Ров CUDA: 15 лет зависимости разработчиков

CUDA (Compute Unified Device Architecture) от Nvidia имеет более чем 15-летнее преимущество: зрелые библиотеки (cuDNN, TensorRT), инструменты отладки и глобальное сообщество разработчиков . Почти все основные AI-фреймворки — PyTorch, TensorFlow, JAX — оптимизированы для CUDA «из коробки» .

Для сравнения, инструментарий CANN (Compute Architecture for Neural Networks) от Huawei, даже после открытия исходного кода в августе 2025 года, остается гораздо менее зрелым с точки зрения покрытия операторов, оптимизации и инструментов сообщества . Разработчики сообщают, что многие оптимизированные для CUDA ядра не имеют прямых аналогов в CANN, что требует ручного переписывания .

Этот самоподдерживающийся цикл трудно разорвать: чем больше сообщество разработчиков Nvidia и богаче ее библиотека предварительно оптимизированного кода, тем сложнее альтернативам набрать обороты .

Цена перехода: минимум на 50% больше времени и денег

Один из AI-исследователей в институте, связанном с Шанхаем, оценивает, что переход обучения с Nvidia CUDA на Huawei Ascend добавит как минимум 50% и ко времени, и к затратам . Отраслевые источники подтверждают эту цифру как реалистичный минимум .

Это включает:

• Первоначальный перенос кода: Код обучения, написанный для CUDA, использует специфичные для архитектуры вызовы ядер, шаблоны управления памятью и стратегии распараллеливания, которые не переносятся напрямую на другую NPU-архитектуру Ascend .
• Постоянную отладку и настройку: После переноса модели необходимо заново оптимизировать для достижения паритета производительности на меньшей библиотеке операторов CANN .
• Потерю продуктивности: Разработчикам приходится осваивать новый инструментарий, а меньшее сообщество CANN означает меньше готовых решений для типовых проблем.

Отказ DeepSeek от плана R2: конкретный пример

Пожалуй, самый показательный пример программного разрыва — это DeepSeek, одна из самых заметных китайских AI-лабораторий. DeepSeek, по сообщениям, отказалась от планов обучать свою модель R2 на NPU Huawei Ascend, сославшись на нерешенные проблемы с производительностью и инструментарием . Это конкретный случай, когда лаборатория топ-уровня пришла к выводу, что отечественная альтернатива не готова к их самым требовательным задачам.

Разрыв в производительности сохраняется

Хотя NPU Huawei Ascend 910C значительно улучшился, разработчики сообщают, что он все еще уступает GPU Nvidia поколения Hopper в задачах крупномасштабного распределенного обучения . Ascend 910C, построенный на улучшенном 7-нм процессе SMIC, обеспечивает примерно одну треть пропускной способности BF16 от Nvidia B200 . Ожидается, что будущий Ascend 950 от Huawei еще больше сократит этот разрыв; данные Morgan Stanley показывают, что разрыв в производительности между китайскими чипами и совместимым с экспортом оборудованием Nvidia значительно сократился .

Парадокс поставок: складские запасы Nvidia создают инерцию

Как это ни парадоксально, экспортные ограничения США не полностью перекрыли поставки Nvidia в Китай. США одобрили продажу H200 в Китай, а Пекин впоследствии заблокировал их прием — но китайские лаборатории уже владеют огромными складскими запасами чипов Nvidia . ByteDance, Alibaba и Tencent в совокупности потратили, по оценкам, $16 миллиардов на складирование примерно 1,3–1,6 миллиона единиц H20 в ожидании запрета .

Эта установленная база создает мощную инерцию: пока существующее оборудование Nvidia продолжает работать, высокие затраты на переключение откладывают переход на отечественные альтернативы .

Ответ на $295 миллиардов: китайский рывок в производстве чипов

Китай не стоит на месте. В ответ на эти барьеры:

• Китайские производители чипов планируют утроить выпуск отечественных AI-чипов в 2026 году
• Пекин, по сообщениям, разрабатывает план стоимостью ~$295 миллиардов (2 триллиона юаней) по объединению всех крупных китайских дата-центров в единую AI-вычислительную сеть к 2028 году, где как минимум 80% используемых чипов должны быть отечественными
• Huawei открыла исходный код CANN в августе 2025 года, выпустив ключевые компоненты, включая операторы, библиотеки предметных областей и технологию графовых движков
• ByteDance подписала контракт на $5,6 миллиарда с Huawei на чипы Ascend AI в декабре 2025 года, поставки начнутся в первом квартале 2026 года

Прогресс реален: доля обучения на отечественных чипах выросла с 8% в начале 2025 года до 42% к апрелю 2026 года . Однако, по-видимому, большая часть этого внедрения приходится на менее критичные задачи и задачи логического вывода, а не на обучение передовых моделей .

Перспективы: переход на годы

Открытие исходного кода CANN компанией Huawei — значимый шаг к созданию экосистемы разработчиков, которой обладает CUDA . Но большинство аналитиков сходятся во мнении, что разрыв в программных экосистемах, а не в характеристиках «железа», потребует лет для преодоления . В краткосрочной перспективе ведущие китайские AI-лаборатории продолжат обучение на чипах Nvidia, одновременно экспериментируя с гибридными отечественными развертываниями для менее критичных задач, а план Пекина на $295 млрд направлен на ускорение этого перехода .

Ров CUDA: 15 лет зависимости разработчиков

CUDA (Compute Unified Device Architecture) от Nvidia имеет более чем 15-летнее преимущество: зрелые библиотеки (cuDNN, TensorRT), инструменты отладки и глобальное сообщество разработчиков . Почти все основные AI-фреймворки — PyTorch, TensorFlow, JAX — оптимизированы для CUDA «из коробки» .

Для сравнения, инструментарий CANN (Compute Architecture for Neural Networks) от Huawei, даже после открытия исходного кода в августе 2025 года, остается гораздо менее зрелым с точки зрения покрытия операторов, оптимизации и инструментов сообщества . Разработчики сообщают, что многие оптимизированные для CUDA ядра не имеют прямых аналогов в CANN, что требует ручного переписывания .

Этот самоподдерживающийся цикл трудно разорвать: чем больше сообщество разработчиков Nvidia и богаче ее библиотека предварительно оптимизированного кода, тем сложнее альтернативам набрать обороты .

Цена перехода: минимум на 50% больше времени и денег

Один из AI-исследователей в институте, связанном с Шанхаем, оценивает, что переход обучения с Nvidia CUDA на Huawei Ascend добавит как минимум 50% и ко времени, и к затратам . Отраслевые источники подтверждают эту цифру как реалистичный минимум .

Это включает:

• Первоначальный перенос кода: Код обучения, написанный для CUDA, использует специфичные для архитектуры вызовы ядер, шаблоны управления памятью и стратегии распараллеливания, которые не переносятся напрямую на другую NPU-архитектуру Ascend .
• Постоянную отладку и настройку: После переноса модели необходимо заново оптимизировать для достижения паритета производительности на меньшей библиотеке операторов CANN .
• Потерю продуктивности: Разработчикам приходится осваивать новый инструментарий, а меньшее сообщество CANN означает меньше готовых решений для типовых проблем.

Отказ DeepSeek от плана R2: конкретный пример

Пожалуй, самый показательный пример программного разрыва — это DeepSeek, одна из самых заметных китайских AI-лабораторий. DeepSeek, по сообщениям, отказалась от планов обучать свою модель R2 на NPU Huawei Ascend, сославшись на нерешенные проблемы с производительностью и инструментарием . Это конкретный случай, когда лаборатория топ-уровня пришла к выводу, что отечественная альтернатива не готова к их самым требовательным задачам.

Разрыв в производительности сохраняется

Хотя NPU Huawei Ascend 910C значительно улучшился, разработчики сообщают, что он все еще уступает GPU Nvidia поколения Hopper в задачах крупномасштабного распределенного обучения . Ascend 910C, построенный на улучшенном 7-нм процессе SMIC, обеспечивает примерно одну треть пропускной способности BF16 от Nvidia B200 . Ожидается, что будущий Ascend 950 от Huawei еще больше сократит этот разрыв; данные Morgan Stanley показывают, что разрыв в производительности между китайскими чипами и совместимым с экспортом оборудованием Nvidia значительно сократился .

Парадокс поставок: складские запасы Nvidia создают инерцию

Как это ни парадоксально, экспортные ограничения США не полностью перекрыли поставки Nvidia в Китай. США одобрили продажу H200 в Китай, а Пекин впоследствии заблокировал их прием — но китайские лаборатории уже владеют огромными складскими запасами чипов Nvidia . ByteDance, Alibaba и Tencent в совокупности потратили, по оценкам, $16 миллиардов на складирование примерно 1,3–1,6 миллиона единиц H20 в ожидании запрета .

Эта установленная база создает мощную инерцию: пока существующее оборудование Nvidia продолжает работать, высокие затраты на переключение откладывают переход на отечественные альтернативы .

Ответ на $295 миллиардов: китайский рывок в производстве чипов

Китай не стоит на месте. В ответ на эти барьеры:

• Китайские производители чипов планируют утроить выпуск отечественных AI-чипов в 2026 году
• Пекин, по сообщениям, разрабатывает план стоимостью ~$295 миллиардов (2 триллиона юаней) по объединению всех крупных китайских дата-центров в единую AI-вычислительную сеть к 2028 году, где как минимум 80% используемых чипов должны быть отечественными
• Huawei открыла исходный код CANN в августе 2025 года, выпустив ключевые компоненты, включая операторы, библиотеки предметных областей и технологию графовых движков
• ByteDance подписала контракт на $5,6 миллиарда с Huawei на чипы Ascend AI в декабре 2025 года, поставки начнутся в первом квартале 2026 года

Прогресс реален: доля обучения на отечественных чипах выросла с 8% в начале 2025 года до 42% к апрелю 2026 года . Однако, по-видимому, большая часть этого внедрения приходится на менее критичные задачи и задачи логического вывода, а не на обучение передовых моделей .

Перспективы: переход на годы

Открытие исходного кода CANN компанией Huawei — значимый шаг к созданию экосистемы разработчиков, которой обладает CUDA . Но большинство аналитиков сходятся во мнении, что разрыв в программных экосистемах, а не в характеристиках «железа», потребует лет для преодоления . В краткосрочной перспективе ведущие китайские AI-лаборатории продолжат обучение на чипах Nvidia, одновременно экспериментируя с гибридными отечественными развертываниями для менее критичных задач, а план Пекина на $295 млрд направлен на ускорение этого перехода .