Huawei desarrolla ecosistema de computación GPU alternativo a CUDA

Huawei compite con NVIDIA en IA no solo con chips Ascend, sino construyendo un ecosistema compatible con PyTorch y ONNX para facilitar migraciones, enfocándose en mejorar la experiencia del desarrollador ante limitaciones de hardware y producción. https://tinyurl.com/bdhjvxnw

M
MIIA
editorial
12 de diciembre de 2025·4 min de lectura
Huawei desarrolla ecosistema de computación GPU alternativo a CUDA

Cuando pensamos en NVIDIA, lo primero que nos viene a la mente suele ser su hardware: las H100, la arquitectura Blackwell, los racks, el consumo energético, los procesos de fabricación… Es lógico, pero también es un error quedarse solo en eso. La verdadera fortaleza de NVIDIA no está tanto en su hardware, sino en CUDA.

CUDA no es simplemente un complemento del chip; es el estándar global sobre el que se desarrolla, optimiza y depura la mayoría del código de inteligencia artificial en el mundo. Cambiar de GPU sin cambiar CUDA no existe realmente, y cambiar CUDA implica rehacer años de trabajo invertido. Por eso se considera un “foso defensivo” o moat.

Esto es fundamental entenderlo porque la gran estrategia de Huawei no es simplemente replicar un chip tipo H100, sino crear un camino para que los desarrolladores puedan usar sus procesadores Ascend sin sentir que cambian por completo de ecosistema. Las restricciones comerciales están acelerando este proceso.

Hoy en día, el mundo está dividido en dos grandes ecosistemas: uno que gira alrededor de NVIDIA y otro que China está tratando de construir a contrarreloj.

En este segundo bloque, Huawei no solo compite en chips, sino que apuesta por construir todo un ecosistema, tanto en inteligencia artificial como en otras áreas. Aquí está la clave: aunque los chips chinos estén años detrás, pueden reducir su dependencia si logran que el software funcione y se adapte.

Huawei está abordando esta tarea desde tres frentes, siguiendo una estrategia muy pragmática:

1. Pila nativa (CANN + MindSpore): es la opción más “pura”, con su propio entorno y herramientas para sacar el máximo rendimiento a Ascend. Sin embargo, hoy tiene un coste alto, con quejas en cuanto a estabilidad, documentación desordenada y una comunidad pequeña.

2. Compatibilidad con PyTorch: este es el movimiento clave. Huawei no pretende que el mundo adopte su framework, sino que siga usando PyTorch. Con torch_npu, actúan como un adaptador para que los modelos de PyTorch funcionen en Ascend. El problema es que no es una solución nativa y cada nueva versión de PyTorch puede generar incompatibilidades que afectan a los desarrolladores.

3. Portabilidad mediante ONNX: aquí Huawei busca su mejor oportunidad, enfocándose en la inferencia y despliegue más que en el entrenamiento. ONNX sirve como formato puente: puedes entrenar en la plataforma que quieras (generalmente en NVIDIA) y luego desplegar en Ascend. Es una solución menos idealista, pero muy práctica para aliviar la escasez de hardware local.

En el fondo, Huawei trata de replicar el “truco” que hizo triunfar a NVIDIA: convertir su hardware en una experiencia completa para el desarrollador. Por eso han llegado al punto de enviar ingenieros directamente a las empresas clientes para ayudar en la migración y optimización del código. Esto, aunque no es una solución escalable como modelo de negocio, funciona como una transición que les da tiempo para mejorar herramientas, librerías y soporte.

Además, si China logra que suficientes equipos adopten Ascend por necesidad, con el tiempo puede convertirse en un hábito y luego en la infraestructura dominante, no porque sea mejor, sino porque estará integrado.

Claro que Huawei afronta dos grandes desafíos que no se solucionan con marketing:

- La velocidad de mejora del hardware: los análisis sugieren que puede haber un estancamiento relativo y que la brecha con NVIDIA podría incluso crecer si esta última sigue acelerando sus ciclos de innovación.

- Limitaciones fuera del chip: memoria (como HBM), herramientas y capacidad de producción masiva. Puedes tener chips menos potentes, pero necesitas producirlos y montar sistemas a gran escala.

En los próximos meses, si esta estrategia sigue avanzando, veremos dos señales claras: menos promesas grandilocuentes sobre chips nuevos y más casos reales de migraciones a Ascend, con sus desafíos y pérdidas de rendimiento; y una adopción más natural de un modelo híbrido, donde se entrena en la plataforma más conveniente y se despliega en la que convenga.

Para NVIDIA, el núcleo seguirá siendo CUDA. Para Huawei, no se trata solo del chip, sino de construir una vía de escape estratégica. Y las restricciones internacionales están siendo el motor que vuelve esta realidad inevitable.

fuente original
https://www.xataka.com/componentes/huawei-esta-construyendo-su-propio-ecosistema-alternativo-a-cuda-consigue-rompe-monopolio-real-nvidia
Prueba MIIA

Agentes de IA para WhatsApp, Instagram y Messenger. Configurados en 10 minutos.

Seguir leyendo

relacionado con #nvidia · #cuda · #inteligencia artificial
Prueba MIIA gratis →
WhatsApp