Alibaba e Baidu treinam IA nos próprios chips à medida que os controlos dos EUA se apertam

Porque é que importa agora

As duas maiores empresas de internet e computação em nuvem de consumo da China estão a dar um passo decisivo para garantir as suas cadeias de abastecimento de inteligência artificial. A Alibaba e a Baidu começaram a treinar alguns modelos em processadores que conceberam em casa, reduzindo a dependência dos chips da Nvidia, que foram a espinha dorsal da IA moderna. Esta mudança reflete duas forças poderosas simultaneamente: o reforço dos controlos de exportação dos Estados Unidos sobre os semicondutores avançados destinados à China e um impulso interno na China para priorizar a tecnologia fabricada no país nas infraestruturas críticas.

Ambas as empresas avançam com cuidado, em vez de simplesmente virarem a chave. A Alibaba está a usar os seus próprios aceleradores para trabalhos de treino de menor escala, mantendo o hardware da Nvidia para as tarefas mais exigentes. A Baidu está a testar o seu mais recente chip Kunlun P800 em novas versões do seu modelo Ernie, a tecnologia por trás dos seus serviços de IA generativa. As empresas continuam a contar com a Nvidia para os treinos de maior escala e maior complexidade, onde o desempenho, a maturidade do software e as interconexões entre múltiplos chips são mais críticos.

O efeito prático nos centros de dados da China pode ser profundo. Empresas que outrora esperavam na fila por GPUs importadas dispõem agora de um segundo caminho para escalar o computo de IA. Chips nacionais que sejam suficientemente bons para uma parcela crescente de cargas de trabalho ajudam a mitigar o risco de abastecimento, a manter os projetos no prazo e a alinhar os gastos com os objetivos tecnológicos nacionais. Se estas implementações correrem bem, validarão anos de investimento em silício de IA local e acelerarão um movimento mais amplo, por parte dos prestadores de nuvem chineses, de combinar hardware estrangeiro e nacional nas suas frotas.

O que estão a construir a Alibaba e a Baidu

A Alibaba tem um historial em chips personalizados através da sua unidade T-Head, que anteriormente apresentou o acelerador de IA Hanguang 800 para inferência e um CPU de servidor baseado em conjuntos de instruções Arm. O seu mais recente processador de treino de IA, internamente designado pelos funcionários como Zhenwu, está a ser usado para treinar modelos mais pequenos dentro da Alibaba Cloud. Pessoas que trabalharam com o chip afirmam que o seu desempenho prático é competitivo com o H20 da Nvidia em tarefas que não requerem as interconexões mais avançadas nem as maiores memórias. Para o treino de modelos de fronteira, a Alibaba continua a depender dos sistemas da Nvidia enquanto valida o novo silício em escala.

O projeto Kunlun da Baidu é uma das linhas de aceleradores de IA nacionais mais antigas da China. Os primeiros chips Kunlun centraram-se na inferência, o processo de execução de modelos treinados. Com o Kunlun P800, a Baidu está a executar experimentos de treino para novas versões do Ernie, a fim de validar a estabilidade, o débito e a prontidão da stack de software. A vantagem central da Baidu é a integração vertical: a empresa constrói os modelos Ernie, gere grandes clusters em nuvem e controla a framework PaddlePaddle, o que lhe dá maior liberdade para co-projetar hardware e software e obter maior eficiência.

Como as regras de exportação dos EUA remodelaram o mercado

Os controlos de Washington têm-se endurecido de forma gradual desde 2022, quando os limiares de desempenho para aceleradores de IA restringiram pela primeira vez o que os fornecedores americanos podiam enviar para a China. Soluções contornadas, como GPUs especiais apenas para a China com largura de banda de interconexão reduzida, mantiveram algum fornecimento a fluir durante algum tempo. As novas medidas anunciadas nos anos seguintes estreitaram essas rotas. As principais plataformas da Nvidia, como o H100 e as componentes mais recentes da Blackwell, continuam inacessíveis na China. A Nvidia criou o H20, uma opção menos potente destinada a cumprir as regras dos EUA, mas investigações do setor indicam que os envios mesmo destas componentes passam a exigir licenças de exportação a partir de abril de 2025, aumentando a fricção e a incerteza para os compradores chineses de chips americanos.

As grandes plataformas de nuvem e de internet da China responderam com um plano de dois percursos: adquirir no estrangeiro o que puderem, investindo ao mesmo tempo fortemente em aceleradores nacionais. O ambiente regulatório também favorece as soluções locais. Os clientes governamentais e de infraestruturas críticas preferem cada vez mais hardware concebido e suportado na China, o que incentiva os prestadores de nuvem a demonstrar que os aceleradores chineses conseguem lidar com cargas de trabalho de produção a um custo aceitável e com desempenho previsível.

A Nvidia reconhece que o campo competitivo está a mudar e que os clientes têm incentivos para diversificar. Um porta-voz da empresa reconheceu essa realidade, sublinhando ao mesmo tempo a intenção da Nvidia de continuar a servir os programadores em todo o mundo.

A competição chegou inegavelmente. Continuaremos a trabalhar para merecer a confiança e o apoio dos programadores mainstream em toda a parte.

Quão perto estão os chips nacionais da Nvidia

A resposta depende do trabalho. Relatórios de engenheiros que usaram o mais recente acelerador da Alibaba apontam para uma paridade com o H20 da Nvidia em algumas tarefas de treino e em tamanhos de modelo mais reduzidos. É um progresso significativo para uma plataforma jovem. Para os maiores modelos e os calendários de treino mais agressivos, a Nvidia mantém uma vantagem graças a um maior computo de pico, interconexões multi-GPU mais rápidas, stacks de compiladores maduras e um vasto ecossistema de bibliotecas otimizadas. Chips como o H100 e os mais recentes designs da Blackwell continuam a ser o padrão para o treino de modelos de ponta fora da China.

Treino e inferência são tarefas diferentes

O treino de IA é o processo de ensinar um modelo através do ajuste de milhares de milhões de parâmetros ao longo de múltiplas passagens pelos dados. Empurra o hardware ao limite em termos de computo e de largura de banda de memória, e requer ligações muito rápidas entre aceleradores para que milhares de chips possam sincronizar de forma eficiente. A inferência é o que acontece depois do treino. O modelo já aprendeu, e o sistema gera resultados para os utilizadores em tempo real. A inferência privilegia a baixa latência, a eficiência de custos e a poupança energética. Um chip excelente para inferência, ou para treinar modelos mais pequenos, pode ainda ficar aquém em treinos de vários meses para modelos muito grandes, uma vez que a malha de comunicação entre chips e a orquestração de software se tornam o gargalo.

A stack de software é tão importante como o silício

A dominância da Nvidia nunca foi apenas sobre chips. A sua plataforma CUDA, bibliotecas como cuDNN e TensorRT e um profundo leque de ferramentas de parceiros tornam o desenvolvimento simples e o desempenho previsível. As plataformas chinesas estão a construir as suas próprias stacks de software para aceleradores locais. O PaddlePaddle da Baidu e as toolchains em nuvem da Alibaba já suportam os seus chips, e ambas as empresas podem adaptar kernels e compiladores de grafos aos seus próprios modelos. Esse controlo pode desbloquear ganhos de eficiência, mas também significa que programadores de terceiros podem enfrentar uma curva de aprendizagem ao migrar código para hardware nacional. Se a Alibaba e a Baidu tornarem estas transições transparentes nos seus clouds, os clientes poderão dar mais importância ao preço, à disponibilidade e ao nível de serviço do que à marca no chip.

Estratégia empresarial e reação do mercado

Os investidores acolheram bem os sinais de que os líderes da internet na China conseguem garantir computo de IA sem depender inteiramente das importações. As ações da Alibaba e da Baidu subiram após relatórios sobre as novas implementações, refletindo a expectativa de que uma base de fornecimento mais resiliente sustentará as folhas de rota dos produtos e reduzirá o risco de atrasos. Um chip nacional suficientemente bom para uma grande parcela dos trabalhos de treino também pode reduzir os custos operacionais a longo prazo, se for mais fácil adquirir e escalar em centros de dados nacionais.

A lógica estratégica vai além do custo e do fornecimento. A Alibaba Cloud e a Baidu Cloud vendem a empresas e a clientes do setor público que frequentemente preferem hardware desenhado localmente. Oferecer computo em aceleradores nacionais pode ajudar a conquistar cargas de trabalho sensíveis, mantendo-se alinhado com as preferências regulatórias em matéria de segurança e localização dos dados. Dito isto, ambas as empresas parecem pretender uma mistura pragmática: manter os sistemas da Nvidia para os problemas mais difíceis e apoiar-se nos chips nacionais para os muitos trabalhos em que o desempenho é comparável e a economia é atraente.

Cadeia de abastecimento e restrições de fabrico

Conceber um acelerador de IA competitivo é apenas parte do desafio. O fabrico, o empacotamento e o fornecimento de memória também contam. Os chips de mais alto desempenho atuais são construídos em nós de processo avançados e dependem de pilhas de memória de alta largura de banda empacotadas junto do processador. As foundries chinesas progrediram, mas ainda não igualam os nós mais avançados do estrangeiro. Essa lacuna pode ser parcialmente compensada por escolhas de design inteligentes, bom empacotamento e software eficiente, mas ainda afeta o desempenho de pico e a eficiência energética.

A disponibilidade de memória de alta largura de banda é outra restrição, uma vez que o treino de grandes modelos consome enormes larguras de banda e capacidade de memória. Os prestadores de nuvem contornam estes limites distribuindo cargas de trabalho por mais chips, otimizando formatos de precisão e agendando trabalhos que correspondem aos pontos fortes de cada plataforma. Nesse ambiente, um acelerador nacional bem integrado na stack de software em nuvem e fácil de adquirir pode suportar uma parte significativa do trabalho, mesmo que o pico teórico fique aquém das melhores componentes estrangeiras.

O que significa para programadores e clientes

Os clientes da Alibaba e da Baidu preocupar-se-ão com três coisas: o tempo até obter capacidade, a fiabilidade e o custo total para um determinado treino ou carga de trabalho de inferência. Se os aceleradores nacionais encurtarem as listas de espera e fornecerem um desempenho consistente com as frameworks familiares, muitas equipas mudarão sem grande atrito. Os programadores de modelos poderão precisar de reajustar kernels ou adotar ferramentas específicas do fornecedor para libertar o melhor débito, mas isso é prática corrente na computação de alto desempenho. O padrão de curto prazo deverá ser a combinação de clusters e políticas de agendamento que roteiam os trabalhos para o hardware disponível mais adequado, com os maiores treinos de modelos de fronteira a continuar a recair sobre sistemas Nvidia e um conjunto crescente de tarefas mainstream a correr em chips da Alibaba e da Baidu.

O que observar a seguir

Dois marcos destacam-se no próximo ano. O primeiro é o regime de licenças para os envios de aceleradores americanos para a China, que investigadores do setor dizem que abrangerá componentes como o Nvidia H20 e o AMD MI308 a partir de abril de 2025. O segundo é a evidência empírica, da parte da Alibaba e da Baidu, de que os seus chips conseguem lidar com treino de produção em escala, e não apenas testes de laboratório. Benchmarks em modelos bem conhecidos, estudos de caso de clientes e a rapidez com que instâncias de nuvem baseadas em aceleradores nacionais se esgotam contarão a história. Acompanhe a rapidez com que os ecossistemas de software amadurecem em torno destes chips, incluindo o suporte em frameworks populares e ferramentas de terceiros. Observe também como outras plataformas chinesas, incluindo aquelas que constroem os próprios aceleradores ou compram a fornecedores nacionais, distribuem o capital entre GPUs importadas e opções locais à medida que novos projetos surgem.

Pontos-chave

• A Alibaba e a Baidu começaram a treinar modelos de IA em chips que conceberam, mantendo os sistemas da Nvidia para o trabalho mais exigente.
• O mais recente acelerador da Alibaba é usado para treinos de menor escala e, segundo os funcionários, rivaliza com o Nvidia H20 em algumas tarefas.
• A Baidu está a testar o seu Kunlun P800 para novas versões do modelo Ernie e a aproveitar o controlo da framework PaddlePaddle.
• Os controlos de exportação dos EUA restringem o acesso aos principais componentes da Nvidia, e investigações do setor apontam para novos requisitos de licença para envios de H20 para a China em 2025.
• A Nvidia afirma que continuará a trabalhar para merecer a confiança dos programadores à medida que a competição se intensifica.
• Os aceleradores nacionais são suficientes para uma parcela crescente de cargas de trabalho, embora a Nvidia continue a liderar no treino à escala de fronteira.
• Os ecossistemas de software são um fator crucial, com a Alibaba e a Baidu a ajustar as toolchains ao seu próprio hardware.
• Os investidores reagiram positivamente, vendo menos risco de fornecimento e maior controlo sobre as folhas de rota de IA.
• O fabrico e o fornecimento de memória continuam a ser constrangimentos, mas o design inteligente e a integração em nuvem podem compensar alguns limites.
• Esperem-se clusters mistos nas nuvens chinesas, com agendadores de trabalhos a rotear tarefas entre chips nacionais e GPUs importadas.