Huaweiの現場情報が示す、Nvidiaが中国のAI学習市場でなお優位に立つ理由

中国の主要AI研究所から得られたHuaweiに関する情報は、根強い現実を示している。大規模言語モデルの学習では、Nvidia製チップが依然として標準的な選択肢とみられている。

輸出規制、国産調達への圧力、HuaweiのAscendプロセッサの急速な改良が何年も続いているにもかかわらず、この傾向は変わらない。直面している障害は演算性能だけではない。NvidiaのCUDAプラットフォームからHuaweiのCANNソフトウェアへ、本番の学習コードを移行するために必要な作業だ。

この違いは、中国のAIチップ競争の意味を変える。Huaweiはハードウェア受注を獲得し、より多くの推論ワークロードを支えられる一方で、Nvidiaはモデル開発に深く組み込まれたままでいられる。したがって競争は、単なる2つのプロセッサ仕様の争いではなく、CUDAベースの学習と国内製CANN代替基盤との競争である。

中国のAI研究所は最大規模のモデルをなおNvidia中心で構築

最新報道によれば、Huaweiが中国のAIインフラの他領域で存在感を高める中でも、Nvidiaは依然として標準的な学習プラットフォームとなっている。

元の報道によると、中国の主要な大規模言語モデル開発企業の関係者は、高度な学習ではNvidia製チップが依然として一般的だと述べた。既存プロジェクトをHuaweiのハードウェアへ移すには、CANN向けに大規模な書き換えが必要になる。

Compute Unified Device Architectureの略であるCUDAは、Nvidia製プロセッサ上で並列ワークロードを実行するためのプログラミングプラットフォームだ。Compute Architecture for Neural Networks、すなわちCANNは、Ascendプロセッサ向けのHuaweiの対応ソフトウェアスタックである。

どちらのプラットフォームも、AIフレームワークとアクセラレータハードウェアを接続する。しかし、あらゆるカーネル、ライブラリ、通信処理、デバッグワークフローに対して、互換性のある実行環境を提供するわけではない。

重要なのは、最先端モデルの学習が単一のアプリケーションを別のサーバーにコピーする作業ではない点だ。そこには、数年をかけて開発、検証、最適化された数千のソフトウェアコンポーネントが組み合わされている。

学習チームはスタックの最上位でPyTorchを使うかもしれない。その使い慣れたフレームワークの下には、カスタムCUDAカーネル、集合通信ライブラリ、メモリ管理ルーチン、プロファイリングツール、ハードウェア固有の最適化が存在する。

このワークロードをCANNへ移すには、各層を確認する必要がある。未対応の処理は置き換えるか、書き直すか、互換性ツールを介して実行しなければならない。その後、エンジニアは数値的な挙動、性能、メモリ消費量、そして大規模運用時の安定性を検証する必要がある。

報じられたNvidiaへの選好は、中国の研究所がHuaweiを排除していることを意味しない。学習に関する判断と、それ以外のハードウェアに関する判断を分けていることを示している。

学習では、大規模なアクセラレータクラスタをまたいで膨大なデータセットを処理し、モデルを作り上げる。推論では、学習完了後のモデルを使って要求に応答する。

推論ワークロードは、対象がより限定され予測しやすいため、移植が比較的容易な場合が多い。研究中にアーキテクチャを何度も変えることなく、チームは固定されたモデルを最適化できる。

学習はそれほど寛容ではない。長時間の分散実行中に障害が起きれば、相当な演算時間が無駄になり得る。微妙な数値エラーでも、完成するモデルに悪影響を及ぼしかねない。

そのため中国の研究所には、最も高価な実験で実績あるプラットフォームを維持する実務的な理由がある。エンジニアはすでにCUDAの障害パターン、性能分析ツール、最適化手法を熟知している。

この判断は、ブランドへの忠誠心というより運用リスクの管理を意味する。モデルの期限に直面する研究所は通常、実行を完了できる可能性が最も高い環境を選ぶ。

この選好は、ハードウェア販売だけでは競争の全体像を測れない理由も説明する。Huaweiはアクセラレータ需要を取り込めても、最も困難な開発ワークフローからNvidiaを直ちに排除できるとは限らない。

中国のチップ市場は、すでにこの分断を示している。Bernsteinは、2025年の中国AIチップ市場でNvidiaとHuaweiがそれぞれおよそ40％のシェアを占めたと推計した。

Bernsteinは、Huaweiのシェアが2026年中に50％へ近づく一方、Nvidiaのシェアは8％前後まで低下する可能性があると予測した。これらの推計は市場全体の動きを示すものであり、必ずしも最先端学習での採用状況を表すものではない。

この一見した矛盾こそが、この話の核心だ。Nvidiaは市場全体のシェアを失っても、主力モデルを生み出すワークロードでは過大なほどの役割を維持できる。

Huaweiに関する情報がCUDAへと行き着く理由

移行時の摩擦に関するHuaweiの情報は、Nvidiaにとって最も強力な防御線が、1世代速いシリコンではなく蓄積されたソフトウェアにあることを示している。

CUDAは2006年から存在している。その間にNvidiaは、線形代数、ニューラルネットワーク、分散通信、データ処理、性能分析向けのライブラリを構築してきた。

開発者も独自のCUDA拡張を作ってきた。研究リポジトリ、モデル実装、最適化ガイドは、Nvidiaハードウェアへのアクセスを前提としていることが多い。

この蓄積されたコードはネットワーク効果を形成する。CUDAユーザーが増えるほど検証済みソフトウェアが増え、その結果、次に採用するチームにとってCUDAの価値が高まる。

Huaweiは異なる出発点に立つ。CANNはAscendハードウェアをサポートしつつ、長年のCUDA開発によって生まれた期待にも応えなければならない。

課題は関数名の変換にとどまらない。Nvidiaプロセッサのメモリ階層を前提に設計されたカーネルは、Ascendのニューラル処理ユニットでは異なる挙動を示す可能性がある。

集合通信も別の障害となる。大規模モデルでは、数百から数千のアクセラレータにパラメータとデータを分割し、学習中に継続的に情報をやり取りする。

わずかな通信遅延も、クラスタ全体では積み重なる。1つのプロセッサで正しく動作する移植でも、多数のマシンへ拡張すると非効率または不安定になる可能性がある。

エンジニアは監視とデバッグの手法も置き換えなければならない。CUDAを前提とするプロファイラでは、すべてのCANNのボトルネックを同じ詳細度や使い慣れたインターフェースで自動的に可視化できるわけではない。

MERICSによる2025年のAIスタック評価は、CUDAの移植性をNvidiaの大きな強みと位置付けた。既存モデルをNvidia以外のハードウェアへ切り替えるコストは依然として高いとした。

同報告書は、CANNの成熟度、クラッシュ、復旧、世代の異なるAscendシステム間の互換性に関する懸念も挙げた。これらの調査結果はHuaweiの最新ソフトウェアおよびハードウェアのリリースより前のものであり、現時点のベンチマークではない。

それでも、Huaweiが乗り越えるべきエンジニアリング上の負債の種類を示している点で有用だ。新たなプロセッサだけで、コード移行、文書化、信頼性の問題が自動的に解消されるわけではない。

Huaweiは直接対応している。2025年8月、同社はCANNの主要部分をオープンソース化すると発表し、大学、企業、開発者に貢献を呼びかけた。

CANNイニシアチブは、CUDAの強みの一つである、大規模なコミュニティによるバグ発見とハードウェア対応の拡張を狙っている。

コードの公開は開発を加速させ、透明性を高める可能性がある。しかし、CUDAを取り巻くライブラリの網羅性、開発者体験、組織的知見を瞬時に再現することはできない。

この遅れは、カスタムカーネルにおいて特に重要になる。最先端の研究所は、メモリ使用量の削減や学習効率の向上を目的に、専用の処理を作るケースが増えている。

こうした処理には、CUDAとNvidiaのアーキテクチャに関する前提が組み込まれていることが多い。自動変換は出発点にはなり得るが、ビルドが成功しても同等の速度や安定性が保証されるわけではない。

エンジニアはなお、結果をプロファイリングし、数値精度を検証し、異なるハードウェア向けに調整する必要がある。この作業は、限られた専門人材の時間を巡ってモデル研究と直接競合する。

したがって研究所は、2つのコストを比較しなければならない。一方は、規制対象となる海外ハードウェアへの依存を続けるコストだ。もう一方は、国内のネイティブスタックを確立するために必要な遅延とエンジニアリングの労力である。

後者のコストが前者より大きく見える限り、CUDAが選ばれる。アクセスリスクが高まる、または移行ツールがそのコストを下げるにつれて、CANNはより魅力的になる。

Huawei Ascendは学習より推論で速く進展

Nvidiaを回避するHuaweiの最も有力な道は推論から始まる。固定されたモデルは、実験的な学習実行よりも扱いやすい対象となるからだ。

Huaweiはプロセッサと、それらを接続するシステムの双方を改善してきた。同社の戦略は、多数のAscendアクセラレータを接続し、個々のチップに影響する制約を補うものだ。

このシステムレベルのアプローチは重要である。現代のAI性能は、プロセッサの公称スループットだけでなく、メモリ、ネットワーク、スケジューリング、ソフトウェアが一体となって機能することに依存する。

Huaweiは広く導入されたモデル向けに推論を最適化することもできる。開発者がモデルのアーキテクチャを固定すれば、エンジニアは繰り返し実行される処理を分析し、Ascend向けに調整できる。

DeepSeekはこの違いを示す分かりやすい例だ。同社のV4リリースは、少なくとも導入の一部でHuaweiプロセッサをサポートしており、米国のサプライヤーへの排他的な依存を低減している。

ただし、推論対応は、そのモデルが完全にHuaweiハードウェア上で学習されたことを示すものではない。ハードウェア利用に関する公表内容は、しばしばこの2つの段階を曖昧にする。

この区別は購入者にとって重要だ。プロバイダーはモデルを一度Nvidiaハードウェアで学習させ、その後に国内製アクセラレータを通じて数百万件の要求に対応できる。

この構成は、最も不確実な研究実行を新しいプラットフォームに委ねることなく、運用上の依存を減らす。また、HuaweiにCANNを改善できる継続的な本番ワークロードをもたらす。

導入のたびに、エンジニアにはバグ報告、性能トレース、互換性要件が提供される。こうした知見は、より要求の厳しい学習に必要なソフトウェアを徐々に強化できる。

最近の研究は、進展と残る複雑さの両方を示している。2026年7月のAscend実地調査は、16デバイスのAscend 910システム上で、大規模なMixture-of-Expertsおよびマルチモーダル推論ワークロードを検証した。

Mixture-of-Expertsモデルは、入力ごとに選択されたパラメータ群を有効化することで計算量を減らす一方、ルーティングの複雑さを増す。マルチモーダルモデルは、テキストや画像などの組み合わせを処理する。

研究者たちは、CUDA以外でこうした要求の厳しいワークロードを提供する際のエンジニアリングコストに焦点を当てた。この研究は、理論上の性能からハードウェア互換性を当然視するのではなく、移行を運用上の問題として扱っている。

Huaweiの推論分野での進展は、なおNvidiaへの圧力となる。モデルが本番運用に入った後、推論は継続的な需要を生み出す一方で、学習用の購入は集中的なサイクルで発生し得る。

Ascendで推論を処理するプロバイダーは、Huaweiのツールとクラスタ設計に関する経験を得る。この経験は、その後の追加学習や全面的な学習プロジェクトへの障壁を下げる。

追加学習は、ファインチューニング、選好学習、強化学習を通じて既存モデルを調整する工程だ。通常、ゼロから基盤モデルを構築するよりも少ない計算資源で済む。

このため、追加学習は有力な橋渡しとなる。チームは、全面的な事前学習キャンペーンをリスクにさらす前に、範囲を限定したワークロードをAscendへ移せる。

したがって、大規模なAscend追加学習クラスタに関する報道は真剣に受け止めるべきだ。ただし、それをCANNがあらゆる最先端学習タスクで同等水準に達した証拠として示すべきではない。

制御されたワークロードテストが成功しても、検証されるのは特定のモデル、クラスタ、ソフトウェアバージョンに限られる。研究機関はアーキテクチャ、精度フォーマット、並列化戦略、カスタム演算を継続的に変更している。

Nvidiaの優位性は、チームに環境の再構築を強いることなく、こうした変更を吸収できる点にもある。Huaweiは、複数の独立した研究機関にわたり、同様の柔軟性を示さなければならない。

現時点で市場は層に分かれつつある。Huaweiは国内調達、推論、一部のポストトレーニング案件で競争力を高めている。

Nvidiaは、次世代モデルを生み出す、目的が固定されていないトレーニング作業で優位を維持している。これは市場全体を支配する立場より狭いが、依然として戦略的価値は高い。

真の切り替えコストは失われる研究時間だ

コードの書き換えにはコストがかかる。しかしより大きなリスクは、AI研究機関の競争力を左右する実験サイクルを遅らせることにある。

最先端モデルのチームは、最終的なトレーニングジョブを1回だけ実行するわけではない。より小規模な実験を行い、アーキテクチャの変更を検証し、データの組み合わせを調整し、スケーリングの挙動を測定する。

各実験は次の実験に影響を与える。そのループの速度は、理論上より大きな計算資源プールへのアクセスと同じくらい重要になり得る。

移行はこのループを中断する。通常はモデル改善に取り組むエンジニアが、演算子の精査、カーネルの再構築、見慣れないクラスタ障害の診断に時間を割くことになる。

チームは専任のインフラ専門家を採用できるが、そうした人材は依然として不足している。また、性能問題は組織の境界をまたぐことが多いため、モデル研究者との密接な連携も必要だ。

機会損失を測定するのは難しい。移行は成功したように見えても、リリース期限までに完了する実験数をひそかに減らしている可能性がある。

このリスクは、CUDAを捨てることへの抵抗が報じられている理由を説明する一助となる。AI研究機関は、プロセッサを交換可能なオフィス機器のようには評価しない。

ハードウェアは、どのソフトウェアが動くか、障害をどれほど迅速に診断できるか、研究用コードを信頼性の高い分散ワークロードへどれほど容易に転換できるかを決める。

調達上の圧力は、研究機関を国内システムへ向かわせることがある。しかし、実験を逃すコストや実行失敗のコストを消し去ることはできない。

OpenAI、Anthropic、Google、Metaなど、潤沢な資金を持つ開発企業のモデルに追いつこうとする中国の研究機関にとって、この圧力は特に強い。

競合各社はすでに大規模なNvidiaクラスタを運用し、CUDAを中心とする同じ研究エコシステムを利用できる。供給の独立性が高まったとしても、移行サイクルが遅ければ開発格差は広がる。

これは中国のAI企業にとって厳しい選択を生む。Nvidiaのハードウェアには規制、輸入、継続性に関するリスクがある。Huaweiのハードウェアには、ソフトウェア移行と実行に関するリスクがある。

どちらの選択肢にも確実性はない。輸出ライセンスは変わり得るし、通関承認は滞る可能性があり、国内調達政策が厳格化されることもある。

同時に、CANNのリリースは新機能や互換性の変更をもたらす可能性がある。研究機関は、いま移行作業を受け入れるか、将来のアクセス制限にさらされ続けるかを判断しなければならない。

チームは二つのスタックをサポートすることで対応するかもしれない。重要なトレーニングではCUDAを維持しつつ、推論や一部のワークロードをAscendへ移すことができる。

デュアルスタック戦略は柔軟性をもたらすが、無償ではない。エンジニアは別々のカーネル、テストプロセス、コンテナイメージ、性能ベースラインを維持する必要がある。

モデル変更時には、両方のシステムでの検証が必要になる。ドキュメント整備やインシデント対応も複雑化する。

Alibabaは混在型および代替ハードウェアのアプローチを検討しており、他の中国チップメーカーは互換性レイヤーを推進している。これらの取り組みは、異なる方向から切り替えの問題に取り組んでいる。

互換性レイヤーにより、CUDAを前提とするコードを、ソース変更を抑えて別のプロセッサ上で実行できる。ただし、Nvidiaの更新を追随し、動作を効率的に変換しなければならない。

HuaweiのネイティブCANN戦略は、Ascendの最適化をより強く制御できる。一方で、CUDAを中心に構築されたシステムを持つチームには、より多くの適応を求める。

どちらの道も即時の代替を保証しない。互換性は性能やカバレッジを犠牲にしつつ書き換えを減らせる可能性があり、ネイティブ移行は最適化を改善できる一方でエンジニアリング作業を増やす。

複雑な技術移行を管理する組織には、実験、障害、意思決定に関する検索可能な記録が必要だ。構造化されたエンジニアリング知識ベースは、インフラチームと研究チームの間でその文脈を保存できる。

ドキュメント化はプラットフォーム間の違いをなくすものではない。しかし、チームが同じカーネル、構成、数値上の差異を再検討する際の調査の重複を減らすことはできる。

したがって決定的な指標は、単に出荷されたチップ数ではない。稼働していたトレーニングパイプラインを再現し、以前の開発速度を取り戻すまでに必要な時間だ。

Huawei Intelがなお証明できないこと

報じられたCUDAへの選好は信頼に足るものの、匿名情報源と限定的な開示により、すべての中国の研究機関やワークロードについて確定的な結論を出すことはできない。

大手AI企業がトレーニング用ハードウェアの完全な保有一覧を公表することはほとんどない。また、詳細なクラスタ構成、調達契約、インフラの弱点を明らかにすることも避けている。

この秘密主義には商業的・政治的な理由がある。ハードウェアへのアクセス状況は、モデル能力、運用上の制約、輸出規制の精査にさらされる可能性を明らかにしかねない。

したがって、最新のHuaweiに関する情報は、完全な国勢調査ではなく、広範な選好を示す証拠として読むべきだ。研究機関ごとに、自社保有チップ、クラウド資源、海外インフラを異なる組み合わせで利用している可能性がある。

定義も重要だ。企業は、どこで事前トレーニングが実施されたかを明かさずに、モデルがAscendをサポートしていると言うことができる。

Huaweiチップは推論、ポストトレーニング、評価、あるいは混在ワークフローの一部に使用できる。こうした用途のいずれも、ベースモデル全体がCANNを通じてトレーニングされたことを証明するものではない。

逆に、NvidiaでトレーニングしたことはHuaweiの失敗を意味しない。以前に購入したハードウェア、一時的な納期制約、あるいは意図的な移行計画を反映している可能性がある。

公開された市場シェア推計も、混乱の要因となる。異なるチップ分類、顧客、用途がまとめられているためだ。

政府向け推論インフラとして購入されたプロセッサは、民間の最先端モデル用トレーニングクラスタ内のNvidiaアクセラレータを置き換えるものではない。それでも両者はAIチップ需要として計上される。

報告された出荷台数も、利用率についてはほとんど語らない。より優れたソフトウェアを備えた成熟クラスタは、障害や不十分なスケーリングに苦しむより大規模な設備よりも、多くの有用な作業をこなせる可能性がある。

したがってHuaweiの進展は、再現可能なワークロードの証拠によって判断されなければならない。有用な証拠には、トレーニング完了率、クラスタ稼働率、スケーリング効率、開発者の移行時間が含まれる。

ハードウェアベンチマークだけでは依然として不十分だ。プロセッサは単独の演算では良好に動作しても、大規模クラスタにまたがって進化するモデルでは苦戦することがある。

比較を過去に固定してしまうリスクもある。CANNは開発を続けており、オープンソースへの参加は、過去の評価が示唆するより速くツール群を改善する可能性がある。

自動カーネル生成に関する研究も、移行コストを下げる可能性がある。CANN Benchプロジェクトは、AI生成の演算子コードを実際のAscendハードウェアおよびアルゴリズム上の制約に照らして評価している。

AIシステムがアクセラレータコードを信頼性高く変換・最適化できるようになれば、Nvidiaのソフトウェア上の堀は絶対的ではなくなる。重要なのは「信頼性高く」という点だ。

生成されたカーネルは、依然として正確性テストを通過し、特殊な形状を処理し、ソフトウェアバージョンをまたいで安定性を維持しなければならない。また、慎重にチューニングされたネイティブ実装に近い性能も必要だ。

自動化ツールは、検証をなくすことなく、書き換えの初期段階を軽減できる可能性がある。それだけでも移行の経済性は変わる。

もう一つの不確実性は、Nvidiaが今後も中国市場へアクセスできるかどうかだ。北京の政策は国内ハードウェアを優遇しつつ、トレーニングのボトルネック向けに一部輸入を容認する可能性がある。

米国も、Nvidiaが輸出できる製品を変更し得る。こうした判断は、Huaweiの技術的進展とは独立して、CANN導入の緊急性を変える。

Nvidia自身も戦略上の緊張に直面している。販売の継続はCUDAの採用を維持できる一方、制限は顧客や政府に代替策への資金投入を促す。

Jensen Huangは、米国技術を排除すれば海外の競合を加速させると繰り返し主張してきた。その懸念は、中国の研究機関で見られる同じソフトウェア力学を反映している。

CUDAの導入が増えるたびに、Nvidiaの開発者基盤は強化され得る。利用できないアクセラレータが生じるたびに、HuaweiにはAscendハードウェアを導入し、本番利用を通じてCANNを改善する機会が生まれる。

証拠は慎重な結論を支持している。Nvidiaは主要なトレーニングワークロードにおいて依然として代替が難しいとみられるが、その地位は継続的なアクセスと継続的なソフトウェア優位性に依存している。

CANNがCUDAのトレーニング支配を崩せるかを示す三つのシグナル

次の局面は、検証可能なトレーニング導入、測定可能な移行時間、Nvidiaハードウェアへの持続的なアクセスによって決まる。

最初のシグナルは、主としてAscendプロセッサで完了したことが開示される、最先端規模の事前トレーニング実行だ。その開示では、ベースモデルのトレーニングと推論・ポストトレーニングを区別すべきである。

信頼できる事例には、プロセッサ世代、クラスタ規模、ソフトウェアバージョン、トレーニング期間、スケーリング挙動が含まれる。ローンチ発表よりも、独立した技術的詳細の方が重要になる。

こうした結果は、CANNが急速に変化する研究ワークロードを支えられるという見方を強める。無関係な複数の研究機関から繰り返し結果が得られれば、さらに大きな重みを持つ。

単一の成功例だけで普遍的な同等性が確立されるわけではない。しかし少なくとも一つの要求の厳しい構成において、Huaweiが重要な運用上の閾値を越えたことを示すだろう。

二つ目のシグナルは、CUDAからCANNへの移行時間が測定可能な形で短縮されることだ。Huaweiとそのパートナーは、既存プロジェクトが何カ月もの専門的作業なしに移行できることを示す証拠を必要としている。

有用な指標には、より広範なPyTorch演算子カバレッジ、信頼性の高いカーネル変換、より強力なプロファイリングツール、CANNリリース間で安定したアップグレードが含まれる。

開発者は、分散障害からの復旧にも注目する。長時間のトレーニングジョブを安全に再開できるクラスタは、単独ベンチマークでより高い数値を出すだけのクラスタより、はるかに大きな価値を守れる。

オープンソース活動は早期の証拠となり得る。外部コントリビューターの増加、課題解決の迅速化、より広いフレームワーク対応は、CANNがベンダー管理のツールチェーンを超えて発展していることを示すだろう。

三つ目のシグナルは、中国国内でNvidiaアクセラレータが実際に利用可能かどうかだ。発表された輸出許可が、必ずしも納入済みで利用可能なクラスタにつながるとは限らない。

Associated Pressは、潜在的なアクセスをめぐる以前の議論にもかかわらず、Nvidiaが2026年6月下旬までに中国でH200の売上を計上していなかったと報じた。北京の調達方針は依然として不明確だった。

Nvidia製品の納入が引き続き阻まれれば、中国の研究機関は移行コストを受け入れる動機をより強める。Huaweiは、実運用を通じてCANNを改善するために必要なワークロードを獲得できる可能性がある。

意味のある規模で納入が再開されれば、研究機関はCUDAベースのトレーニングを維持しつつ、Ascendを選択的に導入できる。その結果は、即時のフルスタック移行を求める根拠を弱めるだろう。

したがって両社は異なる試練に直面している。Nvidiaは、CUDAのソフトウェア優位性が意味を持つだけのアクセス可能性を、自社ハードウェアで維持しなければならない。

Huaweiは、政治的・調達上の支援を、研究者が最も高価なトレーニング実行を任せられると信頼する開発環境へと転換しなければならない。

開発者にとって実務上の教訓は、アクセラレータの代替案を評価する前に、ソフトウェアの依存関係を精査することだ。カーネルの対応範囲、通信ライブラリ、可観測性、障害復旧は、表面的な性能指標を上回る重要性を持つ場合がある。

企業の購入担当者も、AIワークロードのどの段階を各プラットフォームで実行するのかを問うべきだ。学習、学習後の処理、推論では、移行に伴うリスクがそれぞれ異なる。

AIユーザーにとって、最終的な帰結はモデルの利用可能性、提供能力、新リリースのペースに影響する。また、異なるハードウェア向けに最適化された地域別のスタックが生まれる可能性もある。

現在明らかになっているHuaweiに関する情報は、中国の国産AIハードウェア戦略が停滞したことを示すものではない。ハードウェアの置き換えとソフトウェアの置き換えは、異なる速度で進むことを示している。

Huaweiは導入実績、推論の経験、そして国内での役割を拡大している。一方でNvidiaは、研究チームが開発サイクルを守れるプラットフォームを選択する際に、依然として優位に立つ。

決定的な問いは、Ascendプロセッサが大規模モデルを実行できるかどうかではなくなっている。CANNが、研究機関にそのモデルを迅速に、繰り返し、そして確実に変更させられるかどうかだ。

次に公開される学習実行、次の主要なCANNリリース、そして次に確認されるNvidiaの納入に注目したい。これらのシグナルを合わせれば、CUDAが中国のデフォルトであり続けるのか、それとも一時的な橋渡しになるのかが見えてくる。