O tamanho do fosso
A pergunta que move a geopolítica de hardware em 2026 tem cara de engenharia e cheiro de geopolítica: quanto a Huawei está atrás da Nvidia em compute para IA? A Epoch AI Research publicou uma análise extensa tentando responder isso com números, não com torcida.
A conclusão central é pragmática, quase fria: a Huawei vai melhorar de forma substancial suas soluções de AI compute até 2030, mas as restrições de exportação americanas seguem prendendo os principais alavancas de escala. Isso torna improvável que a empresa chinesa alcance a Nvidia em capacidade bruta de processamento para treinamento e inferência.
Traduzindo para o leitor que acompanha o noticiário sem viver dentro de um data center: compute, aqui, significa a soma de chips, memória de alta largura de banda (HBM, o tipo de memória que alimenta GPUs de IA) e interconexões (NVLink, InfiniBand e equivalentes) que permitem treinar e rodar modelos de linguagem em escala. Sem esses três ingredientes na mesma proporção, não existe.
Onde a Huawei avança — e onde trava
A análise da Epoch AI destrincha os caminhos pelos quais a Huawei pode fechar parte do gap. Há três frentes que merecem destaque.
A primeira é arquitetural. Os Ascend 910C e 910D já mostram amadurecimento em uma abordagem Mixture of Experts (MoE, ou “mistura de especialistas” — em vez de um modelo monolítico, vários sub-modelos menores se especializam e só alguns são ativados por consulta, economizando compute). Isso é relevante porque o design MoE está no centro da estratégia de eficiência tanto da DeepSeek quanto de modelos abertos recentes.
A segunda frente é software. O stack CANN (Compute Architecture for Neural Networks) e a linha de frameworks MindSpore formam um ecossistema que precisa amadurecer em compiladores, kernels e bibliotecas — o equivalente, em menor escala, ao que CUDA representa para a Nvidia. Aqui o fosso é cultural e histórico: anos de otimização acumulada pelos engenheiros que escrevem CUDA dão à Nvidia uma vantagem de software que nenhum decreto muda do dia para a noite.
A terceira frente é escala de fabricação. Mesmo com SMIC (Semiconductor Manufacturing International Corporation) usando litografia DUV (Deep Ultraviolet, a geração anterior de máquinas de litografia, com comprimento de onda maior que o EUV) e multi-patterning (técnica de usar múltiplas exposições para alcançar densidades próximas às do EUV), os yields (percentual de chips funcionais por wafer) permanecem atrás dos da TSMC operando com máquinas ASML de EUV (Extreme Ultraviolet, a geração mais avançada de litografia, com 13.5nm). Isso pesa diretamente no custo por chip e, em última instância, no custo por treinamento.
O gargalo que não é técnico
O nó górdio é político. As export controls do Departamento de Comércio dos EUA, atualizadas em ciclos sucessivos desde 2022, restringem o acesso da Huawei ao que há de mais avançado em litografia (as máquinas EUV da ASML) e em HBM de última geração (os stacks de memória H200/B200 da SK Hynix e Micron, por exemplo). Cada ciclo aperta um parafuso diferente: hoje o foco recai sobre as próprias regras de reexportação e sobre a fiscalização em terceiros países.
Resultado prático: a Huawei pode otimizar arquitetura, melhorar compiladores e até nacionalizar parte da cadeia. Mas o vetor de escala mais poderoso — adicionar mais transistores por chip e mais memória por GPU — depende de fornecedores que não podem entregar. E isso não muda até 2030 segundo os cenários traçados pela Epoch AI.
Por que importa para o leitor brasileiro
Para quem roda modelos, constrói produtos ou desenha estratégia de IA na América Latina, o ponto não é torcer por uma placa ou outra. O ponto é entender que o mercado global de compute permanece estruturalmente concentrado. Nvidia continua sendo a aposta default para treinamento de fronteira, e isso tem implicações em preço de inferência, disponibilidade de capacidade e até em soberania de dados para projetos sensíveis.
A análise da Epoch AI também serve de lembrete metodológico: em hardware, costuma-se confundir announcement com disponibilidade, e benchmark sintético com desempenho real em produção. Quando uma fabricante chinesa anuncia um novo Ascend, vale esperar benchmarks independentes e, quando possível, medições de tokens por segundo por dólar em workloads reais antes de tomar decisões de arquitetura.
O que não sabemos
A análise trabalha com dados públicos e cenários até 2030. Pontos que permanecem em aberto: o ritmo exato de da Huawei em interconnect (a peça que conecta milhares de chips em um cluster), o eventual aparecimento de uma foundry (fábrica de semicondutores) doméstica chinesa capaz de EUV, e o desfecho das conversas geopolíticas que podem afrouxar ou apertar ainda mais as regras atuais.
Também vale registrar que “alcançar a Nvidia” admite várias métricas: FLOPs brutos, eficiência energética, custo por token servido, ou maturidade do stack de software. Pela métrica mais usada — FLOPs disponíveis para treinamento de fronteira — o gap persiste.
Veredito
A Huawei vai se tornar uma alternativa interna viável para parte da demanda chinesa de IA, e isso já é geopoliticamente significativo. Mas competir com a Nvidia no mercado global, na fronteira de capacidade, é um jogo que exige acesso a litografia EUV, HBM de última geração e ecossistema de software maduro. Os três elos seguem sob restrição. O fosso, portanto, persiste — e o restante do mundo continua comprando hardware de quem pode vender.
Fontes consultadas: Epoch AI Research — How far behind Nvidia is Huawei?
