Der Wettbewerb im Bereich der künstlichen Intelligenz (KI) und der zugehörigen Hardwareplattformen hat sich in den letzten Jahren zu einem der zentralen Innovationsfelder der Technologiewelt entwickelt. Insbesondere im Spannungsfeld zwischen China und den USA gewinnt die Frage an Bedeutung, ob chinesische Unternehmen wie Huawei gegen etablierte US-Konzerne wie Nvidia bestehen können. Im Fokus steht dabei eine entscheidende Komponente, die den Erfolg von AI-Chips maßgeblich beeinflusst: das Software-Ökosystem, insbesondere Nvidias proprietäre CUDA-Architektur. Doch kann Huawei tatsächlich eine Alternative entwickeln, die eine echte Konkurrenz zu CUDA darstellt? Der nachfolgende Beitrag erläutert, warum CUDA mehr ist als nur ein Programmiermodell, wie Huawei versucht, diesen Vorsprung aufzuholen, und was die Zukunft in diesem Kontext bereithält. Die dominante Stellung von Nvidia und CUDA hat sich über fast zwei Jahrzehnte aufgebaut.
CUDA, ein paralleles Programmiermodell, wurde 2007 eingeführt und stellte eine Revolution für die Nutzung von Grafikprozessoren (GPUs) dar. Statt GPUs nur für Grafik-Rendering zu verwenden, bot CUDA eine Möglichkeit, diese massiv parallelen Einheiten auch für wissenschaftliche Berechnungen und KI-Anwendungen effizient zu nutzen. Durch eine Kombination aus technischer Innovation und einem sehr starken Fokus auf die Entwickler-Community konnte Nvidia eine Software-Infrastruktur schaffen, die nicht nur leistungsfähig, sondern auch extrem anwenderfreundlich ist. Der Erfolg von CUDA beruht auf einem komplexen Zusammenspiel aus verschiedenen Faktoren. Die Verfügbarkeit von umfangreichen Bibliotheken, die speziell auf maschinelles Lernen zugeschnitten sind, erleichtert Entwicklern das Schreiben von Hochleistungsanwendungen erheblich.
Hinzu kommt die enge Integration von CUDA mit populären Machine-Learning-Frameworks wie PyTorch und TensorFlow, die heute in Forschung und Industrie Standard sind. Dadurch entsteht eine Art „Moat“, ein Burggraben, der es Wettbewerbern schwer macht, Entwickler von der Lösung abzuziehen, ohne sehr viel Zeit und Ressourcen in die Migration zu investieren. Zudem profitieren Anwender von einem reichen Ökosystem aus Foren, Community-Support und umfangreicher Dokumentation, die die Nutzung der Plattform vereinfacht. Huawei hat sich die Aufgabe gestellt, in diesen Kernbereich von Nvidia vorzustoßen und eine eigene, chinesische Alternative aufzubauen. Dies ist nicht zuletzt eine Folge politischer Spannungen und Handelsbeschränkungen, die den Zugang zu US-amerikanischen Technologien für chinesische Firmen erschweren. Am Beispiel des KI-Chips der Ascend-Reihe von Huawei wird ersichtlich, wie das Unternehmen diesen technischen und strategischen Kampf aufnimmt.
Dabei ist klar, dass Hardware alleine nicht ausreicht, um Nvidia nachhaltig Konkurrenz zu machen. Das zentrale Element ist die Software – insbesondere ein equivalenter „Software-Stapel“, der Entwickler zufriedenstellt und keine gravierenden Umgewöhnungen fordert. Im Zentrum von Huaweis Strategie steht die Entwicklung des Compute Architecture for Neural Networks (CANN) – einer proprietären Programmierumgebung, die vergleichbar zu CUDA die direkte Steuerung und Optimierung der Ascend-Hardware ermöglichen soll. Ergänzend dazu hat Huawei MindSpore ins Leben gerufen, ein Framework für tiefes Lernen, das eine Rolle ähnlich der von PyTorch spielt und das Zusammenwirken der Hardwarekomponenten optimieren soll. Diese beiden Komponenten bilden die Basis für einen eigenen Software-Stack, der sich jedoch aktuell noch mit erheblichen Herausforderungen konfrontiert sieht.
Nutzer berichten von Instabilitäten, schwieriger Fehlerbehebung und einer insgesamt weniger ausgereiften Entwicklerinfrastruktur als die weltweit erprobte CUDA-Umgebung. Neben dem Aufbau einer eigenen Plattform setzt Huawei auch auf Interoperabilität. PyTorch, als beliebtestes Machine-Learning-Framework, ist eng an CUDA gebunden. Huawei wurde im Jahr 2023 Premier Member der PyTorch Foundation, was ein strategischer Schritt im Bestreben ist, PyTorch für Ascend-Hardware kompatibel zu machen. Durch die Entwicklung von Adaptersoftware wie torch_npu versucht Huawei, Modelle, die ursprünglich für CUDA entwickelt wurden, möglichst unkompliziert auf Ascend-Prozessoren lauffähig zu machen. Diese Bemühungen sind jedoch noch „work in progress“ – technische Hürden wie Stabilitätsprobleme und fehlende direkte Einbindung in die offizielle PyTorch-Codebasis erschweren die Akzeptanz in der Entwicklercommunity.
Ein weiterer wichtiger Aspekt ist das Engagement von Huawei im Bereich des Open Neural Network Exchange (ONNX). Dieses offene Format erlaubt es, KI-Modelle plattformunabhängig zu speichern, auszuführen und zu optimieren. ONNX dient als praktische Brücke zwischen Trainings- und Inferenz-Phasen, besonders wenn Trainingsmodelle auf Nvidia-Hardware entstehen und dann auf Huawei-Chips zur Laufzeit eingesetzt werden sollen. Diese Technik könnte es Huawei ermöglichen, die Abhängigkeit von reiner Hardware-Konkurrenz zu reduzieren und stattdessen auf flexible Software-Übergänge zu setzen. Die Entwicklungsreife von Huaweis Plattform ist derzeit noch nicht mit der von Nvidia vergleichbar. Zwar haben Huawei-Ingenieure beachtliche Fortschritte gemacht – zum Beispiel erreicht die Ascend 910C heute bis zu 60% der Inferenzleistung von Nvidias Top-Chip H100 –, doch die Stabilität und Entwicklerfreundlichkeit sind noch nicht auf dem Niveau, das für eine breite weltweite Akzeptanz notwendig wäre.
Das Entwicklererlebnis bleibt häufig durch unerwartete Fehler und mangelnde kommunikative Unterstützung geprägt. Die enge Integration von Hardware und Software, die Nvidia mit CUDA seit Jahren etabliert hat, ist ein schwer zu überwindendes Hindernis. Dennoch zeigen sich in der chinesischen Entwicklerwelt erste signs of change. Plattformen wie Zhihu bieten Raum für den Austausch von Erfahrungen und Lösungen. Huawei verfolgt eine Strategie, ähnlich der frühen Phase von CUDA, indem es technische Experten direkt in Unternehmen entsendet, um bei der Portierung und Optimierung von Code zu helfen. Dadurch möchte Huawei die Hürde für Entwickler senken und mehr Akzeptanz im lokalen Ökosystem schaffen. Langfristig hängt Huaweis Erfolg davon ab, ob es gelingt, ein nachhaltiges und aktives Entwickler-Ökosystem aufzubauen.
Software-Ökosysteme sind nicht nur technologische, sondern auch soziale Systeme – sie profitieren von einer großen, engagierten Community und einem transparenten Austausch von Wissen. Bisher fehlt Huawei international noch dieser Community-Support, insbesondere weil viele Entwickler außerhalb Chinas den CANN-Stack als weniger zugänglich wahrnehmen. Ein Szenario, in welchem freie und offene Standards eine größere Rolle spielen und Huawei erfolgreicher in kooperative Open-Source-Projekte eingebunden wird, könnte die Akzeptanz verbessern. Wichtig ist aber zu betonen, dass der Konkurrenzkampf nicht allein aus technischer Perspektive verstanden werden darf. Politische und wirtschaftliche Rahmenbedingungen beeinflussen die Entwicklung und den Einsatz von KI-Hardware signifikant. Restriktionen durch US-Handelssanktionen und der Wunsch Chinas nach technologischer Unabhängigkeit geben Huawei zusätzliche Anreize, eine eigene Software-Infrastruktur zu schaffen.
Das bedeutet auch, dass die Marktdynamik sich in den kommenden Jahren weiter verschieben kann, vor allem wenn Exportverbote die Verbreitung von Nvidia-Hardware in China begrenzen. Zusammenfassend lässt sich sagen, dass Huawei noch einige Jahre brauchen wird, um eine vollwertige Konkurrentin im KI-Chipmarkt zu werden, die nicht nur hardwareseitig, sondern auch softwareseitig mit Nvidia mithalten kann. Während die technische Basis mit CANN, MindSpore und den PyTorch-Integrationen gelegt wird, hängt der tatsächliche Durchbruch vom weiteren Ausbau einer belastbaren Entwickler-Community ab. Die Blockchain von softwaregestütztem Netzwerk, Stabilität und Leistung muss über Jahre hinweg gestärkt und mit politischem sowie wirtschaftlichem Rückhalt untermauert werden.
Die Zukunft des KI-Chipmarkts könnte deshalb von einer gewissen Zweiteiligkeit geprägt sein: Während Nvidia mit CUDA seinen Vorsprung durch ein geschlossenes, aber bewährtes Ökosystem verteidigt, entwickelt Huawei parallel ein offeneres, flexibleres Modell, das vor allem im chinesischen Markt auf Resonanz trifft. Die Zusammenarbeit in offenen Verbänden wie der PyTorch Foundation und Initiativen wie ONNX könnten langfristig zu mehr Kompatibilität und damit zu einer größeren Vielfalt an Hardwareplattformen führen. Die nächsten Jahre werden daher zeigen, ob Huaweis Strategie Früchte trägt und ob es dem Unternehmen gelingt, die „Software-Mauer“ zu durchbrechen, die Nvidia über Jahre mit bedachter Weiterentwicklung seiner CUDA-Plattform errichtet hat. Für Entwickler, Investoren und politische Entscheidungsträger bleibt die Beobachtung dieser Entwicklungen von großer Bedeutung, da sie ebensosehr einen technologischen wie geopolitischen Richtungswechsel signalisieren könnten.
