Informacje od Huawei pokazują, dlaczego Nvidia nadal dominuje w chińskim trenowaniu AI

Informacje od Huawei pochodzące z czołowych chińskich laboratoriów AI wskazują na uporczywy konflikt: układy Nvidia mają rzekomo nadal pozostawać ich standardowym wyborem do trenowania dużych modeli językowych.

Ta preferencja utrzymuje się mimo wieloletnich ograniczeń eksportowych, presji na korzystanie z krajowych dostawców i szybkich ulepszeń procesorów Ascend firmy Huawei. Bezpośrednią przeszkodą nie jest wyłącznie wydajność obliczeniowa. To także praca potrzebna do przeniesienia produkcyjnego kodu treningowego z platformy CUDA firmy Nvidia do oprogramowania CANN firmy Huawei.

To rozróżnienie zmienia znaczenie chińskiego wyścigu układów AI. Huawei może zdobywać zamówienia na sprzęt i obsługiwać więcej obciążeń inferencyjnych, podczas gdy Nvidia pozostaje głęboko zakorzeniona w tworzeniu modeli. Rywalizacja toczy się więc między trenowaniem opartym na CUDA a krajową alternatywą CANN, a nie po prostu między specyfikacjami dwóch procesorów.

Chińskie laboratoria AI nadal budują największe modele wokół Nvidia

Najnowsze doniesienia sugerują, że Nvidia pozostaje domyślną platformą treningową, nawet gdy Huawei zyskuje na znaczeniu w innych obszarach chińskiej infrastruktury AI.

Według oryginalnej relacji źródła wśród czołowych chińskich twórców dużych modeli językowych stwierdziły, że układy Nvidia nadal są normą w zaawansowanym trenowaniu. Przeniesienie istniejących projektów na sprzęt Huawei wymagałoby szeroko zakrojonego przepisywania pod CANN.

CUDA, skrót od Compute Unified Device Architecture, to platforma programistyczna Nvidia służąca do uruchamiania równoległych obciążeń na jej procesorach. CANN, czyli Compute Architecture for Neural Networks, to odpowiadający jej stos oprogramowania Huawei dla procesorów Ascend.

Obie platformy łączą frameworki AI ze sprzętem akceleratorów. Nie zapewniają jednak wymiennych środowisk wykonawczych dla każdego kernela, biblioteki, operacji komunikacyjnej czy procesu debugowania.

Ma to znaczenie, ponieważ trenowanie modeli z czołówki nie polega na skopiowaniu pojedynczej aplikacji na inny serwer. Łączy tysiące komponentów oprogramowania rozwijanych, testowanych i optymalizowanych przez kilka lat.

Zespół treningowy może używać PyTorch na szczycie swojego stosu. Pod tym znanym frameworkiem znajdują się niestandardowe kernele CUDA, biblioteki komunikacji zbiorowej, procedury zarządzania pamięcią, narzędzia profilujące i optymalizacje specyficzne dla sprzętu.

Przeniesienie takiego obciążenia do CANN oznacza sprawdzenie każdej warstwy. Nieobsługiwane operacje trzeba zastąpić, przepisać lub przekierować przez narzędzia kompatybilności. Następnie inżynierowie muszą zweryfikować zachowanie numeryczne, wydajność, zużycie pamięci i stabilność na dużą skalę.

Zgłaszana preferencja nie oznacza, że chińskie laboratoria odrzucają Huawei. Wskazuje, że oddzielają decyzje dotyczące trenowania od innych decyzji sprzętowych.

Trenowanie tworzy model poprzez przetwarzanie ogromnych zbiorów danych w dużych klastrach akceleratorów. Inferencja wykorzystuje ukończony model do odpowiadania na zapytania po zakończeniu trenowania.

Obciążenia inferencyjne są często łatwiejsze do przeniesienia, ponieważ są węższe i bardziej przewidywalne. Zespoły mogą optymalizować ustalony model bez ciągłego zmieniania jego architektury w trakcie badań.

Trenowanie jest mniej wyrozumiałe. Awaria podczas długiego rozproszonego uruchomienia może zmarnować znaczną ilość czasu obliczeniowego, a subtelny błąd numeryczny może pogorszyć jakość powstałego modelu.

Chińskie laboratoria mają więc praktyczny powód, by zachować sprawdzoną platformę dla swoich najdroższych eksperymentów. Inżynierowie znają już tryby awarii CUDA, narzędzia wydajnościowe i wzorce optymalizacji.

Ta decyzja bardziej odzwierciedla zarządzanie ryzykiem operacyjnym niż lojalność wobec marki. Laboratorium działające pod presją terminu dla modelu zwykle wybierze środowisko, które z największym prawdopodobieństwem pozwoli ukończyć uruchomienie.

Ta preferencja wyjaśnia także, dlaczego sama sprzedaż sprzętu jest niepełną miarą tej rywalizacji. Huawei może przejmować popyt na akceleratory, nie wypierając od razu Nvidia z najtrudniejszych procesów tworzenia oprogramowania.

Chiński rynek układów już ilustruje ten podział. Bernstein oszacował, że Nvidia i Huawei posiadały po około 40 procent chińskiego rynku układów AI w 2025 roku.

Bernstein oczekiwał, że udział Huawei zbliży się do 50 procent w 2026 roku, podczas gdy udział Nvidia może spaść w okolice 8 procent. Szacunki te opisują ogólny ruch na rynku, niekoniecznie adopcję w trenowaniu modeli z czołówki.

Pozorna sprzeczność jest centralnym elementem tej historii. Nvidia może tracić szeroki udział w rynku, zachowując jednocześnie ponadproporcjonalną rolę w obciążeniach, które tworzą wiodące modele.

Dlaczego informacje od Huawei wciąż prowadzą z powrotem do CUDA

Informacje od Huawei dotyczące trudności migracyjnych ujawniają, że najsilniejszą obroną Nvidia jest nagromadzone oprogramowanie, a nie jedna generacja szybszego krzemu.

CUDA istnieje od 2006 roku. W tym czasie Nvidia stworzyła biblioteki do algebry liniowej, sieci neuronowych, komunikacji rozproszonej, przetwarzania danych i analizy wydajności.

Deweloperzy tworzyli także własne rozszerzenia CUDA. Repozytoria badawcze, implementacje modeli i przewodniki optymalizacji powszechnie zakładają dostęp do sprzętu Nvidia.

Ten nagromadzony kod tworzy efekt sieciowy. Więcej użytkowników CUDA produkuje więcej przetestowanego oprogramowania, co czyni CUDA bardziej użyteczną dla kolejnego zespołu, który ją wdraża.

Huawei startuje z innego punktu. CANN musi obsługiwać sprzęt Ascend, jednocześnie spełniając oczekiwania ukształtowane przez lata rozwoju CUDA.

Wyzwanie obejmuje więcej niż tłumaczenie nazw funkcji. Kernel zaprojektowany wokół hierarchii pamięci procesora Nvidia może zachowywać się inaczej na jednostce przetwarzania neuronowego Ascend.

Komunikacja zbiorowa stanowi kolejną przeszkodę. Duże modele dzielą parametry i dane między setki lub tysiące akceleratorów, które podczas trenowania nieustannie wymieniają informacje.

Niewielkie opóźnienia komunikacyjne kumulują się w całym klastrze. Port działający poprawnie na jednym procesorze może stać się nieefektywny lub niestabilny po rozszerzeniu na wiele maszyn.

Inżynierowie muszą również zastąpić praktyki monitorowania i debugowania. Profiler zbudowany wokół CUDA nie może automatycznie ujawnić każdego wąskiego gardła CANN z tą samą szczegółowością ani w równie znajomym interfejsie.

Ocena stosu AI z 2025 roku, przygotowana przez MERICS, opisała przenośność CUDA jako dużą przewagę Nvidia. Stwierdzono w niej, że przełączenie istniejących modeli na sprzęt inny niż Nvidia nadal pozostaje kosztowne.

Raport przytoczył również obawy dotyczące dojrzałości CANN, awarii, odzyskiwania działania i kompatybilności między kolejnymi systemami Ascend. Ustalenia te poprzedzały najnowsze wydania oprogramowania i sprzętu Huawei, więc nie stanowią aktualnego punktu odniesienia.

Pozostają użyteczne, ponieważ identyfikują rodzaj długu inżynieryjnego, który Huawei musi przezwyciężyć. Nowe procesory nie eliminują automatycznie problemów z migracją kodu, dokumentacją ani niezawodnością.

Huawei odpowiedział bezpośrednio. W sierpniu 2025 roku firma ogłosiła, że kluczowe części CANN staną się oprogramowaniem open source, i zaprosiła uniwersytety, firmy oraz deweloperów do współtworzenia.

Inicjatywa CANN celuje w jedną z przewag CUDA: dużą społeczność, która identyfikuje błędy i rozszerza obsługę sprzętu.

Otwarcie kodu może przyspieszyć rozwój i poprawić przejrzystość. Nie może natychmiast odtworzyć zasięgu bibliotek, doświadczenia deweloperskiego i wiedzy instytucjonalnej otaczających CUDA.

Opóźnienie jest szczególnie ważne w przypadku niestandardowych kerneli. Laboratoria z czołówki coraz częściej piszą wyspecjalizowane operacje, aby ograniczać wykorzystanie pamięci lub poprawiać wydajność trenowania.

Operacje te często kodują założenia dotyczące CUDA i architektury Nvidia. Automatyczna konwersja może zapewnić punkt wyjścia, ale pomyślne zbudowanie nie gwarantuje równoważnej szybkości ani stabilności.

Inżynierowie nadal muszą profilować wynik, badać dokładność numeryczną i dostrajać go do innego sprzętu. Proces ten bezpośrednio konkuruje z badaniami nad modelami o ograniczony czas specjalistów.

Laboratorium musi więc porównać dwa koszty. Pierwszym jest dalsza zależność od objętego ograniczeniami zagranicznego sprzętu. Drugim — opóźnienie i wysiłek inżynieryjny potrzebne do stworzenia rodzimego krajowego stosu.

CUDA wygrywa, gdy drugi koszt wydaje się większy niż pierwszy. CANN staje się bardziej atrakcyjny wraz ze wzrostem ryzyka dostępu lub gdy narzędzia migracyjne obniżają ten koszt.

Huawei Ascend postępuje szybciej w inferencji niż w trenowaniu

Najbardziej wiarygodna droga Huawei do obejścia Nvidia zaczyna się od inferencji, gdzie ustalone modele stanowią łatwiejszy do opanowania cel niż eksperymentalne uruchomienia treningowe.

Huawei ulepszył zarówno swoje procesory, jak i systemy je łączące. Strategia firmy polega na łączeniu dużej liczby akceleratorów Ascend, aby zrekompensować ograniczenia dotyczące pojedynczych układów.

To podejście na poziomie systemu jest istotne. Współczesna wydajność AI zależy od współpracy pamięci, sieci, harmonogramowania i oprogramowania, a nie wyłącznie od deklarowanej przepustowości procesora.

Huawei może także optymalizować inferencję dla szeroko wdrożonych modeli. Gdy deweloperzy zamrożą architekturę modelu, inżynierowie mogą analizować jego powtarzalne operacje i dostrajać je pod Ascend.

DeepSeek stanowi widoczny przykład tego rozróżnienia. Jego wydanie V4 obsługuje procesory Huawei przynajmniej w części wdrożenia, zmniejszając wyłączną zależność od amerykańskich dostawców.

Obsługa inferencji nie dowodzi jednak, że model został wytrenowany w całości na sprzęcie Huawei. Publiczne opisy wykorzystania sprzętu często zacierają granicę między tymi dwoma etapami.

To rozdzielenie ma znaczenie dla nabywców. Dostawca może raz wytrenować model na sprzęcie Nvidia, a następnie obsługiwać miliony zapytań za pomocą krajowych akceleratorów.

Taki układ zmniejsza zależność operacyjną bez umieszczania najbardziej niepewnego procesu badawczego na nowszej platformie. Zapewnia też Huawei stałe obciążenia produkcyjne, które mogą ulepszać CANN.

Każde wdrożenie dostarcza inżynierom zgłoszeń błędów, śladów wydajności i wymagań dotyczących kompatybilności. Te lekcje mogą stopniowo wzmacniać oprogramowanie potrzebne do bardziej wymagającego trenowania.

Najnowsze badania pokazują zarówno postęp, jak i pozostałe komplikacje. Badanie terenowe Ascend z lipca 2026 roku analizowało duże obciążenia inferencyjne modeli mixture-of-experts i modeli multimodalnych w 16-urządzeniowym systemie Ascend 910.

Model mixture-of-experts aktywuje wybrane grupy parametrów dla każdego wejścia, ograniczając obliczenia, lecz zwiększając złożoność routingu. Modele multimodalne przetwarzają kombinacje, takie jak tekst i obrazy.

Badacze skupili się na koszcie inżynieryjnym obsługi tych wymagających obciążeń poza CUDA. Ich praca traktuje migrację jako problem operacyjny, zamiast zakładać kompatybilność sprzętową na podstawie teoretycznej wydajności.

Postępy Huawei w inferencji nadal wywierają presję na Nvidia. Inferencja odpowiada za powtarzalny popyt po wejściu modelu do produkcji, podczas gdy zakupy na potrzeby trenowania mogą następować w skoncentrowanych cyklach.

Dostawca obsługujący inferencję na Ascend zdobywa doświadczenie z narzędziami Huawei i projektowaniem klastrów. To doświadczenie obniża barierę dla późniejszych projektów post-training lub pełnego trenowania.

Post-training dostosowuje istniejący model poprzez dostrajanie, uczenie preferencji lub uczenie ze wzmocnieniem. Często wymaga mniej zasobów obliczeniowych niż tworzenie modelu bazowego od początku.

Czyni to post-training wiarygodnym pomostem. Zespoły mogą przenieść ograniczone obciążenie na Ascend, zanim zaryzykują pełną kampanię pretrainingową.

Doniesienia o dużych klastrach Ascend do post-trainingu należy więc traktować poważnie. Nie powinny jednak być przedstawiane jako dowód, że CANN osiągnął równoważność w każdym zadaniu trenowania modeli z czołówki.

Pomyślny test kontrolowanego obciążenia dotyczy wyłącznie konkretnego modelu, klastra i wersji oprogramowania. Laboratoria badawcze nieustannie zmieniają architektury, formaty precyzji, strategie równoległości i niestandardowe operacje.

Przewaga Nvidia częściowo polega na tym, że firma absorbuje te zmiany, nie zmuszając zespołów do przebudowy ich środowiska. Huawei musi wykazać podobną elastyczność w kilku niezależnych laboratoriach.

Na razie rynek dzieli się na warstwy. Huawei staje się bardziej konkurencyjny w krajowych zamówieniach, inferencji oraz wybranych projektach post-trainingowych.

Nvidia zachowuje przewagę w otwartych pracach treningowych, z których powstaje następna generacja modeli. To węższa pozycja niż całkowita dominacja rynkowa, ale nadal strategicznie cenna.

Rzeczywistym kosztem zmiany jest utracony czas badań

Przepisywanie kodu jest kosztowne, lecz większym ryzykiem jest spowolnienie cyklu eksperymentów, który decyduje o konkurencyjności laboratorium AI.

Zespół pracujący nad modelem frontierowym nie uruchamia jednego końcowego zadania treningowego. Przeprowadza mniejsze eksperymenty, testuje zmiany architektury, dostosowuje mieszanki danych i mierzy zachowanie przy skalowaniu.

Każdy eksperyment wpływa na następny. Szybkość tej pętli może mieć równie duże znaczenie jak dostęp do większej teoretycznej puli mocy obliczeniowej.

Migracja przerywa tę pętlę. Inżynierowie, którzy zwykle ulepszają modele, muszą zamiast tego analizować operatory, przebudowywać kernele i diagnozować nieznane awarie klastra.

Zespoły mogą zatrudniać wyspecjalizowanych ekspertów od infrastruktury, ale takich specjalistów wciąż brakuje. Muszą oni też ściśle współpracować z badaczami modeli, ponieważ problemy z wydajnością często przekraczają granice organizacyjne.

Koszt alternatywny jest trudny do zmierzenia. Migracja może wyglądać na udaną, a jednocześnie po cichu zmniejszać liczbę eksperymentów ukończonych przed terminem wydania.

To ryzyko pomaga wyjaśnić zgłaszany opór przed porzuceniem CUDA. Laboratorium AI nie ocenia procesorów jak wymiennego wyposażenia biurowego.

Sprzęt określa, jakie oprogramowanie działa, jak szybko diagnozuje się awarie i jak łatwo kod badawczy staje się niezawodnym obciążeniem rozproszonym.

Presja zakupowa może skłaniać laboratoria do wyboru krajowych systemów. Nie może jednak wymazać kosztu utraconych eksperymentów ani nieudanych uruchomień.

Presja jest szczególnie silna w przypadku chińskich laboratoriów, które chcą dorównać modelom tworzonym przez OpenAI, Anthropic, Google, Meta i innych dobrze finansowanych deweloperów.

Ich konkurenci już korzystają z dużych klastrów Nvidia i mogą używać tego samego ekosystemu badawczego skoncentrowanego wokół CUDA. Wolniejszy cykl migracji powiększyłby lukę rozwojową, nawet gdyby zwiększał niezależność dostaw.

Stawia to chińskie firmy AI przed niewygodnym wyborem. Sprzęt Nvidia wiąże się z ryzykiem regulacyjnym, importowym i ryzykiem ciągłości dostaw. Sprzęt Huawei niesie ryzyko migracji oprogramowania i realizacji projektów.

Żadna z opcji nie daje pewności. Licencje eksportowe mogą się zmieniać, zgody celne mogą utknąć, a krajowa polityka zakupowa może się zaostrzać.

Jednocześnie kolejne wydania CANN mogą wprowadzać nowe możliwości lub zmiany kompatybilności. Laboratorium musi zdecydować, czy podjąć pracę migracyjną teraz, czy pozostać narażonym na przyszłe ograniczenia dostępu.

Zespoły mogą odpowiedzieć, obsługując dwa stosy technologiczne. Mogą zachować CUDA dla krytycznego treningu, przenosząc inferencję i wybrane obciążenia na Ascend.

Strategia dwóch stosów zapewnia elastyczność, ale nie jest bezkosztowa. Inżynierowie muszą utrzymywać osobne kernele, procesy testowe, obrazy kontenerów i punkty odniesienia wydajności.

Zmiany w modelach wymagają wtedy walidacji na obu systemach. Dokumentacja i reagowanie na incydenty również stają się bardziej skomplikowane.

Alibaba analizowała mieszane i alternatywne podejścia sprzętowe, podczas gdy inni chińscy producenci chipów promują warstwy kompatybilności. Działania te rozwiązują problem zmiany platformy z różnych stron.

Warstwa kompatybilności pozwala uruchamiać kod zorientowany na CUDA na innym procesorze przy mniejszej liczbie zmian w kodzie źródłowym. Musi jednak nadążać za aktualizacjami Nvidia i sprawnie tłumaczyć zachowanie oprogramowania.

Natywna strategia Huawei oparta na CANN zapewnia większą kontrolę nad optymalizacją Ascend. Wymaga jednak większej adaptacji ze strony zespołów, których systemy zbudowano wokół CUDA.

Żadna z tych dróg nie gwarantuje natychmiastowego zastąpienia. Kompatybilność może ograniczyć przepisywanie kodu kosztem wydajności lub zakresu obsługi, a natywna migracja może poprawić optymalizację, jednocześnie zwiększając nakład prac inżynieryjnych.

Organizacje zarządzające złożonymi migracjami technicznymi potrzebują przeszukiwalnych zapisów eksperymentów, awarii i decyzji. Ustrukturyzowana baza wiedzy inżynieryjnej może zachować ten kontekst między zespołami infrastruktury i badań.

Dokumentacja nie usuwa różnic między platformami. Ogranicza jednak powtarzanie tych samych analiz, gdy zespoły wracają do tych samych kerneli, konfiguracji lub rozbieżności numerycznych.

Decydującą miarą nie jest zatem po prostu liczba dostarczonych chipów. Jest nią czas potrzebny do odtworzenia działającego potoku treningowego i odzyskania wcześniejszego tempa rozwoju.

Czego narracja o Huawei Intel wciąż nie może udowodnić

Zgłaszana preferencja dla CUDA jest wiarygodna, ale anonimowe źródła i ograniczone ujawnienia uniemożliwiają stanowcze wnioski dotyczące każdego chińskiego laboratorium lub obciążenia.

Duże firmy AI rzadko publikują pełne wykazy swojego sprzętu treningowego. Unikają też ujawniania szczegółowych konfiguracji klastrów, ustaleń zakupowych i słabości infrastruktury.

Ta tajemnica ma przyczyny handlowe i polityczne. Dostęp do sprzętu może ujawnić możliwości modeli, ograniczenia operacyjne lub potencjalne narażenie na kontrolę eksportową.

Najnowsze informacje o Huawei należy więc odczytywać jako dowód szerokiej preferencji, a nie pełny spis. Różne laboratoria mogą korzystać z odmiennych kombinacji własnych chipów, zasobów chmurowych i infrastruktury zagranicznej.

Znaczenie mają również definicje. Firma może twierdzić, że model obsługuje Ascend, nie ujawniając, gdzie przeprowadzono pretraining.

Może używać chipów Huawei do inferencji, post-trainingu, ewaluacji lub części mieszanego przepływu pracy. Żadne z tych zastosowań nie dowodzi, że cały model bazowy został wytrenowany za pośrednictwem CANN.

Z kolei trening na Nvidia nie oznacza, że Huawei poniosło porażkę. Może wynikać ze sprzętu kupionego wcześniej, tymczasowego terminu lub świadomego planu przejścia na nową platformę.

Publiczne szacunki udziału w rynku stanowią kolejne źródło nieporozumień. Łączą różne klasy chipów, klientów i zastosowania.

Procesor kupiony na potrzeby rządowej infrastruktury inferencyjnej nie zastępuje akceleratora Nvidia w prywatnym klastrze treningowym dla modelu frontierowego. Oba nadal liczą się jako popyt na chipy AI.

Podawane liczby dostaw mówią też niewiele o wykorzystaniu. Dojrzały klaster z lepszym oprogramowaniem może dostarczać więcej użytecznej pracy niż większa instalacja zmagająca się z awariami lub słabym skalowaniem.

Postępy Huawei należy więc oceniać na podstawie powtarzalnych dowodów z obciążeń roboczych. Przydatne byłyby dane o wskaźnikach ukończenia treningu, dostępności klastra, efektywności skalowania i czasie migracji deweloperów.

Same benchmarki sprzętowe pozostają niewystarczające. Procesor może dobrze wypadać w izolowanych operacjach, a jednocześnie mieć trudności z ewoluującym modelem rozproszonym na dużym klastrze.

Istnieje też ryzyko zatrzymania porównania w przeszłości. CANN nadal się rozwija, a udział społeczności open source może ulepszać jego narzędzia szybciej, niż sugerują historyczne oceny.

Badania nad automatycznym generowaniem kerneli mogą również obniżyć koszty migracji. Projekt CANN Bench ocenia kod operatorów generowany przez AI względem rzeczywistego sprzętu Ascend i ograniczeń algorytmicznych.

Jeśli systemy AI będą w stanie niezawodnie tłumaczyć i optymalizować kod akceleratorów, programistyczna fosa Nvidia stanie się mniej absolutna. Kluczowym słowem jest „niezawodnie”.

Wygenerowane kernele nadal muszą przejść testy poprawności, obsługiwać nietypowe kształty i pozostawać stabilne między wersjami oprogramowania. Muszą też osiągać wydajność zbliżoną do starannie dostrojonych implementacji natywnych.

Zautomatyzowane narzędzia mogłyby ograniczyć pierwszy etap przepisywania bez eliminowania walidacji. Już samo to zmieniłoby ekonomię migracji.

Kolejna niewiadoma dotyczy przyszłego dostępu Nvidia do Chin. Polityka Pekinu może faworyzować krajowy sprzęt, jednocześnie tolerując wybrane importy dla wąskich gardeł treningowych.

Stany Zjednoczone mogą też zmienić listę produktów, które Nvidia może eksportować. Decyzje te zmieniają pilność wdrażania CANN niezależnie od postępów technicznych Huawei.

Nvidia stoi wobec własnego napięcia strategicznego. Kontynuacja sprzedaży może utrzymać adopcję CUDA, podczas gdy ograniczenia zachęcają klientów i rządy do finansowania alternatyw.

Jensen Huang wielokrotnie argumentował, że wykluczanie amerykańskiej technologii przyspiesza rozwój zagranicznych konkurentów. Jego obawy odzwierciedlają tę samą dynamikę oprogramowania widoczną w chińskich laboratoriach.

Każda instalacja CUDA może wzmacniać bazę deweloperów Nvidia. Każdy niedostępny akcelerator daje Huawei kolejną szansę na wdrożenie sprzętu Ascend i ulepszanie CANN dzięki wykorzystaniu produkcyjnemu.

Dowody wspierają ostrożny wniosek. Nvidia nadal wydaje się trudna do zastąpienia w wiodących obciążeniach treningowych, ale jej pozycja zależy od ciągłego dostępu i utrzymującej się przewagi oprogramowania.

Trzy sygnały pokażą, czy CANN może przełamać przewagę CUDA w treningu

O kolejnej fazie zadecydują weryfikowalne wdrożenia treningowe, zmierzony czas migracji i trwały dostęp do sprzętu Nvidia.

Pierwszym sygnałem będzie ujawnione, przeprowadzone głównie na procesorach Ascend uczenie wstępne na skalę frontierową. Ujawnione informacje powinny odróżniać trening modelu bazowego od inferencji i post-trainingu.

Wiarygodny przykład obejmowałby generację procesorów, wielkość klastra, wersję oprogramowania, czas treningu i zachowanie przy skalowaniu. Niezależne szczegóły techniczne miałyby większe znaczenie niż deklaracja przy okazji premiery.

Taki wynik wzmocniłby argument, że CANN może obsługiwać szybko zmieniające się obciążenia badawcze. Powtarzalne wyniki z niepowiązanych laboratoriów miałyby jeszcze większą wagę.

Pojedyncze udane uruchomienie nie ustanowiłoby uniwersalnej równorzędności. Pokazałoby, że Huawei przekroczyło ważny próg operacyjny przynajmniej dla jednej wymagającej konfiguracji.

Drugim sygnałem będzie mierzalne skrócenie czasu migracji z CUDA do CANN. Huawei i jego partnerzy potrzebują dowodów, że istniejące projekty można przenieść bez miesięcy specjalistycznej pracy.

Przydatne wskaźniki obejmują szersze pokrycie operatorów PyTorch, niezawodną konwersję kerneli, lepsze narzędzia profilowania oraz stabilne aktualizacje między wydaniami CANN.

Deweloperzy będą też obserwować odzyskiwanie sprawności po awariach rozproszonych. Klaster, który bezpiecznie wznawia długie zadanie treningowe, może chronić znacznie większą wartość niż taki, który osiąga wyższy izolowany wynik benchmarku.

Aktywność open source może dostarczyć wczesnych dowodów. Większa liczba zewnętrznych współtwórców, szybsze rozwiązywanie problemów i szersze wsparcie dla frameworków pokazałyby, że CANN rozwija się poza łańcuchem narzędzi kontrolowanym przez dostawcę.

Trzecim sygnałem będzie faktyczna dostępność akceleratorów Nvidia w Chinach. Ogłoszone pozwolenia eksportowe niekoniecznie przekładają się na dostarczone i użyteczne klastry.

Associated Press podała, że Nvidia nie osiągnęła przychodów z H200 w Chinach do końca czerwca 2026 r., mimo wcześniejszych dyskusji o potencjalnym dostępie. Stanowisko Pekinu w sprawie zakupów pozostawało niejasne.

Jeśli dostawy Nvidia nadal będą blokowane, chińskie laboratoria będą miały silniejsze bodźce, by zaakceptować koszty migracji. Huawei mogłoby zdobyć obciążenia potrzebne do ulepszania CANN poprzez praktykę.

Jeśli dostawy zostaną wznowione na znaczącą skalę, laboratoria będą mogły zachować trening oparty na CUDA, jednocześnie wybiórczo wdrażając Ascend. Taki wynik osłabiłby argument za natychmiastowym przejściem całego stosu technologicznego.

Dwaj dostawcy stoją więc przed różnymi testami. Nvidia musi utrzymać dostępność swojego sprzętu na poziomie wystarczającym, by przewaga programistyczna CUDA miała znaczenie.

Huawei musi przełożyć wsparcie polityczne i zakupowe na środowisko rozwojowe, któremu badacze zaufają w przypadku swoich najdroższych zadań treningowych.

Dla deweloperów praktyczny wniosek jest taki, by przed oceną alternatyw dla akceleratorów przeanalizować zależności programistyczne. Pokrycie obsługą kerneli, biblioteki komunikacyjne, obserwowalność i odzyskiwanie sprawności po awariach mogą mieć większe znaczenie niż deklarowana wydajność.

Nabywcy korporacyjni powinni również pytać, który etap obciążenia AI będzie działał na każdej platformie. Trening, trening po wstępnym uczeniu i inferencja wiążą się z różnymi ryzykami migracyjnymi.

Dla użytkowników AI ostateczny wynik wpłynie na dostępność modeli, przepustowość ich obsługi oraz tempo nowych wydań. Może też doprowadzić do powstania regionalnych stosów zoptymalizowanych pod kątem różnego sprzętu.

Obecne informacje dotyczące Huawei nie pokazują, że chińska strategia krajowego sprzętu AI utknęła w miejscu. Pokazują, że wymiana sprzętu i wymiana oprogramowania postępują w różnym tempie.

Huawei zyskuje wdrożenia, doświadczenie w inferencji i większą rolę na rynku krajowym. Nvidia nadal korzysta na tym, gdy zespoły badawcze wybierają platformę, która chroni ich cykl rozwoju.

Decydujące pytanie nie brzmi już, czy procesory Ascend potrafią uruchamiać duże modele. Brzmi ono: czy CANN może umożliwić laboratoriom szybkie, wielokrotne i niezawodne zmienianie tych modeli.

Warto obserwować kolejne ujawnione uruchomienie treningu, następną dużą wersję CANN oraz kolejną potwierdzoną dostawę Nvidia. Łącznie te sygnały pokażą, czy CUDA pozostaje domyślnym rozwiązaniem w Chinach, czy staje się tymczasowym pomostem.