CUDA護城河：15年建構的開發者依賴

輝達的CUDA（統一計算設備架構）擁有超過15年的先發優勢，其成熟的函式庫（如cuDNN、TensorRT）、除錯工具以及全球開發者社群，讓它立於不敗之地。幾乎所有主流AI框架——PyTorch、TensorFlow、JAX——都是原生為CUDA最佳化。

相比之下，華為的CANN（神經網絡計算架構）工具鏈，即使在2025年8月開源後，在運算元覆蓋率、最佳化程度和社群工具成熟度方面仍遠遠不及。開發者反映，許多為CUDA最佳化的核心（kernel）程式在CANN中找不到直接對應的版本，需要手動重寫。

這是一個難以打破的自我強化循環：輝達的開發者社群越大、預先最佳化的程式碼庫越豐富，替代方案就越難獲得市場動能。

轉換的代價：時間與成本至少增加50%

一位來自上海附屬研究機構的AI研究人員估計，將訓練任務從輝達CUDA轉移到華為昇騰，時間與成本都會增加至少50%。業界消息人士也證實，這個數字是相當務實的下限。

這包含了以下開銷：

• 初始移植工作：為CUDA撰寫的訓練程式碼使用了架構特定的核心呼叫、記憶體管理模式和並行化策略，這些都無法直接套用在昇騰架構截然不同的NPU上。
• 持續的除錯與調校：移植完成後，模型還必須在CANN較小的運算元函式庫上重新進行最佳化，以達到與CUDA相當的性能。
• 生產力損失：開發者必須學習全新的工具鏈，而CANN較小的社群也意味著，遇到常見問題時能共享的解決方案更少。

DeepSeek的R2計畫：一個具體案例

軟體差距最具說服力的案例莫過於DeepSeek。這家中國最受矚目的AI實驗室之一，據報導已放棄在華為昇騰NPU上訓練其R2模型的計畫，理由是性能與工具鏈問題遲遲未能解決。這是一個頂尖實驗室在處理最嚴苛的工作負載時，認為國產替代方案尚未成熟的具體實例。

性能差距依然存在

儘管華為的昇騰910C NPU已有長足進步，但開發者指出，在大型分散式訓練任務上，它的表現仍不如輝達Hopper世代的GPU。基於中芯國際（SMIC）增強型7奈米製程打造的昇騰910C，其BF16吞吐量大約只有輝達B200的三分之一。華為即將推出的昇騰950可望進一步縮小這個差距，摩根士丹利的數據也顯示，中國晶片與輝達符合出口規範的硬體之間，性能差距已顯著縮小。

供貨悖論：囤積的輝達晶片形成慣性

矛盾的是，美國的出口限制並未完全切斷對中國的輝達晶片供應。美國批准了H200對中國的銷售，而北京當局隨後又阻止其進口——但中國的AI實驗室早已囤積了大量輝達晶片。字節跳動、阿里巴巴和騰訊為了因應預期的禁令，總計花費約160億美元，囤積了大約130萬至160萬顆H20晶片。

這個龐大的既有安裝基礎產生了強大的慣性：只要現有的輝達硬體還能運作，高昂的轉換成本就會延緩轉向國產替代方案的腳步。

2,950億美元的回應：中國的國產晶片攻勢

中國當然不會坐以待斃。面對這些障礙，中國採取了一系列行動：

• 中國晶片製造商力拚在2026年將國產AI晶片產量提高三倍
• 北京當局據報導正草擬一項約2,950億美元（2兆元人民幣） 的計畫，目標是在2028年前將中國所有主要數據中心串聯成一個單一的AI運算網路，其中至少80%的底層晶片必須是國產
• 華為已於2025年8月開源CANN，釋出了核心元件，包括運算元、領域函式庫和圖引擎技術
• 字節跳動在2025年12月與華為簽訂了一份價值56億美元的昇騰AI晶片合約，預計從2026年第一季開始交貨

進步是確實的：根據報導，國產晶片的訓練占比已從2025年初的8%，成長到2026年4月的42%。然而，這些採用似乎主要集中於較不關鍵的工作負載和推論任務，而非前沿模型訓練。

展望：為期多年的轉型之路

華為開源CANN是建立如CUDA般強大的開發者生態系統的重要一步。但大多數分析師認為，軟體生態系統的差距——而非純粹的硬體規格——將需要數年時間才能趕上。短期內，中國頂尖的AI實驗室將繼續使用輝達晶片訓練模型，同時在較不關鍵的工作負載上嘗試混合部署國產方案，而北京當局的2,950億美元網路計畫，則旨在加速這個轉型過程。

CUDA護城河：15年建構的開發者依賴

輝達的CUDA（統一計算設備架構）擁有超過15年的先發優勢，其成熟的函式庫（如cuDNN、TensorRT）、除錯工具以及全球開發者社群，讓它立於不敗之地。幾乎所有主流AI框架——PyTorch、TensorFlow、JAX——都是原生為CUDA最佳化。

相比之下，華為的CANN（神經網絡計算架構）工具鏈，即使在2025年8月開源後，在運算元覆蓋率、最佳化程度和社群工具成熟度方面仍遠遠不及。開發者反映，許多為CUDA最佳化的核心（kernel）程式在CANN中找不到直接對應的版本，需要手動重寫。

這是一個難以打破的自我強化循環：輝達的開發者社群越大、預先最佳化的程式碼庫越豐富，替代方案就越難獲得市場動能。

轉換的代價：時間與成本至少增加50%

一位來自上海附屬研究機構的AI研究人員估計，將訓練任務從輝達CUDA轉移到華為昇騰，時間與成本都會增加至少50%。業界消息人士也證實，這個數字是相當務實的下限。

這包含了以下開銷：

• 初始移植工作：為CUDA撰寫的訓練程式碼使用了架構特定的核心呼叫、記憶體管理模式和並行化策略，這些都無法直接套用在昇騰架構截然不同的NPU上。
• 持續的除錯與調校：移植完成後，模型還必須在CANN較小的運算元函式庫上重新進行最佳化，以達到與CUDA相當的性能。
• 生產力損失：開發者必須學習全新的工具鏈，而CANN較小的社群也意味著，遇到常見問題時能共享的解決方案更少。

DeepSeek的R2計畫：一個具體案例

軟體差距最具說服力的案例莫過於DeepSeek。這家中國最受矚目的AI實驗室之一，據報導已放棄在華為昇騰NPU上訓練其R2模型的計畫，理由是性能與工具鏈問題遲遲未能解決。這是一個頂尖實驗室在處理最嚴苛的工作負載時，認為國產替代方案尚未成熟的具體實例。

性能差距依然存在

儘管華為的昇騰910C NPU已有長足進步，但開發者指出，在大型分散式訓練任務上，它的表現仍不如輝達Hopper世代的GPU。基於中芯國際（SMIC）增強型7奈米製程打造的昇騰910C，其BF16吞吐量大約只有輝達B200的三分之一。華為即將推出的昇騰950可望進一步縮小這個差距，摩根士丹利的數據也顯示，中國晶片與輝達符合出口規範的硬體之間，性能差距已顯著縮小。

供貨悖論：囤積的輝達晶片形成慣性

矛盾的是，美國的出口限制並未完全切斷對中國的輝達晶片供應。美國批准了H200對中國的銷售，而北京當局隨後又阻止其進口——但中國的AI實驗室早已囤積了大量輝達晶片。字節跳動、阿里巴巴和騰訊為了因應預期的禁令，總計花費約160億美元，囤積了大約130萬至160萬顆H20晶片。

這個龐大的既有安裝基礎產生了強大的慣性：只要現有的輝達硬體還能運作，高昂的轉換成本就會延緩轉向國產替代方案的腳步。

2,950億美元的回應：中國的國產晶片攻勢

中國當然不會坐以待斃。面對這些障礙，中國採取了一系列行動：

• 中國晶片製造商力拚在2026年將國產AI晶片產量提高三倍
• 北京當局據報導正草擬一項約2,950億美元（2兆元人民幣） 的計畫，目標是在2028年前將中國所有主要數據中心串聯成一個單一的AI運算網路，其中至少80%的底層晶片必須是國產
• 華為已於2025年8月開源CANN，釋出了核心元件，包括運算元、領域函式庫和圖引擎技術
• 字節跳動在2025年12月與華為簽訂了一份價值56億美元的昇騰AI晶片合約，預計從2026年第一季開始交貨

進步是確實的：根據報導，國產晶片的訓練占比已從2025年初的8%，成長到2026年4月的42%。然而，這些採用似乎主要集中於較不關鍵的工作負載和推論任務，而非前沿模型訓練。

展望：為期多年的轉型之路

華為開源CANN是建立如CUDA般強大的開發者生態系統的重要一步。但大多數分析師認為，軟體生態系統的差距——而非純粹的硬體規格——將需要數年時間才能趕上。短期內，中國頂尖的AI實驗室將繼續使用輝達晶片訓練模型，同時在較不關鍵的工作負載上嘗試混合部署國產方案，而北京當局的2,950億美元網路計畫，則旨在加速這個轉型過程。