Alibaba e Baidu treinam IA em chips próprios em meio ao endurecimento das restrições dos EUA

Por que isso importa agora

As duas maiores empresas chinesas de internet voltadas ao consumidor e de computação em nuvem estão dando um passo decisivo para proteger suas cadeias de suprimentos de inteligência artificial. Alibaba e Baidu começaram a treinar alguns modelos em processadores que elas mesmas projetaram, reduzindo a dependência dos chips da Nvidia, que têm sido a base da IA moderna. A mudança reflete simultaneamente duas forças poderosas: o endurecimento dos controles de exportação dos Estados Unidos sobre semicondutores avançados destinados à China e o esforço interno chinês para priorizar tecnologia nacional em infraestruturas críticas.

As duas empresas avançam com cautela, em vez de mudar tudo de uma vez. A Alibaba usa seus próprios aceleradores em tarefas de treinamento de menor escala, mas mantém o hardware da Nvidia para os trabalhos mais exigentes. A Baidu está testando seu mais recente chip Kunlun P800 em novas versões de seu modelo Ernie, a tecnologia por trás de seus serviços de IA generativa. As empresas ainda dependem da Nvidia para as maiores e mais complexas rodadas de treinamento, nas quais desempenho, maturidade do software e interconexões entre múltiplos chips são mais importantes.

O efeito prático nos centros de dados da China pode ser profundo. Empresas que antes aguardavam na fila por GPUs importadas agora têm uma segunda opção para ampliar a capacidade computacional de IA. Chips nacionais suficientemente bons para uma parcela crescente das cargas de trabalho ajudam a reduzir os riscos de abastecimento, manter os projetos dentro do cronograma e alinhar os investimentos às metas tecnológicas nacionais. Se essas implantações forem bem-sucedidas, validarão anos de investimento em chips de IA locais e acelerarão uma mudança mais ampla entre os provedores chineses de nuvem, que passarão a combinar hardware estrangeiro e nacional em suas frotas.

O que Alibaba e Baidu estão desenvolvendo

A Alibaba tem experiência no desenvolvimento de chips próprios por meio de sua unidade T-Head, que já apresentou o acelerador de IA Hanguang 800, voltado à inferência, e uma CPU para servidores baseada em conjuntos de instruções Arm. Seu mais recente processador de treinamento de IA, chamado internamente de Zhenwu pelos funcionários, está sendo usado para treinar modelos menores na Alibaba Cloud. Pessoas que trabalharam com o chip dizem que seu desempenho prático é comparável ao do H20 da Nvidia em tarefas que não exigem as interconexões mais avançadas nem os maiores volumes de memória. Para treinar modelos de ponta, a Alibaba continua recorrendo aos sistemas da Nvidia enquanto testa o novo chip em larga escala.

O projeto Kunlun, da Baidu, é uma das linhas de aceleradores de IA desenvolvidos na China há mais tempo. Os primeiros chips Kunlun eram voltados à inferência, o processo de executar modelos já treinados. Com o Kunlun P800, a Baidu está realizando experimentos de treinamento para novas versões do Ernie, a fim de validar a estabilidade, a capacidade de processamento e a maturidade da pilha de software. A principal vantagem da Baidu é a integração vertical: a empresa desenvolve os modelos Ernie, opera grandes clusters de nuvem e controla o framework PaddlePaddle, o que lhe dá mais liberdade para projetar hardware e software em conjunto e obter maior eficiência.

Como as regras de exportação dos EUA remodelaram o mercado

Desde 2022, Washington vem apertando gradualmente os controles, depois que limites de desempenho para aceleradores de IA restringiram pela primeira vez o que fornecedores dos EUA podiam enviar à China. Alternativas como GPUs especiais para o mercado chinês, com largura de banda de interconexão reduzida, mantiveram parte do abastecimento por algum tempo. Novas medidas anunciadas nos anos seguintes restringiram ainda mais essas rotas. As principais plataformas da Nvidia, como a H100 e os modelos Blackwell mais recentes, continuam fora do alcance na China. A Nvidia criou a H20, uma opção menos potente projetada para cumprir as regras dos EUA, mas pesquisas do setor indicam que, desde abril de 2025, até mesmo o envio desses chips passou a exigir licenças de exportação, aumentando os entraves e a incerteza para compradores chineses de chips dos EUA.

As grandes plataformas chinesas de nuvem e internet responderam com uma estratégia em duas frentes: adquirir o que puderem no exterior e, ao mesmo tempo, investir pesado em aceleradores nacionais. O ambiente regulatório também favorece soluções locais. Clientes do governo e de infraestruturas críticas preferem cada vez mais hardware projetado e mantido na China, o que incentiva os provedores de nuvem a demonstrar que aceleradores chineses podem lidar com cargas de trabalho de produção a custos aceitáveis e com desempenho previsível.

A Nvidia reconhece que o cenário competitivo está mudando e que os clientes têm motivos para diversificar. Um porta-voz da empresa reconheceu essa realidade e ressaltou que a Nvidia pretende continuar atendendo desenvolvedores em todo o mundo.

A concorrência chegou, sem dúvida. Continuaremos trabalhando para conquistar a confiança e o apoio dos desenvolvedores mais atuantes em todos os lugares.

Quão próximos estão os chips nacionais dos da Nvidia

A resposta depende da tarefa. Relatos de engenheiros que usaram o mais recente acelerador da Alibaba indicam desempenho equivalente ao do H20 da Nvidia em algumas tarefas de treinamento e em modelos menores. Isso representa um avanço significativo para uma plataforma recente. Para os maiores modelos e os cronogramas de treinamento mais intensos, a Nvidia ainda leva vantagem graças à maior capacidade máxima de processamento, às interconexões mais rápidas entre GPUs, às pilhas de compiladores maduras e a um amplo ecossistema de bibliotecas otimizadas. Chips como o H100 e os mais recentes modelos Blackwell continuam sendo o padrão para o treinamento de modelos de última geração fora da China.

Treinamento e inferência são tarefas diferentes

O treinamento de IA é o processo de ensinar um modelo ajustando bilhões de parâmetros ao longo de muitas passagens pelos dados. Ele leva ao limite a capacidade de processamento e a largura de banda da memória e exige conexões muito rápidas entre aceleradores para que milhares de chips possam se sincronizar com eficiência. A inferência ocorre depois do treinamento. O modelo já aprendeu, e o sistema gera respostas para os usuários em tempo real. A inferência prioriza baixa latência, eficiência de custos e economia de energia. Um chip excelente para inferência ou para treinar modelos menores ainda pode não dar conta de rodadas de treinamento que duram vários meses e envolvem modelos muito grandes, pois a rede de comunicação entre chips e a coordenação do software se tornam gargalos.

A pilha de software é tão importante quanto o chip

O domínio da Nvidia nunca se deveu apenas aos chips. Sua plataforma CUDA, bibliotecas como cuDNN e TensorRT e uma ampla rede de ferramentas parceiras tornam o desenvolvimento simples e o desempenho previsível. As plataformas chinesas estão criando suas próprias pilhas de software para aceleradores locais. O PaddlePaddle, da Baidu, e as ferramentas de nuvem da Alibaba já oferecem suporte aos chips das empresas, que também podem adaptar kernels e compiladores de grafos aos próprios modelos. Esse controle pode trazer ganhos de eficiência, mas também significa que desenvolvedores terceirizados talvez precisem aprender a usar o hardware nacional ao migrar seus códigos. Se Alibaba e Baidu tornarem essas transições simples dentro de suas nuvens, os clientes poderão dar mais importância ao preço, à disponibilidade e ao nível de serviço do que à marca do chip.

Estratégia empresarial e reação do mercado

Investidores receberam bem os sinais de que as líderes chinesas de internet podem garantir capacidade computacional para IA sem depender totalmente das importações. As ações da Alibaba e da Baidu subiram após notícias sobre as novas implantações, refletindo a expectativa de que uma base de abastecimento mais resiliente apoiará os planos de produtos e reduzirá o risco de atrasos. Um chip nacional suficientemente bom para uma grande parcela das tarefas de treinamento também pode diminuir os custos operacionais no longo prazo, caso seja mais fácil de adquirir e ampliar nos centros de dados domésticos.

A lógica estratégica vai além dos custos e do abastecimento. A Alibaba Cloud e a Baidu Cloud atendem empresas e clientes do setor público, que muitas vezes preferem hardware projetado localmente. Oferecer capacidade computacional em aceleradores nacionais pode ajudar a conquistar cargas de trabalho sensíveis e manter o alinhamento com as preferências regulatórias em matéria de segurança e localização de dados. Ainda assim, as duas empresas parecem apostar em uma combinação pragmática: manter os sistemas da Nvidia para os problemas mais difíceis e recorrer a chips nacionais nas muitas tarefas em que o desempenho é comparável e os custos são atraentes.

Limitações de abastecimento e fabricação

Projetar um acelerador de IA competitivo é apenas parte do desafio. Fabricação, empacotamento e abastecimento de memória também são importantes. Os chips de maior desempenho atuais são fabricados com processos avançados e dependem de pilhas de memória de alta largura de banda instaladas perto do processador. As fundições chinesas avançaram, mas ainda não alcançam os processos mais avançados do exterior. Projetos inteligentes, empacotamento eficiente e software otimizado podem compensar parte dessa diferença, mas ela ainda afeta o desempenho máximo e a eficiência energética.

A disponibilidade de memória de alta largura de banda é outra limitação, já que o treinamento de modelos grandes consome enormes volumes de memória e largura de banda. Os provedores de nuvem contornam esses limites distribuindo as cargas de trabalho entre mais chips, otimizando formatos de precisão e programando tarefas de acordo com os pontos fortes de cada plataforma. Nesse contexto, um acelerador nacional bem integrado à pilha de software da nuvem e fácil de adquirir pode assumir uma parcela significativa do trabalho, mesmo que seu desempenho máximo teórico fique abaixo do oferecido pelas melhores opções estrangeiras.

O que isso significa para desenvolvedores e clientes

Os clientes da Alibaba e da Baidu vão se importar com três fatores: o tempo para obter capacidade, a confiabilidade e o custo total de cada rodada de treinamento ou carga de trabalho de inferência. Se os aceleradores nacionais reduzirem as filas de espera e oferecerem desempenho consistente com frameworks conhecidos, muitas equipes farão a mudança sem grandes dificuldades. Desenvolvedores de modelos talvez precisem ajustar kernels ou adotar ferramentas específicas de cada fornecedor para aproveitar ao máximo a capacidade de processamento, mas isso é comum na computação de alto desempenho. No curto prazo, a tendência provavelmente será a de clusters híbridos e políticas de escalonamento que direcionem as tarefas ao melhor hardware disponível. O treinamento dos maiores modelos de ponta ainda ficará nos sistemas da Nvidia, enquanto um conjunto crescente de tarefas convencionais será executado nos chips da Alibaba e da Baidu.

O que observar a seguir

Dois marcos importantes devem se destacar no próximo ano. O primeiro é o regime de licenças para o envio de aceleradores dos EUA à China, que, segundo pesquisadores do setor, abrangerá chips como o Nvidia H20 e o AMD MI308 a partir de abril de 2025. O segundo são as evidências, no mundo real, de que os chips da Alibaba e da Baidu conseguem lidar com treinamento de produção em larga escala, e não apenas com testes de laboratório. Testes de desempenho com modelos conhecidos, estudos de caso de clientes e a velocidade com que se esgotam as instâncias de nuvem baseadas em aceleradores nacionais mostrarão como está o avanço. Vale acompanhar a rapidez com que os ecossistemas de software desses chips amadurecem, incluindo o suporte em frameworks populares e ferramentas de terceiros. Também é importante observar como outras plataformas chinesas, inclusive as que desenvolvem seus próprios aceleradores ou compram de fornecedores nacionais, dividem os investimentos entre GPUs importadas e opções locais à medida que novos projetos começam.

Pontos principais

• Alibaba e Baidu começaram a treinar modelos de IA em chips que elas mesmas projetaram, mas mantêm os sistemas da Nvidia para os trabalhos mais exigentes.
• O mais recente acelerador da Alibaba é usado em tarefas menores de treinamento e, segundo funcionários, rivaliza com o Nvidia H20 em algumas tarefas.
• A Baidu está testando o Kunlun P800 em novas versões do modelo Ernie e aproveitando o controle que tem sobre o framework PaddlePaddle.
• Os controles de exportação dos EUA restringem o acesso aos principais chips da Nvidia, e pesquisas do setor apontam para novas exigências de licenças para o envio de H20 à China em 2025.
• A Nvidia afirma que continuará trabalhando para conquistar a confiança dos desenvolvedores à medida que a concorrência se intensifica.
• Os aceleradores nacionais já são suficientemente bons para uma parcela crescente das cargas de trabalho, embora a Nvidia ainda lidere no treinamento de modelos de ponta em grande escala.
• Os ecossistemas de software são um fator-chave, e Alibaba e Baidu estão adaptando suas ferramentas ao próprio hardware.
• Os investidores reagiram positivamente, vendo uma redução dos riscos de abastecimento e mais controle sobre os planos de IA.
• A fabricação e o fornecimento de memória continuam sendo limitações, mas projetos inteligentes e a integração com a nuvem podem compensar parte desses obstáculos.
• Espera-se que as nuvens chinesas adotem clusters híbridos, com escalonadores direcionando tarefas entre chips nacionais e GPUs importadas.