Waarom China's AI-labs niet zonder Nvidia kunnen: de CUDA-lock-in die 295 miljard dollar niet kan doorbreken

China's toonaangevende AI-ontwikkelaars – waaronder de teams achter DeepSeek, Kimi K3 en Alibaba's Qwen-modellen – blijven voor het trainen van hun meest geavanceerde grote taalmodellen sterk afhankelijk van Nvidia-chips, ondanks intense overheidsdruk en Amerikaanse exportbeperkingen . De kernbarrière is niet de hardwareprestatie, maar software-ecosysteem-lock-in: Nvidia's CUDA-platform is de facto standaard geworden voor AI-ontwikkeling, en migreren naar Huawei's Ascend-chips met de CANN-toolkit brengt onbetaalbaar hoge technische kosten met zich mee .

De CUDA-muur: 15 jaar ontwikkelaarsafhankelijkheid

Nvidia's CUDA (Compute Unified Device Architecture) heeft een 15+ jaar voorsprong met volwassen bibliotheken (cuDNN, TensorRT), debugtools en een wereldwijde ontwikkelaarscommunity . Vrijwel alle grote AI-frameworks – PyTorch, TensorFlow, JAX – zijn out-of-the-box geoptimaliseerd voor CUDA .

Daarentegen is Huawei's CANN (Compute Architecture for Neural Networks)-toolkit, zelfs nadat deze in augustus 2025 open-source is gemaakt, nog veel minder volwassen wat betreft operator-dekking, optimalisatie en community-tooling . Ontwikkelaars melden dat veel CUDA-geoptimaliseerde kernels geen direct CANN-equivalent hebben, wat handmatig herschrijven vereist .

Deze zichzelf versterkende cyclus is moeilijk te doorbreken: hoe groter Nvidia's ontwikkelaarscommunity en hoe rijker de bibliotheek met voorgeoptimaliseerde code, hoe moeilijker het wordt voor alternatieven om grip te krijgen .

De kosten van overstappen: minstens 50% meer tijd en geld

Een AI-onderzoeker van een Shanghai-gelieerd instituut schat dat het overschakelen van training van Nvidia CUDA naar Huawei Ascend minstens 50% meer tijd en kosten met zich meebrengt . Branchebronnen bevestigen dit cijfer als een realistische ondergrens .

Dit omvat:

• Initiële porting-inspanning: Trainingscode geschreven voor CUDA gebruikt architectuurspecifieke kernel-aanroepen, geheugenbeheerpatronen en parallellisatiestrategieën die niet direct vertaalbaar zijn naar Ascend's andere NPU-architectuur .
• Doorlopend debuggen en afstemmen: Eenmaal geporteerd, moeten modellen opnieuw worden geoptimaliseerd voor prestaties op CANN's kleinere operatorbibliotheek .
• Verloren productiviteit: Ontwikkelaars moeten een nieuwe toolchain leren, en de kleinere CANN-community betekent minder gedeelde oplossingen voor veelvoorkomende problemen.

DeepSeeks gestaakt R2-plan: een concrete casestudy

Het meest veelzeggende voorbeeld van de softwarekloof komt van DeepSeek, een van China's meest prominente AI-labs. DeepSeek heeft naar verluidt plannen laten varen om zijn R2-model te trainen op Huawei's Ascend NPU's, vanwege aanhoudende prestatie- en toolchain-problemen . Dit is een concreet geval van een top-lab dat concludeerde dat het binnenlandse alternatief niet klaar was voor hun meest veeleisende workloads.

Prestatieverschillen blijven bestaan

Hoewel Huawei's Ascend 910C NPU aanzienlijk is verbeterd, melden ontwikkelaars dat deze nog steeds achterblijft bij Nvidia's Hopper-generatie GPU's bij grootschalige gedistribueerde trainingstaken . De Ascend 910C, gebouwd op SMIC's verbeterde 7nm-proces, levert ongeveer een derde van de BF16-doorvoer van Nvidia's B200 . Huawei's aankomende Ascend 950 zal deze kloof naar verwachting verder verkleinen, waarbij Morgan Stanley-gegevens laten zien dat de prestatiekloof tussen Chinese chips en Nvidia's exportconforme hardware aanzienlijk is verkleind .

De supply-paradox: opgeslagen Nvidia-chips zorgen voor inertie

Paradoxaal genoeg hebben de Amerikaanse exportbeperkingen de aanvoer van Nvidia naar China niet volledig afgesneden. De VS keurde de H200 goed voor verkoop aan China, en Peking blokkeerde vervolgens de acceptatie ervan – maar Chinese labs bezitten al enorme voorraden Nvidia-chips . ByteDance, Alibaba en Tencent hebben gezamenlijk naar schatting $16 miljard uitgegeven om ongeveer 1,3 tot 1,6 miljoen H20-eenheden in te slaan in afwachting van een verbod .

Deze geïnstalleerde basis zorgt voor een sterke inertie: zolang de bestaande Nvidia-hardware blijft werken, vertraagt de hoge overstapkosten de overgang naar binnenlandse alternatieven .

De reactie van 295 miljard dollar: China's binnenlandse chip-push

China staat niet stil. Als reactie op deze barrières:

• Chinese chipfabrikanten streven ernaar de binnenlandse AI-chipoutput in 2026 te verdrievoudigen
• Peking bereidt naar verluidt een ~$295 miljard (2 biljoen yuan) plan voor om elk groot Chinees datacenter tegen 2028 te verbinden in één AI-computing-grid, waarbij ten minste 80% van de onderliggende chips binnenlands moet zijn
• Huawei heeft CANN in augustus 2025 open-source gemaakt, waarbij kerncomponenten zijn vrijgegeven, waaronder operators, domeinbibliotheken en graph-engine-technologie
• ByteDance tekende in december 2025 een $5,6 miljard contract met Huawei voor Ascend AI-chips, met leveringen vanaf Q1 2026

Vooruitgang is reëel: het aandeel van binnenlandse chiptraining groeide naar verluidt van 8% begin 2025 naar 42% in april 2026 . Maar veel van deze adoptie lijkt geconcentreerd in minder kritieke workloads en inferentietaken, niet in frontier-modeltraining .

Het vooruitzicht: een meerjarige transitie

Huawei's open-sourcing van CANN is een betekenisvolle stap in de richting van het opbouwen van het ontwikkelaar-ecosysteem waar CUDA van geniet . Maar de meeste analisten zijn het erover eens dat de software-ecosysteemkloof – niet de ruwe hardwarespecificaties – jaren zal kosten om te dichten . Op korte termijn zullen China's top-AI-labs blijven trainen op Nvidia-chips, terwijl ze experimenteren met hybride binnenlandse implementaties voor minder kritieke workloads, en terwijl Peking's $295 miljard grid-plan de transitie probeert te versnellen .