Dlaczego chińskie laboratoria AI nadal szkolą modele na chipach Nvidii, a nie Huawei

Chińscy deweloperzy sztucznej inteligencji — w tym zespoły stojące za takimi modelami jak DeepSeek, Kimi K3 czy Alibaba Qwen — w dalszym ciągu opierają się głównie na chipach Nvidii podczas trenowania swoich najbardziej zaawansowanych modeli językowych. Dzieje się tak mimo ogromnych nacisków politycznych ze strony Pekinu oraz restrykcji eksportowych ze Stanów Zjednoczonych . Główną barierą nie jest wydajność sprzętu, ale zależność od ekosystemu oprogramowania: platforma CUDA firmy Nvidia stała się de facto standardem w branży AI, a migracja na chipy Ascend Huawei z zestawem narzędzi CANN wiąże się z zaporowo wysokimi kosztami inżynieryjnymi .

Fosa CUDA: 15 lat uzależnienia deweloperów

Nvidia CUDA (Compute Unified Device Architecture) ma 15+ lat przewagi — dojrzałe biblioteki (cuDNN, TensorRT), narzędzia do debugowania i globalną społeczność programistów . Niemal wszystkie główne frameworki AI — PyTorch, TensorFlow, JAX — są domyślnie zoptymalizowane pod CUDA .

Z kolei CANN (Compute Architecture for Neural Networks) od Huawei, nawet po publikacji kodu źródłowego w sierpniu 2025, pozostaje znacznie mniej dojrzały pod względem pokrycia operatorów, optymalizacji i narzędzi społecznościowych . Programiści zgłaszają, że wiele jąder zoptymalizowanych pod CUDA nie ma bezpośredniego odpowiednika w CANN, co wymaga ręcznego przepisywania kodu .

To samonapędzający się mechanizm: im większa społeczność Nvidii i bogatsza biblioteka gotowego kodu, tym trudniej alternatywom zdobyć przyczółek .

Koszt zmiany: co najmniej 50% więcej czasu i pieniędzy

Naukowiec z instytutu afiliowanego w Szanghaju szacuje, że przejście z CUDA na Ascend dodałoby co najmniej 50% więcej czasu i kosztów . Źródła branżowe potwierdzają tę liczbę jako realistyczne minimum .

Na to składają się:

• Początkowe przenoszenie kodu: Kod treningowy napisany pod CUDA wykorzystuje wywołania jąder specyficzne dla architektury, zarządzanie pamięcią i strategie zrównoleglania, które nie przenoszą się bezpośrednio na inną architekturę NPU Ascend .
• Bieżące debugowanie i strojenie: Po przeniesieniu modele trzeba na nowo optymalizować pod kątem wydajności na mniejszej bibliotece operatorów CANN .
• Utrata produktywności: Programiści muszą opanować nowy zestaw narzędzi, a mniejsza społeczność CANN oznacza mniej gotowych rozwiązań typowych problemów.

Plan DeepSeek R2: konkretna lekcja

Najdobitniejszym przykładem luki programowej jest DeepSeek — jedno z najważniejszych chińskich laboratoriów AI. DeepSeek podobno zrezygnował z planów trenowania swojego modelu R2 na NPU Ascend Huawei, powołując się na nierozwiązane problemy z wydajnością i narzędziami . To konkretny przypadek, w którym wiodące laboratorium uznało, że krajowa alternatywa nie jest gotowa na najbardziej wymagające zadania.

Różnice w wydajności wciąż istnieją

Choć NPU Ascend 910C od Huawei znacznie się poprawił, programiści zgłaszają, że wciąż odstaje od GPU Nvidii z generacji Hopper przy rozproszonym treningu na dużą skalę . Ascend 910C, zbudowany w ulepszonym procesie 7nm SMIC, zapewnia około jednej trzeciej przepustowości BF16 układu B200 od Nvidii . Nadchodzący Ascend 950 ma jeszcze bardziej zmniejszyć tę różnicę; dane Morgan Stanley pokazują, że luka wydajnościowa między chińskimi chipami a zgodnym z eksportem sprzętem Nvidii znacznie się zawęziła .

Paradoks podaży: zmagazynowane chipy Nvidii tworzą bezwładność

Paradoksalnie, restrykcje eksportowe USA nie odcięły całkowicie dostaw Nvidii do Chin. USA zatwierdziły sprzedaż H200 do Chin, a Pekin z kolei zablokował jego przyjęcie — ale chińskie laboratoria już zgromadziły ogromne zapasy chipów Nvidii . ByteDance, Alibaba i Tencent łącznie wydały szacunkowo 16 miliardów dolarów, aby zmagazynować około 1,3 do 1,6 miliona jednostek H20 w oczekiwaniu na zakaz .

Ta zainstalowana baza tworzy potężną bezwładność: dopóki istniejący sprzęt Nvidii działa, wysoki koszt zmiany opóźnia przejście na alternatywy krajowe .

Odpowiedź za 2 biliony juanów: krajowa ofensywa chipowa

Chiny nie stoją w miejscu. W odpowiedzi na te bariery:

• Chińscy producenci chipów dążą do potrojenia krajowej produkcji chipów AI w 2026 roku
• Pekin podobno opracowuje plan o wartości ~2 bilionów juanów (ok. 295 mld USD) , który do 2028 roku połączy wszystkie główne chińskie centra danych w jedną sieć obliczeniową AI, przy czym co najmniej 80% używanych chipów ma pochodzić z krajowych źródeł
• Huawei w sierpniu 2025 opublikował kod źródłowy CANN, udostępniając kluczowe komponenty, w tym operatory, biblioteki domenowe i technologię silnika grafowego
• ByteDance podpisał kontrakt na 5,6 miliarda dolarów z Huawei na chipy Ascend AI w grudniu 2025, a dostawy rozpoczęły się w I kwartale 2026

Postęp jest realny: udział krajowych chipów w treningu wzrósł z 8% na początku 2025 roku do 42% w kwietniu 2026 . Jednak znaczna część tego wdrożenia wydaje się dotyczyć mniej krytycznych zadań i wnioskowania, a nie trenowania modeli na granicy możliwości .

Perspektywy: przejście rozłożone na lata

Opublikowanie kodu źródłowego CANN przez Huawei to znaczący krok w kierunku budowania ekosystemu programistycznego, jakim cieszy się CUDA . Jednak większość analityków zgadza się, że luka w ekosystemie oprogramowania — a nie parametry sprzętu — będzie zamykać się latami . W krótkiej perspektywie najlepsze chińskie laboratoria będą nadal trenować na chipach Nvidii, eksperymentując z hybrydowymi wdrożeniami krajowymi w mniej krytycznych zadaniach, podczas gdy plan Pekinu wart 2 biliony juanów ma przyspieszyć tę transformację .