Huawei cambia su estrategia AI y desafía a NVIDIA cambiando ASIC por GPGPU

Eduardo Ruiz 12 julio, 2025

Huawei está replanteándose su estrategia en el diseño de chips para inteligencia artificial, y lo hace con un giro importante: dejar atrás las arquitecturas ASIC (Circuitos Integrados de Aplicación Específica) para apostar por los GPGPU (Unidades de Procesamiento Gráfico de Uso General). Esta maniobra busca plantar cara al dominio que NVIDIA mantiene en el mercado chino de chips para IA. A pesar de las restricciones de exportación de semiconductores impuestas por Estados Unidos, que impiden que NVIDIA venda sus últimos chips de IA directamente en China continental, sus productos siguen siendo los aceleradores de IA más usados en la región. El secreto está en la arquitectura GPGPU de NVIDIA y en un ecosistema de software maduro y robusto como CUDA.

Huawei y el cambio hacia los GPGPU

Las GPUs, inicialmente creadas para procesar gráficos, han ido ganando terreno en tareas de computación paralela, lo que las hace muy versátiles para áreas como el aprendizaje profundo, la computación científica o las simulaciones de ingeniería. NVIDIA ha sabido aprovechar esta versatilidad adaptando sus GPUs para cargas de trabajo de IA, apoyándose en CUDA, un framework de programación que facilita el desarrollo y mejora el rendimiento en distintas aplicaciones. Por ahora, los chips Ascend de Huawei son ASICs optimizados para tareas específicas dentro de IA, especialmente el entrenamiento y la inferencia en aprendizaje profundo. Esto ofrece un alto nivel de eficiencia en esas funciones, pero limita su flexibilidad para usos más generales como procesamiento gráfico o simulaciones complejas.

Huawei utiliza formatos de precisión más bajos como INT8 o FP16 para equilibrar precisión y consumo de recursos, además de FP32. Sin embargo, estos chips no soportan operaciones en doble precisión (FP64), imprescindibles para ciertos cálculos científicos y de ingeniería. En cambio, los aceleradores de NVIDIA, como los H100 y H20, sí ofrecen soporte para FP64, ampliando así su rango de aplicaciones.

Desafíos en software y compatibilidad

En el terreno del software, NVIDIA lleva ventaja gracias a CUDA, que incluye bibliotecas optimizadas como cuDNN y TensorRT, muy valoradas para tareas de IA. Huawei, por su parte, cuenta con CANN (Compute Architecture for Neural Networks), una plataforma propia para la gestión y ejecución de recursos, acompañada de frameworks específicos como MindSpore. No obstante, la comunidad de desarrolladores sigue prefiriendo el ecosistema CUDA por su madurez y amplitud, lo que dificulta que Huawei gane tracción más allá de sus entornos controlados.

Uno de los grandes cuellos de botella de Huawei está en la adopción limitada de CANN frente a CUDA. El nuevo rumbo que toman sus chips, con arquitectura GPGPU y un middleware capaz de traducir las instrucciones CUDA para que funcionen en su hardware, podría ser un punto de inflexión. Esto facilitaría la vida a programadores acostumbrados a trabajar con NVIDIA, al permitirles desarrollar sobre Huawei con menos barreras. Además, parece que Huawei busca implementar modelos de funcionalidades similares a los de NVIDIA y AMD, un movimiento que podría significar una mayor alineación con los estándares de la industria.

Aunque hasta ahora Huawei ha apostado por chips ASIC especializados, el interés en ampliar su alcance hacia la computación de propósito general abre la puerta a una mayor versatilidad y competitividad en el mercado chino. Este paso hacia la arquitectura GPGPU y la mejora en la compatibilidad software puede ser clave para que Huawei aumente su cuota en un mercado donde NVIDIA sigue siendo un actor dominante, a pesar de las limitaciones impuestas desde el exterior.

Fuente