Treinar IA sem uma única GPU da NVIDIA: como a China fechou o próprio ciclo

⏱️ Tempo de leitura: ~5 minutos

Introdução

Durante anos, a resposta para "o que é preciso para treinar um modelo de fronteira?" era curta e incômoda: GPUs da NVIDIA, muitas. Era menos uma escolha técnica e mais um fato da vida — o ecossistema inteiro, do framework ao kernel, foi construído em torno de CUDA.

Em 2026, essa resposta deixou de ser a única. Um conjunto de laboratórios chineses concluiu ciclos completos de treinamento — do pré-processamento à escala final — sem encostar em um único chip ocidental. Não foi um experimento de laboratório: são modelos em produção, com pesos abertos e API cobrando por uso. E o gatilho não foi técnico. Foi regulatório.

Os casos concretos

GLM-Image, da Zhipu AI (janeiro de 2026). O marco inicial. Primeiro modelo multimodal de ponta a completar o treinamento inteiro em chips chineses, rodando em Ascend Atlas 800T A2 com o framework MindSpore. Arquitetura híbrida: um modelo autoregressivo de 9 bilhões de parâmetros cuidando da compreensão da instrução e da composição da imagem, e um decodificador de difusão de 7 bilhões responsável pelo detalhe fino e pela renderização de texto. Liderou o benchmark CVTG-2K (precisão de palavra de 0,9116) e o LongText-Bench (0,952 em inglês, 0,979 em chinês). Pesos publicados no GitHub, Hugging Face e ModelScope; API a 0,1 yuan — cerca de US$ 0,014 — por imagem gerada.

GLM-5, da Zhipu (fevereiro de 2026). O salto de escala: um modelo de linguagem de aproximadamente 744 bilhões de parâmetros, treinado inteiramente em Ascend, com relatos de uso na casa dos 100 mil chips. Os benchmarks ficaram a poucos pontos de GPT-5.2 e Claude Opus 4.5.

openPangu 2.0, da própria Huawei (31 de julho de 2026). Um mixture of experts de 505 bilhões de parâmetros, treinado exclusivamente em NPUs Ascend e liberado em código aberto.

DeepSeek V4. Migrou o treinamento para o Ascend 950, abandonando a NVIDIA no processo.

O gatilho foi uma lista, não um roadmap

Vale registrar como isso começou. Em janeiro de 2025, a Zhipu entrou na Entity List do Departamento de Comércio americano, o que a cortou do acesso a H100 e A100 — as placas que viraram sinônimo de treinamento avançado. A empresa não tinha plano B; teve que construí-lo, em parceria com a Huawei.

É a ironia central desta história: a restrição que deveria travar o desenvolvimento acabou financiando, na marra, a alternativa.

O que foi preciso fazer na engenharia

Nada disso foi "plug and play". Trocar CUDA por Ascend significou reescrever a camada que a maioria dos times nunca toca.

O stack tem três andares: os NPUs Ascend no hardware; o CANN, camada que traduz instruções de PyTorch e TensorFlow para operações que o chip entende; e o MindSpore como framework de treinamento. CANN e as ferramentas da série Mind foram abertas em agosto de 2025 — passo deliberado para atrair desenvolvedores.

Por cima disso, a Zhipu precisou de otimizações sob medida: deployment em pipeline multinível com grafo dinâmico, para rodar etapas do treino concorrentemente e reduzir gargalos; fusion operators próprios, compatíveis com a arquitetura Ascend; e paralelismo multi-stream, sobrepondo comunicação e computação no treino distribuído. Tudo isso existe porque os frameworks assumem, por padrão, que do outro lado há uma GPU NVIDIA.

O hardware e para onde ele vai

No Huawei Connect 2026, realizado em setembro, a empresa antecipou o Ascend 960 em três trimestres: o 960DT chega no primeiro trimestre de 2027 e o 960PR no terceiro. A cadência anual virou regra — Ascend 970 em 2028, 980 em 2029. Junto veio um portfólio de 11 chips UnifiedBus para sistemas SuperPoD e SuperCluster, cobrindo computação, interconexão, armazenamento e gerência, além de um plano de escala na casa do milhão de NPUs.

As ressalvas — e elas importam

Três pontos impedem a leitura triunfalista.

O chip individual ainda perde. O 960DT é estimado em cerca de 288 GB de memória e 4 petaFLOPS em FP4 — aproximadamente metade do FP8 e um terço do FP4 do B300 da NVIDIA. A aposta chinesa não é vencer no silício, é compensar na escala e na interconexão. Quem trabalha com datacenter sabe que essa troca não sai de graça: mais nós significam mais rede, mais energia, mais domínio de falha.

O custo real não foi divulgado. A Zhipu não informou quantos processadores usou, quanto tempo o treino levou, nem como isso se compara a um cluster NVIDIA equivalente. O custo em tempo de engenharia — o mais caro de todos — permanece uma incógnita.

"Sem NVIDIA" descreve o treino, não a cadeia inteira. Há reportagem questionando a dependência a montante — litografia, memória HBM — por trás dessa independência. Autonomia na camada de treinamento não é o mesmo que autonomia de ponta a ponta.

Resumo

O que ficou provado em 2026 não é que a China alcançou a NVIDIA. É algo mais modesto e, ao mesmo tempo, mais consequente: existe um segundo caminho viável para treinar modelos de fronteira, e ele já está em produção.

Para quem opera infraestrutura, a implicação prática é que o monopólio de fato do CUDA passou a ter um concorrente funcional — imaturo, mais caro em engenharia, com hardware inferior por unidade, mas funcional. E historicamente, quando um monopólio técnico ganha uma alternativa real, o que muda primeiro não é a tecnologia. É o preço.