Um chip de inteligência artificial pode ser poderoso e ainda assim ter dificuldade para competir.

Porque quem escolhe um acelerador não escolhe apenas silício.

Escolhe também ferramentas para programá-lo, bibliotecas prontas, documentação, suporte, networking, conhecimento acumulado e uma comunidade que já sabe como trabalhar naquela plataforma.

É justamente aí que aparece uma das vantagens mais importantes da Nvidia.

E é essa camada menos visível que DeepSeek e Huawei estão tentando desenvolver do lado chinês.

No fim de setembro, a DeepSeek afirmou estar trabalhando com a Huawei em ferramentas de programação otimizadas para os chips Ascend. O esforço inclui bibliotecas de computação e comunicação e uma solução baseada em 128 aceleradores Ascend 950.

À primeira vista, parece apenas mais uma notícia sobre chips chineses.

Mas a pergunta mais importante é outra:

CUDA costuma aparecer associado às GPUs da Nvidia.

Mas tratá-lo apenas como uma linguagem de programação reduz demais o que existe ali.

O CUDA Toolkit reúne compilador, runtime, bibliotecas aceleradas, debugging, profiling e diferentes ferramentas de desenvolvimento.

Ao redor dele existem bibliotecas como cuBLAS, cuFFT, cuSOLVER e cuSPARSE, além de ferramentas como Nsight Compute, Nsight Systems e CUDA-GDB.

Isso produz uma diferença importante.

Uma empresa que já desenvolveu modelos, kernels, pipelines e ferramentas usando CUDA não compara apenas:

GPU Nvidia vs chip concorrente.

Ela também compara:

Se código, bibliotecas internas, conhecimento da equipe e processos de produção já funcionam sobre determinada plataforma, trocar hardware pode exigir muito mais do que instalar um componente diferente.

O chip é parte da decisão.

O ecossistema inteiro também entra na conta.

Imagine um smartphone tecnicamente excelente.

Boa tela.

Bom processador.

Boa bateria.

Mas quase nenhum aplicativo, poucas ferramentas para desenvolvedores e pouca gente sabendo programar para ele.

O aparelho pode funcionar perfeitamente.

Sua adoção ainda será muito mais difícil.

Com aceleradores de IA existe uma lógica semelhante.

Um chip competitivo precisa ser cercado por:

software;

bibliotecas;

frameworks;

ferramentas;

documentação;

interconexão;

desenvolvedores.

Ao longo dos anos, a Nvidia acumulou justamente essas camadas.

Reportagens da Reuters citavam mais de 4 milhões de desenvolvedores CUDA em 2024 e aproximadamente 5 milhões em 2025. Esses números são históricos, não uma contagem atual de outubro de 2026, mas ajudam a dimensionar a base acumulada ao redor da plataforma.

É isso que transforma software em vantagem competitiva.

É aqui que o movimento chinês fica mais interessante.

A Huawei não trabalha apenas no Ascend como processador.

A empresa desenvolve o CANN — Compute Architecture for Neural Networks, apresentado por ela como uma das bases do ecossistema Ascend.

Segundo a Huawei, o stack inclui ou integra bibliotecas de operadores e aceleração, graph engines, linguagens de programação e projetos como PyTorch, vLLM, SGLang, Triton e TileLang.

Em outras palavras:

A estratégia passa a combinar:

Ascend

CANN

frameworks

ferramentas

interconexão

desenvolvedores.

É uma lógica muito mais próxima daquilo que tornou a plataforma Nvidia difícil de substituir.

TileLang também impede uma interpretação simplista.

Ele não nasceu agora da parceria entre DeepSeek e Huawei para “substituir o CUDA”.

O projeto foi criado para programação de kernels de alto desempenho e suporta múltiplos backends, incluindo Nvidia CUDA, AMD ROCm, Huawei Ascend, Apple Metal e CPU.

O TileLang-Ascend já estava aberto desde setembro de 2025.

Em 30 de setembro de 2026, o projeto principal passou a oferecer suporte oficial ao Ascend 950.

Isso mostra que a competição não precisa ocorrer entre dois mundos completamente fechados.

Ferramentas multi-backend podem reduzir parte da fricção entre plataformas.

E esse é um ponto importante:

A própria existência de projetos destinados a facilitar o uso de diferentes aceleradores mostra que empresas tentam reduzir os custos de troca.

A pergunta, portanto, não é se sair do CUDA é impossível.

É:

Huawei já possuía hardware e software.

A DeepSeek acrescenta algo diferente: experiência prática com desenvolvimento e operação de modelos de IA, capaz de ajudar a expor gargalos reais de programação, computação e comunicação no hardware Ascend.

A colaboração divulgada envolve justamente essas camadas e uma solução com 128 Ascend 950.

Isso importa porque grandes sistemas de IA não dependem apenas da potência de cada acelerador isolado.

Milhares de chips precisam dividir trabalho, acessar memória, trocar dados, sincronizar operações e ser coordenados pelo software.

Por isso, a competição deixa de ser simplesmente:

chip contra chip

e passa a ser:

A capacidade útil de um cluster depende também de interconexão, software, paralelização, memória, energia e networking.

É nesse nível que a Huawei tenta competir com suas arquiteturas SuperPoD.

Existe um risco de simplificar demais essa estratégia.

Não podemos dizer:

“se o chip chinês for pior, basta usar mais chips.”

Escalar aceleradores também aumenta consumo de energia, custo, complexidade, necessidade de memória, latência de comunicação e potenciais pontos de falha.

A formulação mais precisa é:

a Huawei tenta competir também no nível do sistema, usando interconexão, software e grande escala para melhorar o desempenho agregado de seus aceleradores.

Isso pode ajudar.

Não significa automaticamente equivalência com sistemas Nvidia.

Existe ainda uma dimensão geopolítica.

Os Estados Unidos mantêm controles sobre determinadas categorias de computação avançada e tecnologias de semicondutores destinadas à China.

Em janeiro de 2026, por exemplo, a política americana passou a permitir análise caso a caso de licenças envolvendo Nvidia H200, AMD MI325X e produtos semelhantes, sob condições específicas.

Portanto, seria errado resumir o cenário como:

“A China não pode comprar chips Nvidia.”

A realidade é mais específica.

Mas quanto mais difícil ou incerto se torna o acesso a tecnologias estrangeiras consideradas importantes, maior tende a ser o valor estratégico de alternativas domésticas.

A cadeia é:

restrição externa

↓

custo e risco da dependência ↑

↓

incentivo à autonomia ↑

↓

pressão e atratividade do investimento em alternativas ↑

↓

Existe uma diferença enorme entre tentar substituir e conseguir substituir.

Os controles podem aumentar o incentivo chinês.

Eles não garantem o resultado.

Esse talvez seja o ponto mais importante da história.

A independência tecnológica chinesa não exige necessariamente que Ascend supere a Nvidia em todas as métricas globais.

Para determinados usuários e workloads domésticos, pode ser suficiente ter:

hardware adequado;

software adequado;

frameworks compatíveis;

suporte local;

capacidade disponível;

custo aceitável.

O limiar estratégico pode não ser:

Pode ser:

Isso muda a forma de interpretar a corrida.

Um ecossistema alternativo não precisa dominar o mercado mundial para possuir valor estratégico.

Precisa ser funcional o bastante para permitir que usuários relevantes continuem operando quando o acesso à plataforma dominante estiver limitado ou incerto.

Aqui está o principal contrapeso.

Segundo a Huawei, o CANN já tinha mais de 5.200 desenvolvedores ativos mensalmente, 61% deles externos, mais de 40 modelos treinados nativamente em Ascend + CANN e integração com mais de 90 projetos open source.

Mas essas métricas são autodeclaradas pela própria Huawei.

Ainda não existe medição independente robusta mostrando adoção comparável ao CUDA.

Também existem gargalos físicos.

A própria Huawei reconheceu limitações para atender toda a demanda chinesa por equipamentos de computação de IA.

A disponibilidade de memória HBM continua sendo uma restrição e uma fonte de custos adicionais.

E muitas afirmações sobre desempenho dos SuperPoDs ainda dependem de dados divulgados pelo fabricante.

Portanto, a conclusão responsável não é:

“China está quebrando o domínio da Nvidia.”

É:

O resultado permanece aberto.

Se quisermos saber se Huawei e DeepSeek estão realmente reduzindo a dependência da Nvidia, olhar apenas para TFLOPS ou velocidade de uma GPU será insuficiente.

Será preciso acompanhar:

Adoção — quantos desenvolvedores independentes utilizam Ascend e CANN?

Software — quantas bibliotecas estão maduras?

Compatibilidade — quanto código pode ser reaproveitado?

Migração — quanto trabalho é necessário para mudar de plataforma?

Performance real — como o sistema funciona em treinamento e inferência de modelos reais?

Escala — quantos aceleradores conseguem trabalhar juntos de maneira eficiente?

Produção — quantas empresas usam a plataforma em workloads efetivos?

Disponibilidade — a Huawei consegue fabricar hardware suficiente?

Custo total — quanto custa entregar uma unidade útil de computação?

Esse é o verdadeiro placar.

Porque a vantagem da Nvidia nunca foi apenas possuir um bom chip.

Foi conseguir transformar o chip em plataforma.

E esse é exatamente o problema que a China agora precisa resolver.

FONTES FINAIS