15年累積嘅CUDA護城河：唔係咁容易衝破

Nvidia嘅CUDA（Compute Unified Device Architecture）擁有超過15年嘅領先優勢，成熟嘅函式庫（cuDNN、TensorRT）、除錯工具同全球開發者社群 。幾乎所有主流AI框架——PyTorch、TensorFlow、JAX——預設都係為CUDA最佳化 。

相比之下，華為嘅CANN（Compute Architecture for Neural Networks）工具套件，即使喺2025年8月開源咗之後，喺算子覆蓋率、最佳化同社群工具方面仍然遠遠未夠成熟 。開發者話，好多CUDA最佳化嘅核心程式喺CANN入面冇直接對應嘅版本，要人手重寫 。

呢個係一個自我強化嘅循環：Nvidia嘅開發者社群越大、預先最佳化嘅程式碼庫越豐富，替代方案就越難突圍 。

轉會費至少50%：時間同金錢嘅雙重代價

一位上海研究所嘅AI研究員估計，將訓練工作由Nvidia CUDA轉到華為昇騰，起碼要增加50%嘅時間同成本 。業內消息都確認呢個數字係最低門檻 。

具體包括：

• 最初嘅搬遷工作：為CUDA寫嘅訓練程式碼用到架構專用嘅核心調用、記憶體管理模式同平行化策略，喺昇騰唔同嘅NPU架構上唔可以直接移植 。
• 持續嘅除錯同最佳化：搬完之後，模型要喺CANN較細嘅算子函式庫上面重新最佳化，先可以追到原本嘅效能水平 。
• 生產力損失：開發者要學一套新嘅工具鏈，而且CANN社群比較細，遇到問題嘅時候可以共享嘅解決方案亦都比較少。

DeepSeek放棄R2嘅啟示：一個具體嘅案例

最能夠說明軟件差距嘅例子係DeepSeek。據報DeepSeek放棄咗喺華為昇騰NPU上訓練R2模型嘅計劃，話係因為效能同工具鏈嘅問題解決唔到 。呢個係一個頂級實驗室親身判斷國產替代方案仲未準備好應付最 demanding 嘅工作負載。

硬件效能差距仍然存在

雖然華為昇騰910C NPU已經有好大進步，但開發者話喺大規模分佈式訓練任務上，仍然比唔上Nvidia Hopper世代嘅GPU 。昇騰910C用中芯國際改良版7nm製程，BF16吞吐量大約只有Nvidia B200嘅三分之一 。華為即將推出嘅昇騰950有望進一步收窄差距，摩根士丹利嘅數據顯示，中國晶片同Nvidia出口合規硬件之間嘅效能差距已經明顯縮細 。

供應嘅矛盾：囤積Nvidia晶片造成惰性

矛盾嘅係，美國出口限制並冇完全切斷中國嘅Nvidia供應。美國批准咗H200賣畀中國，北京之後拒絕接受——但中國嘅實驗室手上已經有大量Nvidia晶片存貨 。字節跳動、阿里巴巴同騰訊總共用咗大約160億美元，囤積咗大約130萬到160萬塊H20，預估禁令會嚟 。

呢個已經安裝好嘅硬件基礎製造咗強大嘅惰性：只要現有嘅Nvidia硬件仲用得，高昂嘅搬遷成本就會推遲轉用國產替代品嘅計劃 。

2950億美元嘅回應：中國嘅國產晶片大計

中國當然冇坐以待斃：

• 中國晶片廠目標喺2026年將國產AI晶片產量提高三倍
• 北京據報緊起草一個大約**2950億美元（2萬億元人民幣）**嘅計劃，目標喺2028年前將全國所有主要數據中心連結成一個統一AI算力網絡，要求至少80%嘅底層晶片係國產
• 華為喺2025年8月將CANN開源，釋出核心組件包括算子、領域函式庫同圖引擎技術
• 字節跳動喺2025年12月同華為簽咗一份56億美元嘅昇騰AI晶片合約，2026年第一季開始出貨

進展係真實嘅：國產晶片喺訓練方面嘅佔比由2025年初嘅8%增長到2026年4月嘅42% 。不過，呢啲採用似乎主要集中喺冇咁關鍵嘅工作負載同推理任務，而唔係前沿模型訓練 。

展望：一個需要好幾年嘅轉型過程

華為將CANN開源係建立開發者生態系統嘅重要一步，呢個生態系統正係CUDA嘅優勢所在 。但大部分分析師都認為，軟件生態系統嘅差距——而唔係硬件規格——需要好幾年先可以收窄 。短期內，中國頂尖AI實驗室會繼續用Nvidia晶片訓練，同時喺冇咁關鍵嘅工作負載上試驗混合國產部署，而北京嘅2950億美元算力網絡計劃就係想加速呢個轉型 。

15年累積嘅CUDA護城河：唔係咁容易衝破

Nvidia嘅CUDA（Compute Unified Device Architecture）擁有超過15年嘅領先優勢，成熟嘅函式庫（cuDNN、TensorRT）、除錯工具同全球開發者社群 。幾乎所有主流AI框架——PyTorch、TensorFlow、JAX——預設都係為CUDA最佳化 。

相比之下，華為嘅CANN（Compute Architecture for Neural Networks）工具套件，即使喺2025年8月開源咗之後，喺算子覆蓋率、最佳化同社群工具方面仍然遠遠未夠成熟 。開發者話，好多CUDA最佳化嘅核心程式喺CANN入面冇直接對應嘅版本，要人手重寫 。

呢個係一個自我強化嘅循環：Nvidia嘅開發者社群越大、預先最佳化嘅程式碼庫越豐富，替代方案就越難突圍 。

轉會費至少50%：時間同金錢嘅雙重代價

一位上海研究所嘅AI研究員估計，將訓練工作由Nvidia CUDA轉到華為昇騰，起碼要增加50%嘅時間同成本 。業內消息都確認呢個數字係最低門檻 。

具體包括：

• 最初嘅搬遷工作：為CUDA寫嘅訓練程式碼用到架構專用嘅核心調用、記憶體管理模式同平行化策略，喺昇騰唔同嘅NPU架構上唔可以直接移植 。
• 持續嘅除錯同最佳化：搬完之後，模型要喺CANN較細嘅算子函式庫上面重新最佳化，先可以追到原本嘅效能水平 。
• 生產力損失：開發者要學一套新嘅工具鏈，而且CANN社群比較細，遇到問題嘅時候可以共享嘅解決方案亦都比較少。

DeepSeek放棄R2嘅啟示：一個具體嘅案例

最能夠說明軟件差距嘅例子係DeepSeek。據報DeepSeek放棄咗喺華為昇騰NPU上訓練R2模型嘅計劃，話係因為效能同工具鏈嘅問題解決唔到 。呢個係一個頂級實驗室親身判斷國產替代方案仲未準備好應付最 demanding 嘅工作負載。

硬件效能差距仍然存在

雖然華為昇騰910C NPU已經有好大進步，但開發者話喺大規模分佈式訓練任務上，仍然比唔上Nvidia Hopper世代嘅GPU 。昇騰910C用中芯國際改良版7nm製程，BF16吞吐量大約只有Nvidia B200嘅三分之一 。華為即將推出嘅昇騰950有望進一步收窄差距，摩根士丹利嘅數據顯示，中國晶片同Nvidia出口合規硬件之間嘅效能差距已經明顯縮細 。

供應嘅矛盾：囤積Nvidia晶片造成惰性

矛盾嘅係，美國出口限制並冇完全切斷中國嘅Nvidia供應。美國批准咗H200賣畀中國，北京之後拒絕接受——但中國嘅實驗室手上已經有大量Nvidia晶片存貨 。字節跳動、阿里巴巴同騰訊總共用咗大約160億美元，囤積咗大約130萬到160萬塊H20，預估禁令會嚟 。

呢個已經安裝好嘅硬件基礎製造咗強大嘅惰性：只要現有嘅Nvidia硬件仲用得，高昂嘅搬遷成本就會推遲轉用國產替代品嘅計劃 。

2950億美元嘅回應：中國嘅國產晶片大計

中國當然冇坐以待斃：

• 中國晶片廠目標喺2026年將國產AI晶片產量提高三倍
• 北京據報緊起草一個大約**2950億美元（2萬億元人民幣）**嘅計劃，目標喺2028年前將全國所有主要數據中心連結成一個統一AI算力網絡，要求至少80%嘅底層晶片係國產
• 華為喺2025年8月將CANN開源，釋出核心組件包括算子、領域函式庫同圖引擎技術
• 字節跳動喺2025年12月同華為簽咗一份56億美元嘅昇騰AI晶片合約，2026年第一季開始出貨

進展係真實嘅：國產晶片喺訓練方面嘅佔比由2025年初嘅8%增長到2026年4月嘅42% 。不過，呢啲採用似乎主要集中喺冇咁關鍵嘅工作負載同推理任務，而唔係前沿模型訓練 。

展望：一個需要好幾年嘅轉型過程

華為將CANN開源係建立開發者生態系統嘅重要一步，呢個生態系統正係CUDA嘅優勢所在 。但大部分分析師都認為，軟件生態系統嘅差距——而唔係硬件規格——需要好幾年先可以收窄 。短期內，中國頂尖AI實驗室會繼續用Nvidia晶片訓練，同時喺冇咁關鍵嘅工作負載上試驗混合國產部署，而北京嘅2950億美元算力網絡計劃就係想加速呢個轉型 。