke alternatif domestik .

Respons RM1.3 Trilion: Dorongan Cip Domestik China

China tidak berdiam diri. Sebagai respons kepada halangan ini:

• Pengeluar cip China menyasarkan untuk tiga kali ganda pengeluaran cip AI domestik pada 2026
• Beijing dilaporkan merangka pelan ~$295 bilion (2 trilion yuan) untuk menghubungkan setiap pusat data utama China ke dalam satu grid pengkomputeran AI menjelang 2028, dengan sekurang-kurangnya 80% daripada cip asas dikehendaki domestik
• Huawei menjadikan CANN sumber terbuka pada Ogos 2025, mengeluarkan komponen teras termasuk operator, perpustakaan domain, dan teknologi enjin graf
• ByteDance menandatangani kontrak $5.6 bilion dengan Huawei untuk cip AI Ascend pada Disember 2025, dengan penghantaran bermula pada Q1 2026

Kemajuan adalah nyata: bahagian latihan cip domestik dilaporkan meningkat daripada 8% pada awal 2025 kepada 42% menjelang April 2026 . Tetapi banyak penggunaan ini nampaknya tertumpu pada beban kerja yang kurang kritikal dan tugas inferens dan bukannya latihan model sempadan .

Tinjauan: Peralihan Bertahun-tahun

Pembukaan sumber CANN oleh Huawei adalah langkah bermakna ke arah membina ekosistem pembangun yang dinikmati CUDA . Tetapi kebanyakan penganalisis bersetuju jurang ekosistem perisian — bukan spesifikasi perkakasan mentah — akan mengambil masa bertahun-tahun untuk ditutup . Dalam jangka pendek, makmal AI terkemuka China akan terus melatih pada cip Nvidia sambil bereksperimen dengan penggunaan domestik hibrid untuk beban kerja yang kurang kritikal, dan sementara pelan grid $295 bilion Beijing bertujuan mempercepatkan peralihan .

Parit CUDA: 15 Tahun Kebergantungan Pembangun

CUDA (Compute Unified Device Architecture) Nvidia menikmati kelebihan permulaan 15+ tahun dengan perpustakaan matang (cuDNN, TensorRT), alat nyahpepijat, dan komuniti pembangun global . Hampir semua rangka kerja AI utama — PyTorch, TensorFlow, JAX — dioptimumkan untuk CUDA secara lalai .

Sebaliknya, kit alat CANN (Compute Architecture for Neural Networks) Huawei, walaupun telah menjadi sumber terbuka pada Ogos 2025, masih jauh kurang matang dari segi liputan operator, pengoptimuman, dan alat komuniti . Pemaju melaporkan bahawa banyak kernel yang dioptimumkan untuk CUDA tidak mempunyai persamaan langsung dalam CANN, memerlukan penulisan semula manual .

Kitaran mengukuhkan diri ini sukar dipecahkan: semakin besar komuniti pembangun Nvidia dan semakin kaya perpustakaannya dengan kod pra-optimum, semakin sukar untuk alternatif mendapat tarikan .

Kos Peralihan: Sekurang-kurangnya 50% Lebih Masa dan Wang

Seorang penyelidik AI di institut yang bergabung dengan Shanghai menganggarkan bahawa peralihan latihan daripada CUDA Nvidia kepada Ascend Huawei akan menambah sekurang-kurangnya 50% dalam kedua-dua masa dan kos . Sumber industri mengesahkan angka ini sebagai lantai realistik .

Ini termasuk:

• Usaha pemindahan awal: Kod latihan yang ditulis untuk CUDA menggunakan panggilan kernel khusus seni bina, corak pengurusan memori, dan strategi selari yang tidak boleh diterjemahkan secara langsung ke seni bina NPU Ascend yang berbeza .
• Nyahpepijat dan penalaan berterusan: Setelah dipindahkan, model mesti dioptimumkan semula untuk prestasi setara pada perpustakaan operator CANN yang lebih kecil .
• Produktiviti hilang: Pemaju mesti mempelajari rantaian alat baharu, dan komuniti CANN yang lebih kecil bermakna lebih sedikit penyelesaian dikongsi untuk masalah biasa.

Pelan R2 DeepSeek yang Ditinggalkan: Kajian Kes Konkrit

Contoh paling jelas jurang perisian datang dari DeepSeek, salah satu makmal AI paling terkemuka di China. DeepSeek dilaporkan menggugurkan rancangan untuk melatih model R2 pada NPU Ascend Huawei, memetik isu prestasi dan rantaian alat yang tidak dapat diselesaikan . Ini adalah kes konkrit sebuah makmal bertaraf tinggi membuat kesimpulan bahawa alternatif domestik belum bersedia untuk beban kerja paling mencabar mereka.

Jurang Prestasi Masih Wujud

Walaupun NPU Ascend 910C Huawei telah bertambah baik dengan ketara, pemaju melaporkan ia masih kurang prestasi berbanding GPU generasi Hopper Nvidia pada tugas latihan teragih berskala besar . Ascend 910C, dibina pada proses 7nm SMIC yang dipertingkatkan, menyampaikan kira-kira satu pertiga daripada daya pemprosesan BF16 B200 Nvidia . Huawei Ascend 950 yang akan datang dijangka mengecilkan jurang ini lagi, dengan data Morgan Stanley menunjukkan jurang prestasi antara cip China dan perkakasan patuh eksport Nvidia telah mengecil dengan ketara .

Paradoks Bekalan: Stok Cip Nvidia Mewujudkan Inersia

Secara paradoks, sekatan eksport AS tidak memutuskan sepenuhnya bekalan Nvidia ke China. AS meluluskan H200 untuk dijual ke China, dan Beijing kemudian menyekat penerimaannya — tetapi makmal China sudah memiliki stok besar cip Nvidia . ByteDance, Alibaba, dan Tencent secara kolektif membelanjakan anggaran $16 bilion untuk menyimpan stok kira-kira 1.3 hingga 1.6 juta unit H20 sebagai persediaan menghadapi larangan .

Pangkalan terpasang ini mewujudkan inersia yang kuat: selagi perkakasan Nvidia sedia ada terus berfungsi, kos peralihan yang tinggi menangguhkan perpindahan ke alternatif domestik .

Respons RM1.3 Trilion: Dorongan Cip Domestik China

China tidak berdiam diri. Sebagai respons kepada halangan ini:

• Pengeluar cip China menyasarkan untuk tiga kali ganda pengeluaran cip AI domestik pada 2026
• Beijing dilaporkan merangka pelan ~$295 bilion (2 trilion yuan) untuk menghubungkan setiap pusat data utama China ke dalam satu grid pengkomputeran AI menjelang 2028, dengan sekurang-kurangnya 80% daripada cip asas dikehendaki domestik
• Huawei menjadikan CANN sumber terbuka pada Ogos 2025, mengeluarkan komponen teras termasuk operator, perpustakaan domain, dan teknologi enjin graf
• ByteDance menandatangani kontrak $5.6 bilion dengan Huawei untuk cip AI Ascend pada Disember 2025, dengan penghantaran bermula pada Q1 2026

Kemajuan adalah nyata: bahagian latihan cip domestik dilaporkan meningkat daripada 8% pada awal 2025 kepada 42% menjelang April 2026 . Tetapi banyak penggunaan ini nampaknya tertumpu pada beban kerja yang kurang kritikal dan tugas inferens dan bukannya latihan model sempadan .

Tinjauan: Peralihan Bertahun-tahun

Pembukaan sumber CANN oleh Huawei adalah langkah bermakna ke arah membina ekosistem pembangun yang dinikmati CUDA . Tetapi kebanyakan penganalisis bersetuju jurang ekosistem perisian — bukan spesifikasi perkakasan mentah — akan mengambil masa bertahun-tahun untuk ditutup . Dalam jangka pendek, makmal AI terkemuka China akan terus melatih pada cip Nvidia sambil bereksperimen dengan penggunaan domestik hibrid untuk beban kerja yang kurang kritikal, dan sementara pelan grid $295 bilion Beijing bertujuan mempercepatkan peralihan .