Os programadores de grandes modelos de linguagem (LLMs) na China continuam fortemente dependentes dos chips da Nvidia para o treino dos seus sistemas. Segundo avançou o South China Morning Post na segunda-feira, dia 10, a transição para semicondutores de produção nacional tem esbarrado em custos elevados e num longo período de adaptação tecnológica, contrariando a forte pressão de Pequim para reduzir a exposição a fornecedores estrangeiros na área tecnológica.
O obstáculo do código nativo
A grande barreira desta transição está na arquitetura de software. A plataforma Compute Unified Device Architecture (CUDA), desenvolvida pela fabricante norte-americana, estabeleceu-se como a norma na indústria. Para adotarem a alternativa da Huawei, conhecida como Arquitetura de Computação para Redes Neurais (CANN), as equipas são forçadas a reescrever e otimizar extensas linhas de programação.
O investigador James Wang, envolvido no desenvolvimento de sistemas num instituto ligado a uma universidade de Xangai, explicou a dificuldade técnica do processo. "O código CUDA não pode ser executado diretamente no Ascend e requer extensa reescrita", afirmou o investigador. A migração para os componentes Ascend da marca chinesa pode aumentar o tempo e os custos operacionais das equipas em pelo menos 50%.
Diferenças entre ecossistemas
O impacto reflete-se de forma diferente consoante a natureza de cada projeto. Para plataformas de código aberto, como o DeepSeek e as suas versões adaptadas, estima-se que a adaptação exija cerca de um mês adicional de trabalho por parte de dois a três profissionais especializados.
No caso dos ecossistemas de código fechado, como o modelo Kimi K3 da Moonshot AI, o desafio ganha outra proporção devido ao acesso restrito e à menor maturidade do software disponível. Uma equipa de dez engenheiros pode enfrentar mais de seis meses de trabalho extra para concluir a mesma tarefa de transição.
Existem, contudo, exceções que já operam em infraestruturas totalmente nacionais. Em junho, a Meituan apresentou o LongCat-2.0, um sistema com 1,6 biliões de parâmetros que foi integralmente treinado num cluster doméstico com 50.000 placas, embora o fornecedor exato dos componentes não tenha sido revelado pela empresa.
Nenhum comentário
Seja o primeiro!