La información sobre Huawei muestra por qué Nvidia sigue dominando el entrenamiento de IA en China

La información procedente de importantes laboratorios chinos de IA apunta a un conflicto persistente: según se informa, los chips de Nvidia siguen siendo su opción habitual para entrenar grandes modelos de lenguaje.

La preferencia persiste a pesar de años de restricciones a la exportación, presión para abastecerse localmente y rápidas mejoras en los procesadores Ascend de Huawei. El obstáculo inmediato no es solo el rendimiento de cómputo. También es el trabajo necesario para trasladar código de entrenamiento en producción desde la plataforma CUDA de Nvidia al software CANN de Huawei.

Esta distinción cambia el significado de la carrera china por los chips de IA. Huawei puede ganar pedidos de hardware y respaldar más cargas de trabajo de inferencia mientras Nvidia sigue profundamente integrada en el desarrollo de modelos. Por tanto, la competencia es entre el entrenamiento basado en CUDA y una alternativa nacional basada en CANN, no simplemente entre las especificaciones de dos procesadores.

Los laboratorios chinos de IA aún construyen sus mayores modelos en torno a Nvidia

Los últimos informes sugieren que Nvidia sigue siendo la plataforma predeterminada para el entrenamiento, incluso mientras Huawei gana terreno en otras áreas de la infraestructura china de IA.

Según el informe original, fuentes de importantes desarrolladores chinos de grandes modelos de lenguaje afirmaron que los chips de Nvidia siguen siendo la norma para el entrenamiento avanzado. Trasladar proyectos ya establecidos al hardware de Huawei exigiría una extensa reescritura para CANN.

CUDA, siglas de Compute Unified Device Architecture, es la plataforma de programación de Nvidia para ejecutar cargas de trabajo paralelas en sus procesadores. CANN, o Compute Architecture for Neural Networks, es la pila de software equivalente de Huawei para los procesadores Ascend.

Ambas plataformas conectan los marcos de IA con el hardware acelerador. Sin embargo, no ofrecen entornos de ejecución intercambiables para cada kernel, biblioteca, operación de comunicación o flujo de depuración.

Eso importa porque el entrenamiento de modelos de frontera no consiste en una única aplicación copiada a un servidor diferente. Combina miles de componentes de software desarrollados, probados y optimizados durante varios años.

Un equipo de entrenamiento podría utilizar PyTorch en la parte superior de su pila. Bajo ese marco conocido se encuentran kernels CUDA personalizados, bibliotecas de comunicación colectiva, rutinas de gestión de memoria, herramientas de perfilado y optimizaciones específicas de hardware.

Trasladar esa carga de trabajo a CANN implica revisar cada capa. Las operaciones no compatibles deben sustituirse, reescribirse o canalizarse mediante herramientas de compatibilidad. Después, los ingenieros deben verificar el comportamiento numérico, el rendimiento, el consumo de memoria y la estabilidad a gran escala.

La preferencia informada no significa que los laboratorios chinos rechacen Huawei. Indica que separan las decisiones de entrenamiento de otras decisiones de hardware.

El entrenamiento crea un modelo procesando enormes conjuntos de datos en grandes clústeres de aceleradores. La inferencia utiliza el modelo terminado para responder solicitudes una vez que concluye el entrenamiento.

Las cargas de trabajo de inferencia suelen ser más fáciles de portar porque son más acotadas y predecibles. Los equipos pueden optimizar un modelo fijo sin modificar repetidamente su arquitectura durante la investigación.

El entrenamiento es menos tolerante. Un fallo durante una larga ejecución distribuida puede desperdiciar un tiempo de cómputo considerable, mientras que un error numérico sutil puede perjudicar el modelo resultante.

Por ello, los laboratorios chinos tienen un motivo práctico para conservar una plataforma probada en sus experimentos más costosos. Los ingenieros ya conocen los modos de fallo, las herramientas de rendimiento y los patrones de optimización de CUDA.

La decisión representa más una gestión del riesgo operativo que lealtad a una marca. Un laboratorio con una fecha límite para su modelo normalmente favorecerá el entorno con más probabilidades de completar la ejecución.

Esa preferencia también explica por qué las ventas de hardware por sí solas ofrecen una medida incompleta de la competencia. Huawei puede captar demanda de aceleradores sin desplazar de inmediato a Nvidia de los flujos de trabajo de desarrollo más difíciles.

El mercado chino de chips ya ilustra esa división. Bernstein estimó que Nvidia y Huawei tenían cada una aproximadamente el 40 por ciento del mercado chino de chips de IA en 2025.

Bernstein esperaba que la cuota de Huawei se acercara al 50 por ciento durante 2026, mientras que la de Nvidia podría caer cerca del 8 por ciento. Esas estimaciones describen la evolución general del mercado, no necesariamente la adopción para el entrenamiento de modelos de frontera.

La aparente contradicción es central en esta historia. Nvidia puede perder cuota de mercado general mientras conserva un papel desproporcionado en las cargas de trabajo que crean modelos líderes.

Por qué la información sobre Huawei sigue remitiendo a CUDA

La información de Huawei sobre la fricción de migración revela que la defensa más sólida de Nvidia es el software acumulado, no una generación de silicio más rápida.

CUDA existe desde 2006. Durante ese período, Nvidia desarrolló bibliotecas para álgebra lineal, redes neuronales, comunicación distribuida, procesamiento de datos y análisis de rendimiento.

Los desarrolladores también crearon sus propias extensiones de CUDA. Los repositorios de investigación, las implementaciones de modelos y las guías de optimización suelen dar por sentado el acceso a hardware de Nvidia.

Este código acumulado genera un efecto de red. Más usuarios de CUDA producen más software probado, lo que hace que CUDA resulte más útil para el siguiente equipo que lo adopta.

Huawei parte de una situación diferente. CANN debe respaldar el hardware Ascend al tiempo que cumple las expectativas creadas por años de desarrollo de CUDA.

El desafío implica más que traducir nombres de funciones. Un kernel diseñado en torno a la jerarquía de memoria de un procesador Nvidia puede comportarse de forma distinta en una unidad de procesamiento neuronal Ascend.

La comunicación colectiva presenta otro obstáculo. Los grandes modelos distribuyen parámetros y datos entre cientos o miles de aceleradores, que intercambian información continuamente durante el entrenamiento.

Pequeños retrasos de comunicación se acumulan en un clúster. Un port que funciona correctamente en un procesador puede volverse ineficiente o inestable al ampliarse a muchas máquinas.

Los ingenieros también deben sustituir las prácticas de monitorización y depuración. Un perfilador diseñado en torno a CUDA no puede revelar automáticamente cada cuello de botella de CANN con el mismo nivel de detalle o una interfaz familiar.

Una evaluación de la pila de IA de 2025 de MERICS describió la portabilidad de CUDA como una ventaja importante para Nvidia. Determinó que cambiar modelos ya establecidos a hardware que no fuera de Nvidia seguía siendo costoso.

El informe también citó inquietudes sobre la madurez de CANN, los fallos, la recuperación y la compatibilidad entre sistemas Ascend sucesivos. Esos hallazgos precedieron los últimos lanzamientos de software y hardware de Huawei, por lo que no constituyen una referencia actual.

Siguen siendo útiles porque identifican el tipo de deuda de ingeniería que Huawei debe superar. Los nuevos procesadores no eliminan automáticamente los problemas de migración de código, documentación o fiabilidad.

Huawei ha respondido directamente. En agosto de 2025, la empresa anunció que partes clave de CANN pasarían a ser de código abierto e invitó a universidades, empresas y desarrolladores a contribuir.

La iniciativa CANN apunta a una de las ventajas de CUDA: una gran comunidad que identifica errores y amplía el soporte de hardware.

Abrir el código puede acelerar el desarrollo y mejorar la transparencia. No puede reproducir de inmediato la cobertura de bibliotecas, la experiencia de desarrollador y el conocimiento institucional que rodean a CUDA.

La brecha es especialmente importante para los kernels personalizados. Los laboratorios de frontera escriben cada vez más operaciones especializadas para reducir el uso de memoria o mejorar la eficiencia del entrenamiento.

Estas operaciones a menudo incorporan supuestos sobre CUDA y la arquitectura de Nvidia. La conversión automatizada puede proporcionar un punto de partida, pero una compilación exitosa no garantiza una velocidad o estabilidad equivalentes.

Los ingenieros aún deben perfilar el resultado, examinar la precisión numérica y ajustarlo para hardware diferente. Ese proceso compite directamente con la investigación de modelos por el escaso tiempo de especialistas.

Por tanto, un laboratorio debe comparar dos costes. Uno es la dependencia continuada de hardware extranjero sujeto a restricciones. El otro es el retraso y el esfuerzo de ingeniería necesarios para establecer una pila nacional nativa.

CUDA gana siempre que el segundo coste parezca mayor que el primero. CANN se vuelve más atractivo a medida que crece el riesgo de acceso o las herramientas de migración reducen ese coste.

Huawei Ascend avanza más rápido en inferencia que en entrenamiento

La vía más creíble de Huawei para sortear a Nvidia comienza con la inferencia, donde los modelos fijos ofrecen un objetivo más manejable que las ejecuciones experimentales de entrenamiento.

Huawei ha mejorado tanto sus procesadores como los sistemas que los conectan. Su estrategia vincula grandes cantidades de aceleradores Ascend para compensar las limitaciones que afectan a los chips individuales.

Este enfoque a nivel de sistema es importante. El rendimiento moderno de IA depende de que la memoria, las redes, la programación y el software trabajen juntos, no simplemente del rendimiento anunciado de un procesador.

Huawei también puede optimizar la inferencia para modelos ampliamente desplegados. Una vez que los desarrolladores fijan la arquitectura de un modelo, los ingenieros pueden estudiar sus operaciones repetidas y ajustarlas para Ascend.

DeepSeek ofrece un ejemplo visible de esta distinción. Su versión V4 admite procesadores Huawei para al menos una parte de su despliegue, lo que reduce la dependencia exclusiva de proveedores estadounidenses.

Sin embargo, el soporte para inferencia no demuestra que el modelo se haya entrenado íntegramente con hardware de Huawei. Las descripciones públicas del uso de hardware a menudo difuminan esas dos etapas.

La separación importa para los compradores. Un proveedor puede entrenar un modelo una vez con hardware Nvidia y, posteriormente, atender millones de solicitudes mediante aceleradores nacionales.

Este acuerdo reduce la dependencia operativa sin someter la ejecución de investigación más incierta a una plataforma más reciente. También proporciona a Huawei cargas de trabajo de producción sostenidas que pueden mejorar CANN.

Cada despliegue proporciona a los ingenieros informes de errores, trazas de rendimiento y requisitos de compatibilidad. Esas lecciones pueden reforzar gradualmente el software necesario para un entrenamiento más exigente.

Investigaciones recientes muestran tanto el progreso como las complicaciones restantes. Un estudio de campo de Ascend de julio de 2026 examinó grandes cargas de trabajo de inferencia multimodales y de mezcla de expertos en un sistema Ascend 910 de 16 dispositivos.

Un modelo de mezcla de expertos activa grupos seleccionados de parámetros para cada entrada, reduciendo el cómputo mientras aumenta la complejidad del enrutamiento. Los modelos multimodales procesan combinaciones como texto e imágenes.

Los investigadores se centraron en el coste de ingeniería de servir esas exigentes cargas de trabajo fuera de CUDA. Su trabajo trata la migración como un problema operativo, en lugar de asumir compatibilidad de hardware a partir del rendimiento teórico.

Los avances de Huawei en inferencia siguen creando presión para Nvidia. La inferencia genera demanda recurrente después de que un modelo entra en producción, mientras que las compras para entrenamiento pueden producirse en ciclos concentrados.

Un proveedor que gestiona la inferencia en Ascend adquiere experiencia con las herramientas de Huawei y el diseño de clústeres. Esa experiencia reduce la barrera para proyectos posteriores de posentrenamiento o entrenamiento completo.

El posentrenamiento ajusta un modelo existente mediante ajuste fino, aprendizaje de preferencias o aprendizaje por refuerzo. A menudo necesita menos cómputo que construir el modelo base desde el principio.

Esto convierte el posentrenamiento en un puente plausible. Los equipos pueden trasladar una carga de trabajo acotada a Ascend antes de arriesgar una campaña completa de preentrenamiento.

Por tanto, los informes sobre grandes clústeres Ascend de posentrenamiento deben tomarse en serio. Sin embargo, no deben presentarse como prueba de que CANN ha alcanzado la paridad para todas las tareas de entrenamiento de frontera.

Las pruebas controladas de cargas de trabajo exitosas solo evalúan un modelo, clúster y versión de software concretos. Los laboratorios de investigación cambian continuamente arquitecturas, formatos de precisión, estrategias de paralelismo y operaciones personalizadas.

La ventaja de Nvidia reside en parte en absorber esos cambios sin obligar a los equipos a reconstruir su entorno. Huawei debe demostrar una flexibilidad similar en varios laboratorios independientes.

Por ahora, el mercado se está separando en capas. Huawei está siendo más competitiva en compras nacionales, inferencia y determinados proyectos de posentrenamiento.

Nvidia mantiene una ventaja en el trabajo abierto de entrenamiento que crea la próxima generación de modelos. Es una posición más acotada que el dominio total del mercado, pero sigue siendo estratégicamente valiosa.

El verdadero coste de cambiar es el tiempo de investigación perdido

Reescribir código es caro, pero el mayor riesgo es ralentizar el ciclo de experimentación que determina si un laboratorio de IA sigue siendo competitivo.

Un equipo de modelos de frontera no ejecuta un único trabajo final de entrenamiento. Realiza experimentos más pequeños, prueba cambios de arquitectura, ajusta mezclas de datos y mide el comportamiento de escalado.

Cada experimento influye en el siguiente. La velocidad de ese ciclo puede importar tanto como el acceso a un mayor volumen teórico de capacidad de cómputo.

Una migración interrumpe el ciclo. Los ingenieros que normalmente mejoran modelos deben, en su lugar, inspeccionar operadores, reconstruir kernels y diagnosticar fallos desconocidos del clúster.

Los equipos pueden contratar especialistas dedicados a infraestructura, pero esos expertos siguen siendo escasos. También necesitan un contacto estrecho con los investigadores de modelos, porque los problemas de rendimiento suelen cruzar límites organizativos.

El coste de oportunidad es difícil de medir. Una migración puede parecer exitosa mientras reduce discretamente el número de experimentos completados antes de una fecha límite de lanzamiento.

Ese riesgo ayuda a explicar la resistencia reportada a abandonar CUDA. Un laboratorio de IA no evalúa los procesadores como equipos de oficina intercambiables.

El hardware determina qué software funciona, con qué rapidez se diagnostican los fallos y cuán fácilmente el código de investigación se convierte en una carga de trabajo distribuida fiable.

La presión de compra puede empujar a los laboratorios hacia sistemas nacionales. No puede eliminar el coste de los experimentos perdidos o las ejecuciones fallidas.

La presión es especialmente intensa para los laboratorios chinos que buscan igualar los modelos de OpenAI, Anthropic, Google, Meta y otros desarrolladores bien financiados.

Sus competidores ya operan grandes clústeres de Nvidia y pueden utilizar el mismo ecosistema de investigación centrado en CUDA. Un ciclo de migración más lento ampliaría la brecha de desarrollo, incluso si mejorara la independencia de suministro.

Esto crea una elección incómoda para las empresas chinas de IA. El hardware de Nvidia conlleva riesgos regulatorios, de importación y de continuidad. El hardware de Huawei conlleva riesgos de migración de software y ejecución.

Ninguna opción ofrece certeza. Las licencias de exportación pueden cambiar, las aprobaciones aduaneras pueden estancarse y las políticas nacionales de compra pueden endurecerse.

Al mismo tiempo, las versiones de CANN pueden introducir nuevas capacidades o cambios de compatibilidad. Un laboratorio debe decidir si asume ahora el trabajo de migración o si permanece expuesto a futuras restricciones de acceso.

Los equipos pueden responder manteniendo dos pilas tecnológicas. Pueden conservar CUDA para el entrenamiento crítico mientras trasladan la inferencia y determinadas cargas de trabajo a Ascend.

Una estrategia de doble pila proporciona flexibilidad, pero no es gratuita. Los ingenieros deben mantener kernels, procesos de prueba, imágenes de contenedor y referencias de rendimiento separados.

Los cambios en los modelos requieren entonces validación en ambos sistemas. La documentación y la respuesta a incidentes también se vuelven más complejas.

Alibaba ha explorado enfoques de hardware mixtos y alternativos, mientras otros fabricantes chinos de chips promueven capas de compatibilidad. Estos esfuerzos abordan el problema del cambio desde distintas direcciones.

Una capa de compatibilidad permite que el código orientado a CUDA se ejecute en otro procesador con menos cambios en el código fuente. Sin embargo, debe seguir las actualizaciones de Nvidia y traducir el comportamiento de forma eficiente.

La estrategia CANN nativa de Huawei ofrece mayor control sobre la optimización de Ascend. Exige más adaptación a los equipos cuyos sistemas se construyeron en torno a CUDA.

Ningún camino garantiza un reemplazo inmediato. La compatibilidad puede reducir la reescritura a costa del rendimiento o la cobertura, y la migración nativa puede mejorar la optimización al tiempo que incrementa el trabajo de ingeniería.

Las organizaciones que gestionan migraciones técnicas complejas necesitan registros consultables de experimentos, fallos y decisiones. Una base de conocimiento de ingeniería estructurada puede preservar ese contexto entre los equipos de infraestructura e investigación.

La documentación no elimina las diferencias entre plataformas. Sí reduce las investigaciones repetidas cuando los equipos vuelven a examinar los mismos kernels, configuraciones o discrepancias numéricas.

Por tanto, la métrica decisiva no es simplemente la cantidad de chips enviados. Es el tiempo necesario para reproducir una canalización de entrenamiento funcional y recuperar su anterior velocidad de desarrollo.

Lo que la información sobre Huawei aún no puede demostrar

La preferencia reportada por CUDA es creíble, pero las fuentes anónimas y la divulgación limitada impiden sacar conclusiones firmes sobre todos los laboratorios o cargas de trabajo chinos.

Las principales empresas de IA rara vez publican inventarios completos de su hardware de entrenamiento. También evitan revelar configuraciones detalladas de clústeres, acuerdos de compra y debilidades de infraestructura.

Ese secretismo tiene razones comerciales y políticas. El acceso al hardware puede revelar la capacidad de los modelos, restricciones operativas o una posible exposición al escrutinio de los controles de exportación.

Por ello, la información más reciente sobre Huawei debe leerse como evidencia de una preferencia amplia, no como un censo completo. Distintos laboratorios pueden utilizar diferentes combinaciones de chips propios, recursos en la nube e infraestructura en el extranjero.

Las definiciones también importan. Una empresa puede afirmar que un modelo es compatible con Ascend sin indicar dónde tuvo lugar el preentrenamiento.

Puede utilizar chips de Huawei para inferencia, posentrenamiento, evaluación o parte de un flujo de trabajo mixto. Ninguno de esos usos demuestra que todo el modelo base se haya entrenado mediante CANN.

A la inversa, entrenar con Nvidia no significa que Huawei haya fracasado. Puede reflejar hardware comprado anteriormente, una fecha límite temporal o un plan de transición deliberado.

Las estimaciones públicas de cuota de mercado crean otra fuente de confusión. Combinan distintas clases de chips, clientes y aplicaciones.

Un procesador adquirido para infraestructura gubernamental de inferencia no desplaza a un acelerador de Nvidia dentro de un clúster privado de entrenamiento de modelos de frontera. Ambos siguen contando como demanda de chips de IA.

Las cifras de envíos reportadas tampoco dicen mucho sobre la utilización. Un clúster maduro con mejor software puede ofrecer más trabajo útil que una instalación mayor que sufre interrupciones o un escalado deficiente.

El progreso de Huawei debe evaluarse, por tanto, mediante evidencia reproducible de cargas de trabajo. Las pruebas útiles incluirían tasas de finalización del entrenamiento, tiempo de actividad del clúster, eficiencia de escalado y tiempo de migración de los desarrolladores.

Los benchmarks de hardware por sí solos siguen siendo insuficientes. Un procesador puede rendir bien en operaciones aisladas y, aun así, tener dificultades con un modelo en evolución distribuido en un gran clúster.

También existe el riesgo de congelar la comparación en el pasado. CANN ha seguido desarrollándose, y la participación de código abierto puede mejorar sus herramientas más rápido de lo que sugieren las evaluaciones históricas.

La investigación sobre generación automatizada de kernels también puede reducir los costes de migración. El proyecto CANN Bench evalúa código de operadores generado por IA frente a hardware Ascend real y límites algorítmicos.

Si los sistemas de IA pueden traducir y optimizar de forma fiable el código de aceleradores, la barrera de software de Nvidia se vuelve menos absoluta. La palabra clave es de forma fiable.

Los kernels generados aún deben superar pruebas de corrección, manejar formas inusuales y permanecer estables entre versiones de software. También necesitan un rendimiento cercano al de implementaciones nativas cuidadosamente ajustadas.

Las herramientas automatizadas podrían reducir la primera etapa de reescritura sin eliminar la validación. Solo eso ya cambiaría la economía de la migración.

Otra incertidumbre se refiere al acceso futuro de Nvidia a China. La política de Pekín puede favorecer el hardware nacional mientras tolera importaciones selectivas para los cuellos de botella del entrenamiento.

Estados Unidos también puede modificar qué productos puede exportar Nvidia. Estas decisiones cambian la urgencia de adoptar CANN independientemente del progreso técnico de Huawei.

Nvidia afronta su propia tensión estratégica. Las ventas continuadas pueden preservar la adopción de CUDA, mientras que las restricciones animan a clientes y gobiernos a financiar alternativas.

Jensen Huang ha argumentado repetidamente que excluir la tecnología estadounidense acelera a los competidores extranjeros. Su preocupación refleja las mismas dinámicas de software visibles en los laboratorios chinos.

Cada instalación de CUDA puede reforzar la base de desarrolladores de Nvidia. Cada acelerador no disponible ofrece a Huawei otra oportunidad de desplegar hardware Ascend y mejorar CANN mediante el uso en producción.

La evidencia respalda una conclusión prudente. Nvidia todavía parece difícil de reemplazar para las principales cargas de trabajo de entrenamiento, pero su posición depende de un acceso continuo y de una superioridad de software sostenida.

Tres señales mostrarán si CANN puede romper el dominio de CUDA en el entrenamiento

La próxima fase se decidirá mediante despliegues de entrenamiento verificables, tiempo de migración medido y acceso sostenido al hardware de Nvidia.

La primera señal es una ejecución de preentrenamiento a escala de frontera divulgada y completada principalmente con procesadores Ascend. La divulgación debería distinguir el entrenamiento del modelo base de la inferencia y el posentrenamiento.

Un ejemplo creíble incluiría la generación de procesadores, el tamaño del clúster, la versión de software, la duración del entrenamiento y el comportamiento de escalado. Los detalles técnicos independientes importarían más que una afirmación de lanzamiento.

Tal resultado reforzaría el argumento de que CANN puede respaldar cargas de trabajo de investigación que cambian rápidamente. Resultados repetidos de laboratorios no relacionados tendrían aún mayor peso.

Una única ejecución exitosa no establecería una paridad universal. Demostraría que Huawei ha cruzado un importante umbral operativo para al menos una configuración exigente.

La segunda señal es una reducción medible del tiempo de migración de CUDA a CANN. Huawei y sus socios necesitan evidencia de que los proyectos establecidos pueden trasladarse sin meses de trabajo especializado.

Entre los indicadores útiles se incluyen una cobertura más amplia de operadores de PyTorch, conversión fiable de kernels, herramientas de perfilado más sólidas y actualizaciones estables entre versiones de CANN.

Los desarrolladores también observarán la recuperación tras fallos distribuidos. Un clúster que reanuda de forma segura un largo trabajo de entrenamiento puede proteger mucho más valor que uno que publica un benchmark aislado más alto.

La actividad de código abierto puede aportar evidencia temprana. Más colaboradores externos, una resolución más rápida de incidencias y un soporte más amplio de frameworks mostrarían que CANN está evolucionando más allá de una cadena de herramientas controlada por un proveedor.

La tercera señal es la disponibilidad real de aceleradores de Nvidia dentro de China. Los permisos de exportación anunciados no producen necesariamente clústeres entregados y utilizables.

Associated Press informó que Nvidia no había generado ingresos por H200 en China a finales de junio de 2026, pese a conversaciones previas sobre un posible acceso. La postura de compra de Pekín seguía sin estar clara.

Si las entregas de Nvidia siguen bloqueadas, los laboratorios chinos tendrán incentivos más fuertes para asumir los costes de migración. Huawei podría obtener las cargas de trabajo necesarias para mejorar CANN mediante la práctica.

Si las entregas se reanudan a una escala significativa, los laboratorios podrán preservar el entrenamiento basado en CUDA mientras adoptan Ascend de forma selectiva. Ese resultado debilitaría el argumento a favor de una transición inmediata de toda la pila.

Por tanto, los dos proveedores afrontan pruebas diferentes. Nvidia debe mantener su hardware lo bastante accesible para que la ventaja de software de CUDA importe.

Huawei debe convertir el apoyo político y de compras en un entorno de desarrollo al que los investigadores confíen sus ejecuciones de entrenamiento más costosas.

Para los desarrolladores, la lección práctica es examinar las dependencias de software antes de evaluar alternativas de aceleradores. La cobertura de kernels, las bibliotecas de comunicación, la observabilidad y la recuperación ante fallos pueden pesar más que el rendimiento anunciado.

Los compradores empresariales también deberían preguntar qué etapa de una carga de trabajo de IA se ejecutará en cada plataforma. El entrenamiento, el posentrenamiento y la inferencia generan distintos riesgos de migración.

Para los usuarios de IA, el resultado final afectará a la disponibilidad de modelos, la capacidad de servicio y el ritmo de nuevos lanzamientos. También podría dar lugar a ecosistemas regionales optimizados para hardware diferente.

La información actual sobre Huawei no muestra que la estrategia china de hardware de IA doméstico se haya estancado. Muestra que la sustitución de hardware y la sustitución de software avanzan a ritmos distintos.

Huawei está logrando más implantaciones, experiencia en inferencia y un papel doméstico más amplio. Nvidia sigue beneficiándose cuando los equipos de investigación eligen la plataforma que protege su ciclo de desarrollo.

La cuestión decisiva ya no es si los procesadores Ascend pueden ejecutar modelos grandes. Es si CANN puede permitir que los laboratorios cambien esos modelos con rapidez, de forma repetida y fiable.

Esté atento a la próxima ejecución de entrenamiento divulgada, a la próxima gran versión de CANN y a la próxima entrega confirmada de Nvidia. En conjunto, esas señales mostrarán si CUDA sigue siendo la opción predeterminada de China o se convierte en un puente temporal.