Bẫy phần mềm CUDA: Rào cản 295 tỷ USD vẫn chưa thể phá vỡ

Các phòng thí nghiệm trí tuệ nhân tạo hàng đầu của Trung Quốc — bao gồm đội ngũ đứng sau DeepSeek, Kimi K3 và các mô hình Qwen của Alibaba — vẫn phụ thuộc nặng nề vào chip của Nvidia để huấn luyện những mô hình ngôn ngữ lớn tiên tiến nhất, bất chấp áp lực gay gắt từ chính phủ và các lệnh hạn chế xuất khẩu của Mỹ . Rào cản cốt lõi không phải là hiệu năng phần cứng, mà là sự 'khóa chặt' vào hệ sinh thái phần mềm: nền tảng CUDA của Nvidia đã trở thành tiêu chuẩn thực tế (de facto) cho phát triển AI, và việc chuyển đổi sang chip Ascend của Huawei với bộ công cụ CANN đặt ra chi phí kỹ thuật vô cùng lớn .

Hào CUDA: 15 năm phụ thuộc của lập trình viên

CUDA (Compute Unified Device Architecture) của Nvidia có lợi thế dẫn đầu hơn 15 năm với các thư viện phát triển (cuDNN, TensorRT), công cụ gỡ lỗi và một cộng đồng lập trình viên toàn cầu . Hầu hết các framework AI lớn — PyTorch, TensorFlow, JAX — đều được tối ưu hóa sẵn cho CUDA .

Ngược lại, bộ công cụ CANN (Compute Architecture for Neural Networks) của Huawei, dù đã được mã nguồn mở hóa từ tháng 8/2025, vẫn kém trưởng thành hơn nhiều về độ phủ toán tử (operator), khả năng tối ưu và các công cụ cộng đồng . Các nhà phát triển cho biết nhiều 'hạt nhân' (kernel) được tối ưu cho CUDA không có tương đương trực tiếp trên CANN, buộc phải viết lại thủ công .

Đây là một vòng lặp tự củng cố rất khó phá vỡ: cộng đồng lập trình viên của Nvidia càng lớn và thư viện mã nguồn tối ưu hóa sẵn càng phong phú, thì các giải pháp thay thế càng khó có chỗ đứng .

Cái giá của sự chuyển đổi: Tốn thêm ít nhất 50% thời gian và tiền bạc

Một nhà nghiên cứu AI tại một viện trực thuộc Thượng Hải ước tính rằng việc chuyển đổi huấn luyện từ Nvidia CUDA sang Huawei Ascend sẽ làm tăng ít nhất 50% cả về thời gian và chi phí . Các nguồn tin trong ngành xác nhận con số này là mức sàn thực tế .

Chi phí này bao gồm:

• Công sức chuyển đổi ban đầu: Mã nguồn huấn luyện viết cho CUDA sử dụng các lời gọi kernel, mô hình quản lý bộ nhớ và chiến lược song song hóa đặc thù kiến trúc, không thể dịch chuyển trực tiếp sang kiến trúc NPU khác biệt của Ascend .
• Gỡ lỗi và tinh chỉnh liên tục: Sau khi chuyển đổi, các mô hình phải được tối ưu hóa lại để đạt được hiệu năng tương đương trên thư viện toán tử nhỏ hơn của CANN .
• Mất năng suất lao động: Các lập trình viên phải học một bộ công cụ mới, và cộng đồng CANN nhỏ hơn đồng nghĩa với việc có ít giải pháp dùng chung cho các vấn đề thường gặp.

Kế hoạch R2 bị hủy bỏ của DeepSeek: Một nghiên cứu điển hình

Có lẽ ví dụ rõ ràng nhất về khoảng cách phần mềm đến từ DeepSeek, một trong những phòng thí nghiệm AI nổi bật nhất Trung Quốc. DeepSeek được cho là đã từ bỏ kế hoạch huấn luyện mô hình R2 trên chip Ascend NPU của Huawei, với lý do là các vấn đề về hiệu năng và công cụ chưa được giải quyết . Đây là một trường hợp cụ thể cho thấy một phòng thí nghiệm hàng đầu đã kết luận rằng giải pháp thay thế nội địa chưa sẵn sàng cho các khối lượng công việc đòi hỏi khắt khe nhất của họ.

Khoảng cách hiệu năng vẫn tồn tại

Mặc dù chip Ascend 910C NPU của Huawei đã được cải thiện đáng kể, các nhà phát triển báo cáo rằng nó vẫn hoạt động kém hơn các GPU thế hệ Hopper của Nvidia trong các tác vụ huấn luyện phân tán quy mô lớn . Chip Ascend 910C, được sản xuất trên tiến trình 7nm cải tiến của SMIC, chỉ đạt khoảng một phần ba thông lượng BF16 so với B200 của Nvidia . Chip Ascend 950 sắp tới của Huawei được kỳ vọng sẽ thu hẹp khoảng cách này hơn nữa, với dữ liệu từ Morgan Stanley cho thấy khoảng cách hiệu năng giữa chip Trung Quốc và phần cứng tuân thủ xuất khẩu của Nvidia đã thu hẹp đáng kể .

Nghịch lý nguồn cung: Chip Nvidia dự trữ tạo ra sức ì

Trớ trêu thay, các lệnh hạn chế xuất khẩu của Mỹ đã không hoàn toàn cắt đứt nguồn cung Nvidia vào Trung Quốc. Mỹ đã phê duyệt bán chip H200 cho Trung Quốc, và Bắc Kinh sau đó đã chặn việc chấp nhận chúng — nhưng các phòng thí nghiệm Trung Quốc đã có sẵn một lượng lớn chip Nvidia dự trữ . ByteDance, Alibaba và Tencent đã chi tổng cộng khoảng 16 tỷ USD để dự trữ khoảng 1,3 đến 1,6 triệu đơn vị chip H20 để đề phòng lệnh cấm .

Lượng chip đã lắp đặt này tạo ra một sức ì mạnh mẽ: miễn là phần cứng Nvidia hiện có vẫn hoạt động, chi phí chuyển đổi cao sẽ tiếp tục trì hoãn việc chuyển sang các giải pháp thay thế nội địa .

Phản ứng 295 tỷ USD: Cuộc đẩy mạnh chip nội địa của Trung Quốc

Trung Quốc không đứng yên. Để đối phó với những rào cản này:

• Các nhà sản xuất chip Trung Quốc đặt mục tiêu tăng gấp ba sản lượng chip AI nội địa vào năm 2026
• Bắc Kinh được cho là đang soạn thảo một kế hoạch trị giá ~295 tỷ USD (2 nghìn tỷ NDT) để kết nối mọi trung tâm dữ liệu lớn của Trung Quốc thành một lưới điện toán AI thống nhất vào năm 2028, với ít nhất 80% chip nền tảng phải là chip nội địa
• Huawei đã mã nguồn mở hóa CANN vào tháng 8/2025, phát hành các thành phần cốt lõi bao gồm toán tử, thư viện miền và công nghệ đồ thị (graph-engine)
• ByteDance đã ký một hợp đồng 5,6 tỷ USD với Huawei cho chip AI Ascend vào tháng 12/2025, với việc giao hàng bắt đầu từ Q1/2026

Những tiến bộ là có thật: tỷ lệ huấn luyện trên chip nội địa được báo cáo đã tăng từ 8% đầu năm 2025 lên 42% vào tháng 4/2026 . Tuy nhiên, phần lớn sự chấp nhận này dường như tập trung vào các khối lượng công việc ít quan trọng hơn và các tác vụ suy luận (inference) thay vì huấn luyện mô hình tiên tiến .

Triển vọng: Một quá trình chuyển đổi kéo dài nhiều năm

Việc Huawei mã nguồn mở hóa CANN là một bước đi có ý nghĩa hướng tới xây dựng hệ sinh thái nhà phát triển mà CUDA đang có . Nhưng hầu hết các nhà phân tích đều đồng ý rằng khoảng cách về hệ sinh thái phần mềm — chứ không phải thông số kỹ thuật phần cứng thô — sẽ mất nhiều năm để thu hẹp . Trong ngắn hạn, các phòng thí nghiệm AI hàng đầu của Trung Quốc sẽ tiếp tục huấn luyện trên chip Nvidia trong khi thử nghiệm các hệ thống triển khai nội địa kết hợp cho các khối lượng công việc ít quan trọng hơn, và trong khi kế hoạch lưới điện toán 295 tỷ USD của Bắc Kinh nhằm đẩy nhanh quá trình chuyển đổi .