Decyzja Huawei o globalnej komercjalizacji autorskich układów obliczeniowych to moment zwrotny w architekturze globalnego łańcucha dostaw półprzewodników. Przez lata chiński gigant, operujący w modelu fabless poprzez swoją jednostkę HiSilicon, koncentrował się na zaspokajaniu potrzeb wewnętrznych oraz budowie suwerenności technologicznej Państwa Środka w obliczu restrykcji eksportowych USA. Dzisiaj, wychodząc na rynek południowokoreański z ofertą procesorów Ascend AI oraz serwerowych jednostek Kunpeng, Huawei rzuca bezpośrednie wyzwanie ekosystemowi CUDA, na którym opiera się dominacja Nvidii. Nie jest to jedynie próba sprzedaży krzemu, lecz strategiczne uderzenie w hegemonię amerykańskich akceleratorów w centrach danych (hyperscalers).
Dla inżynierów i architektów systemów AI, pojawienie się alternatywy w postaci klastrów Atlas SuperPod wyposażonych w układy Ascend 910C czy nadchodzące jednostki serii 970, oznacza konieczność rewizji strategii infrastrukturalnej. Nvidia, ustami Jensena Huanga, wielokrotnie wskazywała na Huawei jako na najpoważniejszego rywala, który posiada unikalną zdolność do projektowania pełnego stosu technologicznego (full-stack): od autorskiej mikroarchitektury rdzeni, przez zaawansowane protokoły komunikacyjne interlink bandwidth, aż po warstwę oprogramowania operacyjnego i bibliotek deep learningowych. Rywalizacja ta przenosi się z poziomu czystej wydajności TFLOPS na poziom efektywności energetycznej klastrów oraz przepustowości pamięci HBM (High Bandwidth Memory).
Analiza tego ruchu wymaga wyjścia poza marketingowe slogany. Musimy przyjrzeć się parametrom technicznym, takim jak przepustowość szyny międzysystemowej, efektywność bibliotek CANN (Compute Architecture for Neural Networks) w porównaniu do NVIDIA Collective Communications Library (NCCL) oraz realnym możliwościom produkcyjnym chińskich odlewni (foundry), takich jak SMIC, które obsługują zlecenia Huawei w reżimie technologicznym 7nm (N+2/N+3). To właśnie wydajność produkcji (yield) oraz zdolność do integracji pamięci HBM w procesach pakowania 2.5D/3D będą kluczowe dla powodzenia globalnej ekspansji Huawei w 2026 roku.
Ascend, Kunpeng i Kirin
Sercem globalnej ofensywy Huawei jest rodzina procesorów Ascend, oparta na autorskiej architekturze Da Vinci. W przeciwieństwie do tradycyjnych układów GPU, architektura ta wykorzystuje moduły 3D Cube, które optymalizują operacje mnożenia macierzy (Matrix Multiplication), kluczowe dla trenowania dużych modeli językowych (LLM). Model Ascend 910C, będący bezpośrednią odpowiedzią na NVIDIA H100, oferuje teoretyczną wydajność na poziomie 320 TFLOPS w obliczeniach FP16. Kluczowym wyróżnikiem jest tu jednak zintegrowany interfejs HCCS (Huawei Cache Coherent System), który pozwala na budowę klastrów o ekstremalnie niskich opóźnieniach w komunikacji między węzłami, co jest krytyczne przy skalowaniu modeli rzędu bilionów parametrów.
Uzupełnieniem mocy obliczeniowej AI są procesory serwerowe Kunpeng 920 i ich nowsze iteracje. Oparte na architekturze ARMv8, układy te zostały zoptymalizowane pod kątem przepustowości pamięci i liczby rdzeni (do 64 rdzeni na gniazdo). W scenariuszach centrów danych, gdzie Huawei promuje rozwiązania typu end-to-end, Kunpeng pełni rolę procesora sterującego (host CPU), zarządzając przepływem danych do akceleratorów Ascend. Dzięki zastosowaniu ośmiokanałowego kontrolera pamięci DDR4/DDR5 oraz wsparciu dla PCIe 5.0, Huawei eliminuje wąskie gardła w transferze danych między pamięcią masową a jednostkami obliczeniowymi, co w testach benchmarkowych SPECrate2017 stawia te jednostki w ścisłej czołówce segmentu ARM serwerowego.
Nie można zapomnieć o procesorach mobilnych Kirin, takich jak model 9010 czy zapowiadany Kirin 9100. Choć segment mobilny wydaje się odległy od infrastruktury AI, to właśnie tam Huawei testuje najbardziej zaawansowane techniki heterogenicznego compute. Integracja procesorów sygnałowych ISP z jednostkami NPU (Neural Processing Unit) wewnątrz układów SoC Kirin pozwala na realizację zadań Edge AI bezpośrednio na urządzeniu końcowym. Z punktu widzenia globalnej sprzedaży chipów, oferowanie układów Kirin producentom IoT i automotive (np. w systemach autonomicznej jazdy Harmony Intelligent Mobility Alliance) stanowi potężny kanał dystrybucji, dywersyfikujący przychody poza sektor czysto serwerowy.
Największym wyzwaniem technicznym pozostaje proces litograficzny. Huawei, odcięty od maszyn EUV firmy ASML, polega na metodzie DUV multi-patterning w fabrykach SMIC. Choć podnosi to koszty produkcji i potencjalnie obniża yield, inżynierowie HiSilicon zrekompensowali te braki innowacjami w architekturze chipletowej. Poprzez łączenie mniejszych matryc w jeden duży układ scalony (tzw. die stitching), Huawei jest w stanie produkować procesory o dużej powierzchni bez drastycznego spadku uzysku z wafla krzemowego. To podejście pozwala na konkurowanie z układami Nvidii produkowanymi w procesie 4N TSMC, szczególnie w zastosowaniach, gdzie czysta gęstość tranzystorów jest mniej istotna niż efektywność zarządzania energią i przepustowość pamięci.
Korea Południowa jako brama do rynków globalnych
Wybór Korei Południowej jako pierwszego przystanku w globalnej ekspansji nie jest przypadkowy. Jak wskazał Balian Wang, dyrektor generalny Huawei Korea, kraj ten posiada jeden z najbardziej nasyconych rynków centrów danych oraz potężny sektor technologiczny, który desperacko szuka dywersyfikacji dostaw. Obecnie koreańskie firmy, takie jak SK Telecom czy KT, są silnie uzależnione od harmonogramów dostaw Nvidii. Wprowadzenie kart obliczeniowych Ascend 950PR (wersja produkcyjna) oraz 950DT (wersja dedykowana dla deweloperów) daje lokalnym graczom kartę przetargową w negocjacjach z dostawcami z USA oraz realną „drugą drogę” (Second Path) budowy klastrów obliczeniowych.
Strategia Huawei w Korei opiera się na dostarczaniu kompletnych rozwiązań klastrowych Atlas SuperPod. Zamiast sprzedawać pojedyncze chipy, które klient musiałby integrować samodzielnie, Huawei oferuje szafy serwerowe z preinstalowanym stosem programistycznym MindSpore oraz zoptymalizowanymi sieciami RoCE v2 (RDMA over Converged Ethernet). Taki model „klucz pod rękę” minimalizuje ryzyko niekompatybilności sprzętowej, co jest kluczowe dla firm niemających doświadczenia w pracy z architekturą inną niż x86+CUDA. Co więcej, Huawei agresywnie promuje swój ekosystem wśród lokalnych startupów AI, oferując wsparcie techniczne na poziomie inżynieryjnym, co ma przełamać barierę psychologiczną związaną z przejściem na chińskie technologie.
Kolejnym aspektem jest bliskość geograficzna i biznesowa z producentami pamięci, takimi jak Samsung i SK Hynix. Choć oficjalnie firmy te muszą przestrzegać restrykcji eksportowych, współpraca przy rozwoju standardów pamięci HBM3 i przyszłych HBM4 jest niezbędna dla obu stron. Huawei, projektując układy Ascend 960 i 970, musi ściśle definiować parametry kontrolerów pamięci, aby w pełni wykorzystać potencjał stosów HBM. Obecność fizyczna w Korei pozwala na sprawniejszą iterację projektów i lepsze dostosowanie kontrolerów PHY wewnątrz chipów do parametrów fizycznych pamięci produkowanych przez koreańskich gigantów, co bezpośrednio przekłada się na wyższy interlink bandwidth.
Ostrzeżenia Nvidii: Dlaczego Jensen Huang bije na alarm?
Obawy Nvidii nie wynikają z prostej utraty kilku procent udziału w rynku. Chodzi o erozję „fosy” (moat), jaką jest ekosystem CUDA. Przez dekadę Nvidia budowała standard, w którym każde narzędzie do uczenia maszynowego – od PyTorch po TensorFlow – było zoptymalizowane pod jej biblioteki (cuDNN, NCCL). Huawei, wprowadzając CANN (Compute Architecture for Neural Networks), wykonał tytaniczną pracę w zakresie kompatybilności. Obecnie CANN wspiera ponad 10 modelowych architektur typu Transformer i pozwala na relatywnie łatwą migrację kodu z CUDA. Jeśli Huawei uda się przekonać globalnych deweloperów do swojego stosu, Nvidia straci swój najpotężniejszy atut: monopol na standard programistyczny.
Drugim krytycznym punktem jest integracja sieciowa. Nvidia promuje standard InfiniBand, podczas gdy Huawei stawia na wysokowydajny Ethernet z rozszerzeniami RDMA. W klastrach Atlas SuperPod, Huawei implementuje autorskie algorytmy zapobiegania kongestii w sieci (congestion control), które pozwalają na uzyskanie wydajności zbliżonej do InfiniBand przy użyciu znacznie tańszej i bardziej powszechnej infrastruktury ethernetowej. To bezpośrednie uderzenie w zyski Nvidii generowane przez segment networkingowy (Mellanox). Jensen Huang rozumie, że jeśli Huawei udowodni skuteczność swojego podejścia w Korei, model ten błyskawicznie skopiują inni gracze na rynkach rozwijających się, takich jak Azja Południowo-Wschodnia czy Bliski Wschód.
Wreszcie, Nvidia obawia się wertykalnej integracji Huawei. Huawei produkuje własne przełączniki, pamięci masowe OceanStor zoptymalizowane pod AI oraz rozwiązania chłodzenia cieczą dla centrów danych. Nvidia, mimo próby zakupu ARM, pozostaje firmą głównie „chipową” w porównaniu do giganta telekomunikacyjnego, jakim jest Huawei. W starciu na dostawy całych centrów danych, Huawei może oferować agresywne modele finansowania i pakiety usług, których Nvidia, operująca na ogromnych marżach sprzętowych, może nie być w stanie przebić bez drastycznej zmiany modelu biznesowego. Ostrzeżenia Nvidii są więc sygnałem dla regulatorów i inwestorów, że era „bezkonpetycyjnego” rozwoju sektora AI właśnie dobiegła końca.
Wpływ na globalny rynek i łańcuchy dostaw
Pojawienie się chipów Ascend na rynku globalnym zadziała jak katalizator dla wojny cenowej. Obecnie ceny akceleratorów H100 są utrzymywane na wysokim poziomie ze względu na brak realnej konkurencji w segmencie High-End. Huawei, oferując Ascend 910C w konfiguracjach klastrowych, prawdopodobnie zastosuje strategię penetracji rynku, oferując niższy całkowity koszt posiadania (TCO). Dla operatorów centrów danych oznacza to szybszy zwrot z inwestycji (ROI) przy budowie infrastruktury pod generatywną sztuczną inteligencję. Może to również zmusić innych graczy, takich jak AMD (seria Instinct MI300) czy Intel (Gaudi 3), do rewizji swoich cenników i strategii wsparcia technicznego.
Jednocześnie grozi nam proces „bałkanizacji” technologii AI. Jeśli świat podzieli się na strefę wpływów CUDA i strefę wpływów CANN/MindSpore, ucierpi na tym przenaszalność modeli i globalna współpraca badawcza. Firmy operujące globalnie będą zmuszone do utrzymywania dwóch oddzielnych stosów technologicznych, co zwiększy koszty operacyjne (OpEx). Z drugiej strony, konkurencja ta przyspieszy rozwój otwartych standardów, takich jak Triton (OpenAI) czy OpenXLA (Google), które mają na celu uniezależnienie kodu od konkretnej architektury sprzętowej. Huawei aktywnie wspiera te inicjatywy, widząc w nich szansę na osłabienie dominacji Nvidii.
W kontekście łańcucha dostaw, ruch Huawei zwiększy presję na dostępność kluczowych komponentów, takich jak podłoża ABF czy wspomniane moduły HBM. Mimo sankcji, Huawei buduje rozproszoną sieć dostawców w Chinach i krajach neutralnych, co może prowadzić do powstania równoległego obiegu technologicznego. To wyzwanie dla globalnej stabilności, ale i szansa dla mniejszych producentów komponentów, którzy nie mieszczą się w elitarnym łańcuchu dostaw TSMC/Nvidia. W długim terminie, globalna sprzedaż chipów przez Huawei może doprowadzić do sytuacji, w której chińska technologia stanie się standardem w regionach Globalnego Południa, tworząc trwałą alternatywę dla rozwiązań zachodnich.
Huawei Ascend 910C vs NVIDIA H100
Bezpośrednie zestawienie tych dwóch tytanów obliczeń AI ujawnia fascynujące różnice w filozofii projektowej. NVIDIA H100 opiera się na architekturze Hopper i wykorzystuje technologię Transformer Engine, która dynamicznie dostosowuje precyzję obliczeń (FP8), aby zmaksymalizować przepustowość przy trenowaniu LLM. Huawei Ascend 910C stawia na surową moc w formacie FP16 i BF16, kładąc większy nacisk na wydajność jednostek Cube, które w jednym cyklu zegara mogą wykonać znacznie więcej operacji macierzowych niż standardowe rdzenie Tensor Nvidii, pod warunkiem odpowiedniego przygotowania danych przez kompilator.
| Parametr | NVIDIA H100 (SXM5) | Huawei Ascend 910C |
|---|---|---|
| Architektura | Hopper (TSMC 4N) | Da Vinci (SMIC 7nm/N+2) |
| Wydajność FP16/BF16 | ~989 TFLOPS (z rzadkością) | ~320 TFLOPS (nominalna) |
| Pamięć VRAM | 80GB HBM3 | 96GB/128GB HBM3 (warianty) |
| Przepustowość Pamięci | 3.35 TB/s | do 2.8 TB/s |
| Interlink Bandwidth | 900 GB/s (NVLink 4.0) | 392 GB/s (HCCS / Interlink) |
| TDP / Pobór Mocy | 700W | ~400-600W (zależnie od binningu) |
Choć w czystych liczbach FP16 z rzadkością (sparsity) Nvidia utrzymuje przewagę, Huawei nadrabia większą ilością pamięci VRAM w niektórych wariantach, co pozwala na ładowanie większych fragmentów modelu do pojedynczego węzła. Warto również zwrócić uwagę na efektywność energetyczną. Dzięki optymalizacji architektury Da Vinci pod konkretne typy operacji AI, Ascend 910C wykazuje bardzo korzystny stosunek wydajności do pobieranej mocy w zadaniach inferencyjnych (wnioskowanie), co czyni go atrakcyjnym dla operatorów farm serwerowych, gdzie koszty prądu stanowią główny składnik OpEx.