华为达芬奇与英伟达CUDA，必有一战！

——聚焦数据 · 改变商业 当初英特尔和微软，搞出来个Wintel，制霸电脑时代很多年。

从某种意义上，英伟达的CUDA，就相当于CPU时代的windows，承担了构建应用生态的重任。而生态的壁垒，是比芯片性能更深厚的竞争壁垒。所以，CUDA才是英伟达最大的王牌。

在CPU时代，我们被Wintel压制了很多年。在AI时代，英伟达集GPU和CUDA于一身，会是另一个难以打破的Wintel么？目前看是的。

由于美国对中国AI产业的打压，芯片这张牌被用的越来越频繁。不仅美国政府，就是英伟达自身处于商业竞争的考虑，也越来越倾向于“打牌”。而CUDA，就是英伟达最大的王牌。中国要在AI计算领域突破封锁，不仅要有自己的GPU，也要有自己的CUDA。要做成这件事情，目前来看，似乎只有靠华为了。

CUDA才是英伟达最深的护城河

在图形渲染的世界中，英伟达以其精湛的GPU技术赢得了市场的青睐。然而，英伟达并未止步于此，它的目光早已超越了图形渲染的边界，投向了更为广阔的计算领域。2006年，英伟达推出了CUDA（Compute Unified Device Architecture），这一举措标志着英伟达从图形渲染巨头向计算巨头的华丽转身。

CUDA的发展历程中，有几个关键节点：

2007年：CUDA 1.0的发布，开放了GPU的通用计算能力，为开发者提供了进入GPU编程世界的钥匙。

2008年：CUDA 2.0增加了对双精度浮点运算的支持，这对于科学计算和工程模拟等领域至关重要。

2010年：CUDA 3.0进一步扩展了GPU的并行处理能力，为更复杂的计算任务提供了支持。

2012年：CUDA 5.0引入了动态并行性，允许GPU内核自我复制，极大地提升了程序的灵活性和效率。

这些版本不仅推动了CUDA技术的进步，也成为了GPU并行计算发展史上的重要里程碑。

CUDA的核心在于其创新的并行计算模型，通过将计算任务分解为成千上万的线程，CUDA能够在GPU上实现前所未有的并行处理能力。这种模型不仅极大地提高了计算效率，也使得GPU成为了解决复杂计算问题的理想平台。从深度学习到科学模拟，CUDA定义了并行计算的新纪元，开启了高性能计算的新篇章。

随着AI和大数据的兴起，CUDA的市场影响力不断扩大。开发者们纷纷转向CUDA，以利用GPU的强大计算能力来加速他们的应用程序。企业也认识到了CUDA的价值，将其作为提升产品性能和竞争力的关键技术。根据统计数据，CUDA的下载量已经超过了3300万次。

对于英伟达而言，CUDA已经成为英伟达最深的护城河。它不仅巩固了英伟达在GPU市场的领导地位，更为英伟达打开了进入高性能计算、深度学习、自动驾驶等多个前沿领域的大门。随着技术的不断进步和市场的不断扩大，CUDA无疑将继续扮演着英伟达最深护城河的角色，引领着计算技术的未来。

比CUDA晚了12年的达芬奇架构，能撑得起华为的AI野心么？

达芬奇架构，作为华为自研的AI计算架构，其起源与华为对AI未来应用的深远洞察密切相关。早在几年前，华为就预测到2025年，全球智能终端的数量将达到400亿台，智能助理的普及率将达到90%，企业数据的使用率将达到86%。基于这样的预测，华为在2018年全联接大会上提出全栈全场景AI战略，并设计了达芬奇计算架构，以在不同体积和功耗条件下提供强劲的AI算力。

达芬奇架构的发展可以追溯到2018年，华为推出的AI芯片Ascend 310（昇腾310）首次亮相，标志着达芬奇架构的正式应用。紧接着，华为在2019年6月发布了全新8系列手机SoC芯片麒麟810，首次采用达芬奇架构NPU，实现了业界领先的端侧AI算力。麒麟810在AI Benchmark榜单中表现卓越，证明了达芬奇架构的实力。

达芬奇架构是专为AI计算特征而设计的全新计算架构，具备高算力、高能效、灵活可裁剪的特性。其核心优势在于采用3D Cube针对矩阵运算做加速，每个AI Core可以在一个时钟周期内实现4096个MAC操作，相比传统的CPU和GPU实现数量级的提升。此外，达芬奇架构还集成了向量、标量、硬件加速器等多种计算单元，并支持多种精度计算，支撑训练和推理两种场景的数据精度要求。

达芬奇架构的应用领域广泛，覆盖了从端侧到云端的全场景AI应用。在端侧，麒麟810芯片的AI算力已经在智能手机中得到应用，为消费者提供了丰富的AI应用体验。在边缘侧和云端，Ascend系列AI处理器可以满足从几十毫瓦到几百瓦的训练场景，提供最优的AI算力。达芬奇架构的灵活性和高效性，使其在智慧城市、自动驾驶、工业制造等多个领域中发挥着重要作用。

诚然，达芬奇架构在华为的AI市场布局中占据了核心的位置。它不仅是华为AI芯片的技术基础，也是华为实现全栈全场景AI战略的重要支撑。通过达芬奇架构，华为能够提供从硬件到软件的全栈AI解决方案，加速AI技术的产业化和应用落地。此外，达芬奇架构的统一性也为开发者带来了便利，降低了开发和迁移成本，促进了AI应用的创新和发展。

达芬奇VS CUDA，有几分胜算？

相比于2006年推出的CUDA，华为达芬奇要晚了12个年头。这12年中，达芬奇一直在追赶。除了时间上的差距，达芬奇和CUDA还在架构设计哲学、性能表现、工具链、开发者生态等多个层面存在显著的差异。

在设计哲学方面，CUDA是英伟达开发的并行计算平台和API模型，它允许开发者使用NVIDIA的GPU进行高效的并行计算。而达芬奇架构是华为自研的面向AI计算特征的全新计算架构，它采用了3D Cube针对矩阵运算做加速，大幅提升单位功耗下的AI算力。CUDA的设计更注重通用性，而达芬奇则专注于AI计算的高效性。

在AI计算性能方面，CUDA和达芬奇各有千秋。CUDA凭借多年的技术积累，支持大规模并行处理能力，适合处理各种复杂的计算任务。达芬奇架构则通过其3D Cube计算引擎，针对矩阵运算进行优化，实现了在单位面积下的AI算力显著提升。在深度学习等AI应用场景中，达芬奇架构展现出了优秀的性能表现。

CUDA和达芬奇架构在不同领域下的适用性各有侧重，CUDA由于其通用性，被广泛应用于科学研究、医学、金融等多个领域。而达芬奇架构则主要针对AI计算，特别是在端侧、边缘侧及云端的AI应用场景中，如智能手机、自动驾驶、云业务等。

从开发者的角度来看，CUDA和达芬奇架构在编程模型与工具链的易用性上有所不同。CUDA提供了一套完整的开发工具链，包括CUDA编译器、调试器、性能分析工具等，支持多种编程语言和深度学习框架。达芬奇架构虽然起步较晚，但华为也在积极构建其工具链和开发者生态，提供必要的支持以促进开发者的使用和创新。但从工具链的完整性和丰富度来看，达芬奇离CUDA还有不少的差距。

CUDA通过其广泛的应用和成熟的技术，已经建立了一个庞大的开发者社区和生态系统。而生态的建设，是比单纯提升GPU性能更难得事情，这才是对华为真正的考验。

华为GPU快成了，但离构建自己的CUDA还很遥远

目前看，华为GPU发展态势较好。

根据公开信息，2023年华为算力GPU的出货量大约为十万片。随着产能的增加，预计到2024年，这个数字将翻几番，达到几十万片的规模。尽管产能有所提升，市场上的订单需求依然非常旺盛，仅在2024年1月份的下单量就已经达到了数十万片。目前，下单需求已经达到上百万片，远超华为当前的供应能力。

在国内购买情况方面，华为算力GPU受到了市场的热烈追捧。华为算力GPU的客户主要分为三个梯队：第一类是三大运营商和政务类客户，第二类是互联网客户，第三类是其他公司。由于算力GPU的紧缺，客户为了尽快拿到产品，都在努力成为第一梯队的客户，甚至采取与地方政府合作等措施以确保优先供应。

价格方面，华为算力GPU自2023年8月上市以来，价格已经经历了至少两次提价。最初上市的价格约为7万元人民币，而目前市场价格已经上涨至约12万元人民币。

总体来看，华为GPU的发展态势良好，市场需求强劲，尽管供应紧张，但这也反映出华为GPU在性能和国产化方面的优势，使其成为市场中的热门选择。随着技术的不断进步和产能的进一步提升，预计华为GPU将在未来市场中占据更重要的位置。

在一次专访中，黄仁勋表示：“华为是个好公司”。此外，英伟达在财报中将华为列为主要竞争对手，这反映了华为在GPU及相关技术领域的竞争力正在增强。

尽管华为GPU发展态势良好，但CUDA作为GPU领域占主导地位的框架，其生态系统的成熟度和广泛接受度远远超过了其他框架，包括AMD开发的框架。华为的AI计算框架在生态建设方面确实还有很长的路要走，需要持续的技术创新和市场推广才能逐步构建起与CUDA相匹敌的生态系统。

然而，英伟达不想给华为成长起来的时间了。

近期，英伟达对其CUDA平台的兼容性政策进行了调整，限制了CUDA软件在非英伟达硬件平台上的运行行为，这一决策始于2021年，并在随后的时间里逐步加强。具体来说，英伟达通过更新其最终用户许可协议（EULA），明确禁止了使用转换层或模拟层在非英伟达GPU上运行CUDA代码的行为。

这一政策变动主要影响了那些试图通过转译技术实现CUDA兼容性的第三方项目，例如ZLUDA等。ZLUDA是一个允许在非英伟达硬件上运行CUDA程序的转译库，它提供了一种相对简单的方式，使得开发者能够在性能略有损失的情况下，运行CUDA程序。

英伟达此举，被广泛认为是保护其市场份额和维护其技术控制权的战略举措。通过限制在其他芯片上使用CUDA软件的方式，英伟达确保其GPU仍然是开发人员和依赖其并行计算平台的企业的首选。

然而，这一决策在业界引起了不小的震动，并引发了广泛的讨论。不少人指责英伟达借助封锁政策垄断市场，压制竞争对手的发展机会。

面对英伟达的限制政策，一些国内GPU企业如摩尔线程选择了遵守EULA规定，并表态采用重新编译代码的方式与EULA保持一致，以避免违反英伟达的限制条款。

此外，业界其他力量，包括AMD、英特尔等厂商，并未因英伟达的限制而止步，他们正在积极推动开放、可移植的生态系统建设，以试图打破英伟达的市场垄断。

面对英伟达的出牌，华为在发展自己的GPU技术时，需要更多地依赖自主研发的软件工具和开发环境，而不是依赖于CUDA这样的成熟平台。这意味着华为需要投入更多的资源来构建自己的软件生态系统，包括开发与CUDA性能相匹敌的编程工具、库和API。

可以预见，在未来较长一段时间内，由于CUDA的广泛使用和对高性能计算、AI等领域的深远影响，英伟达的这一政策可能会限制华为GPU的市场接受度，特别是在那些已经深度依赖于CUDA的领域。

这加强了华为构建自身AI计算架构和AI生态的紧迫性，就像当初安卓断供成就了鸿蒙一样，CUDA的收紧会否成为华为达芬奇架构的神助攻呢？现在还不好评判，让子弹飞一会吧。