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 .

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 .