ทำไม AI ชั้นนำของจีนยังหนี Nvidia ไม่พ้น — กับดัก CUDA ที่เงิน 295,000 ล้านดอลลาร์ก็สู้ไม่ได้

ในทางกลับกัน ชุดเครื่องมือ CANN (Compute Architecture for Neural Networks) ของ Huawei แม้จะถูกเปิดเป็นโอเพนซอร์สในเดือนสิงหาคม 2025 แต่ก็ยังล้าหลังมากในด้านความครอบคลุมของโอเปอเรเตอร์ การปรับแต่งประสิทธิภาพ และเครื่องมือของชุมชน นักพัฒนารายงานว่าเคอร์เนลที่ปรับแต่งบน CUDA หลายตัวไม่มีเวอร์ชันเทียบเท่าบน CANN ทำให้ต้องเขียนโค้ดใหม่ทั้งหมดด้วยตนเอง

วงจรนี้ยิ่งตอกย้ำตัวเองให้แข็งแกร่งขึ้น: ยิ่งชุมชนนักพัฒนาของ Nvidia ใหญ่ขึ้นและไลบรารีโค้ดที่ปรับแต่งไว้ล่วงหน้ายิ่งสมบูรณ์มากเท่าไหร่ ทางเลือกอื่นก็ยิ่งยากที่จะแทรกตัวเข้ามา

ค่าใช้จ่ายในการเปลี่ยน: เวลาและเงินเพิ่มขึ้นอย่างน้อย 50%

นักวิจัย AI จากสถาบันในเครือเซี่ยงไฮ้แห่งหนึ่งประมาณการว่า การเปลี่ยนจากการฝึกโมเดลบน Nvidia CUDA ไปใช้ Huawei Ascend จะทำให้ ใช้เวลานานขึ้นและมีต้นทุนเพิ่มขึ้นอย่างน้อย 50% แหล่งข่าวในอุตสาหกรรมยืนยันว่าตัวเลขนี้เป็นขั้นต่ำที่เป็นจริง

ค่าใช้จ่ายเหล่านี้รวมถึง:

• การย้ายโค้ดเบื้องต้น: โค้ดฝึกที่เขียนสำหรับ CUDA ใช้การเรียกเคอร์เนล รูปแบบการจัดการหน่วยความจำ และกลยุทธ์การประมวลผลแบบขนานที่เฉพาะเจาะจงกับสถาปัตยกรรมของ Nvidia ซึ่งไม่สามารถแปลไปยังสถาปัตยกรรม NPU ที่แตกต่างของ Ascend ได้โดยตรง
• การดีบั๊กและปรับแต่งอย่างต่อเนื่อง: เมื่อย้ายโค้ดมาแล้ว โมเดลต้องถูกปรับแต่งใหม่เพื่อให้ประสิทธิภาพเท่าเดิมบนไลบรารีโอเปอเรเตอร์ของ CANN ที่มีขนาดเล็กกว่า
• ผลิตภาพที่หายไป: นักพัฒนาต้องเรียนรู้เครื่องมือชุดใหม่ และชุมชน CANN ที่เล็กกว่าหมายถึงแนวทางแก้ไขปัญหาร่วมกันที่มีน้อยกว่า

กรณีศึกษา DeepSeek R2: บทเรียนที่ชัดเจน

ตัวอย่างที่ชัดเจนที่สุดของช่องว่างด้านซอฟต์แวร์มาจาก DeepSeek หนึ่งในห้องปฏิบัติการ AI ที่โดดเด่นที่สุดของจีน DeepSeek รายงานว่ายกเลิกแผนการฝึกโมเดล R2 บนชิป NPU Ascend ของ Huawei โดยอ้างถึงปัญหาด้านประสิทธิภาพและชุดเครื่องมือที่ยังไม่ได้รับการแก้ไข นี่เป็นหลักฐานชิ้นสำคัญที่บ่งชี้ว่าห้องปฏิบัติการระดับแนวหน้ายังสรุปว่าทางเลือกในประเทศยังไม่พร้อมสำหรับงานที่ต้องใช้ทรัพยากรหนักที่สุด

ช่องว่างด้านประสิทธิภาพยังคงมีอยู่

แม้ชิป NPU Ascend 910C ของ Huawei จะได้รับการปรับปรุงขึ้นมาก แต่นักพัฒนายังรายงานว่ามันมีประสิทธิภาพต่ำกว่า GPU รุ่น Hopper ของ Nvidia สำหรับงานฝึกแบบกระจายในวงกว้าง ชิป Ascend 910C ที่สร้างบนกระบวนการผลิต 7nm ขั้นสูงของ SMIC ให้ปริมาณงาน BF16 เพียงประมาณหนึ่งในสามของ B200 ของ Nvidia ชิป Ascend 950 รุ่นใหม่ของ Huawei คาดว่าจะช่วยลดช่องว่างนี้ลงได้อีก โดยข้อมูลจาก Morgan Stanley แสดงให้เห็นว่าช่องว่างด้านประสิทธิภาพระหว่างชิปจีนและฮาร์ดแวร์ที่สหรัฐฯ อนุญาตให้ส่งออกนั้นแคบลงอย่างมาก

ปริศนาอุปทาน: ชิป Nvidia ที่กักตุนไว้สร้างความเฉื่อย

ที่น่าขัดแย้งคือ ข้อจำกัดการส่งออกของสหรัฐฯ ไม่ได้ตัดการจัดส่ง Nvidia ไปยังจีนอย่างสิ้นเชิง สหรัฐฯ อนุมัติให้จำหน่าย H200 ให้จีน และปักกิ่งตอบโต้ด้วยการสั่งห้ามการนำเข้า — แต่ห้องปฏิบัติการของจีนมีชิป Nvidia ที่กักตุนไว้จำนวนมหาศาลอยู่แล้ว ByteDance, Alibaba และ Tencent ใช้เงินรวมกันประมาณ 16,000 ล้านดอลลาร์ เพื่อกักตุนชิป H20 จำนวน 1.3 ถึง 1.6 ล้านหน่วย คาดการณ์ว่าการแบนจะเกิดขึ้น

ฐานการติดตั้งที่มีอยู่นี้สร้างความเฉื่อยอย่างมหาศาล: ตราบใดที่ฮาร์ดแวร์ Nvidia ที่มีอยู่ยังคงทำงานได้ ต้นทุนการเปลี่ยนที่สูงก็ยิ่งผลักดันการย้ายไปยังทางเลือกในประเทศให้ช้าลง

การตอบโต้ 295,000 ล้านดอลลาร์: การผลักดันชิปในประเทศของจีน

จีนไม่ได้นิ่งเฉยต่ออุปสรรคเหล่านี้:

• ผู้ผลิตชิปจีนตั้งเป้า เพิ่มการผลิตชิป AI ในประเทศเป็นสามเท่าภายในปี 2026
• ปักกิ่งกำลังร่างแผนมูลค่า ~295,000 ล้านดอลลาร์ (2 ล้านล้านหยวน) เพื่อเชื่อมต่อดาต้าเซ็นเตอร์หลักทุกแห่งในจีนเป็นกริด AI เดียวภายในปี 2028 โดยกำหนดให้ อย่างน้อย 80% ของชิปที่ใช้ต้องเป็นชิปในประเทศ
• Huawei เปิดซอร์ส CANN ในเดือนสิงหาคม 2025 โดยปล่อยส่วนประกอบหลัก รวมถึงโอเปอเรเตอร์ ไลบรารีโดเมน และเทคโนโลยีกราฟเอ็นจิ้น
• ByteDance ลงนามในสัญญา 5.6 พันล้านดอลลาร์ กับ Huawei สำหรับชิป AI Ascend ในเดือนธันวาคม 2025 โดยเริ่มจัดส่งในไตรมาสแรกของปี 2026

ความคืบหน้ามีจริง: ส่วนแบ่งการฝึกด้วยชิปในประเทศเพิ่มขึ้นจาก 8% ในช่วงต้นปี 2025 เป็น 42% ภายในเดือนเมษายน 2026 แต่การนำไปใช้ส่วนใหญ่ดูเหมือนจะกระจุกตัวอยู่ในงานที่สำคัญน้อยกว่าและงานอินเฟอเรนซ์ มากกว่าการฝึกโมเดลขั้นสูง

อนาคต: การเปลี่ยนผ่านที่ต้องใช้เวลาหลายปี

การเปิดซอร์ส CANN ของ Huawei เป็นก้าวสำคัญในการสร้างระบบนิเวศนักพัฒนาที่ CUDA มี แต่นักวิเคราะห์ส่วนใหญ่เห็นพ้องว่าช่องว่างของระบบนิเวศซอฟต์แวร์ ซึ่งไม่ใช่สเปกฮาร์ดแวร์ดิบ จะต้องใช้เวลาหลายปีกว่าจะปิดลง ในระยะสั้น ห้องปฏิบัติการ AI ชั้นนำของจีนจะยังคงฝึกโมเดลบนชิป Nvidia ต่อไป ขณะที่ทดลองใช้การใช้งานในประเทศแบบผสมผสานสำหรับงานที่สำคัญน้อยกว่า และแผนกริด AI มูลค่า 295,000 ล้านดอลลาร์ของปักกิ่งก็ตั้งเป้าที่จะเร่งการเปลี่ยนผ่านนี้