Kinas främsta AI-modeller tränas fortfarande på Nvidia-chips – trots hårt politiskt tryck

Som jämförelse är Huaweis CANN (Compute Architecture for Neural Networks), även efter att ha gjorts öppen källkod i augusti 2025, fortfarande betydligt mindre moget när det gäller operatörstäckning, optimering och gemenskapsverktyg . Utvecklare rapporterar att många CUDA-optimerade kärnor saknar direkta CANN-motsvarigheter, vilket kräver manuell omkodning .

Denna självförstärkande cykel är svår att bryta: ju större Nvidias utvecklargemenskap och desto rikare deras bibliotek med föroptimerad kod, desto svårare blir det för alternativ att få fäste .

Kostnaden för att byta: Minst 50% mer tid och pengar

En AI-forskare vid en Shanghai-ansluten institution uppskattar att ett byte från Nvidia CUDA till Huawei Ascend skulle innebära minst 50% mer i både tid och kostnader . Branschkällor bekräftar att denna siffra är en realistisk lägstanivå .

Detta inkluderar:

• Initial portning: Träningskod skriven för CUDA använder arkitekturspecifika kärnanrop, minneshanteringsmönster och parallelliseringsstrategier som inte direkt översätts till Ascends annorlunda NPU-arkitektur .
• Kontinuerlig felsökning och justering: När koden väl är porterad måste modellerna omoptimeras för prestanda på CANN:s mindre operatörsbibliotek .
• Förlorad produktivitet: Utvecklare måste lära sig en ny verktygskedja, och den mindre CANN-gemenskapen innebär färre delade lösningar på vanliga problem.

DeepSeeks övergivna R2-plan: En konkret fallstudie

Kanske det mest talande exemplet på mjukvarugapet kommer från DeepSeek, ett av Kinas mest framstående AI-labb. DeepSeek rapporteras ha lagt ner planerna på att träna sin R2-modell på Huaweis Ascend NPU:er, med hänvisning till olösta prestanda- och verktygskedjeproblem . Detta är ett konkret fall där ett topplabb drog slutsatsen att det inhemska alternativet inte var redo för deras mest krävande arbetsbelastningar.

Prestandagap kvarstår

Även om Huaweis Ascend 910C NPU har förbättrats avsevärt, rapporterar utvecklare att den fortfarande presterar sämre än Nvidias Hopper-generations GPU:er vid storskaliga distribuerade träningsuppgifter . Ascend 910C, byggd på SMIC:s förbättrade 7nm-process, levererar ungefär en tredjedel av BF16-genomströmningen jämfört med Nvidias B200 . Huaweis kommande Ascend 950 förväntas minska detta gap ytterligare, och data från Morgan Stanley visar att prestandagapet mellan kinesiska chips och Nvidias exportkompatibla hårdvara har minskat avsevärt .

Tillförselparadoxen: Lager av Nvidia-chips skapar tröghet

Paradoxalt nog har de amerikanska exportrestriktionerna inte helt strypt tillgången till Nvidia för Kina. USA godkände H200 för försäljning till Kina, och Peking blockerade därefter att de togs emot – men kinesiska labb har redan enorma lager av Nvidia-chips . ByteDance, Alibaba och Tencent spenderade sammanlagt uppskattningsvis 16 miljarder dollar på att lagra cirka 1,3 till 1,6 miljoner H20-enheter i väntan på ett förbud .

Denna installerade bas skapar stark tröghet: så länge som befintlig Nvidia-hårdvara fortsätter att fungera försenar den höga byteskostnaden flytten till inhemska alternativ .

Svaret på 295 miljarder dollar: Kinas satsning på inhemska chips

Kina står inte still. Som svar på dessa hinder:

• Kinesiska chiptillverkare siktar på att tredubbla inhemsk AI-chipproduktion under 2026
• Peking förbereder en plan på cirka 295 miljarder dollar (2 biljoner yuan) för att koppla samman alla större kinesiska datacenter till ett enda AI-beräkningsnät till 2028, där minst 80 % av de underliggande chipsen måste vara inhemska
• Huawei gjorde CANN till öppen källkod i augusti 2025 och släppte kärnkomponenter inklusive operatörer, domänbibliotek och grafmotorteknik
• ByteDance skrev ett 5,6 miljarder dollar-kontrakt med Huawei för Ascend AI-chips i december 2025, med leveranser som börjar första kvartalet 2026

Framsteg är verkliga: andelen träning på inhemska chips växte från 8 % i början av 2025 till 42 % i april 2026 . Men mycket av denna användning verkar vara koncentrerad till mindre kritiska arbetsbelastningar och inferensuppgifter snarare än träning av frontmodeller .

Framtidsutsikter: En övergång över flera år

Huaweis beslut att göra CANN till öppen källkod är ett meningsfullt steg mot att bygga det utvecklarekosystem som CUDA åtnjuter . Men de flesta analytiker är överens om att mjukvaruekosystemgapet – inte rå hårdvaruprestanda – kommer att ta åratal att täppa till . På kort sikt kommer Kinas främsta AI-labb att fortsätta träna på Nvidia-chips samtidigt som de experimenterar med hybrida inhemska installationer för mindre kritiska arbetsbelastningar, medan Pekings plan på 295 miljarder dollar för ett AI-beräkningsnät syftar till att påskynda övergången .