Huawei vừa tung ra một bước đi táo bạo trong cuộc đua AI toàn cầu: cụm chip AI CloudMatrix 384, hệ thống học máy mới được xây dựng từ các bộ xử lý Ascend 910C do hãng tự sản xuất. Thay vì tập trung vào việc tăng hiệu năng của từng chip riêng lẻ, Huawei chọn cách kết nối nhiều chip qua liên kết quang trong một kiến trúc phân tán, giúp tận dụng tài nguyên hiệu quả và duy trì thời gian hoạt động ổn định hơn so với các thiết lập GPU truyền thống.
Điều đáng chú ý là, dù mỗi chip Ascend có thể yếu hơn GPU của Nvidia, nhưng nhờ cách tổ chức mới, tổng thể hệ thống lại có thể đạt hiệu quả tốt hơn trong các bài toán huấn luyện quy mô lớn. Huawei tự tin gọi đây là “bước tiến chiến lược” giúp hãng trở thành đối thủ thực sự trong kỷ nguyên hậu Nvidia, dù vẫn chịu ảnh hưởng từ các lệnh trừng phạt của Mỹ.
Thay đổi khung phát triển: từ PyTorch sang MindSpore
Với hệ thống mới này, các kỹ sư AI sẽ phải làm quen lại gần như toàn bộ quy trình. Thay vì các nền tảng quen thuộc như PyTorch hay TensorFlow vốn tối ưu cho GPU Nvidia, bộ xử lý Ascend hoạt động hiệu quả nhất khi kết hợp với MindSpore, nền tảng học sâu do Huawei phát triển.
Nếu đã có mô hình sẵn trong PyTorch hoặc TensorFlow, người dùng cần chuyển đổi sang định dạng MindSpore hoặc huấn luyện lại bằng API của Huawei. Quá trình này không chỉ là đổi tên lệnh, mà còn đòi hỏi tái thiết kế một phần mô hình, vì MindSpore có cú pháp, cơ chế huấn luyện và cách xử lý toán tử khác biệt, kể cả trong các lớp tích chập hay khởi tạo trọng số.
Sau khi huấn luyện, mô hình sẽ được xuất ra định dạng MindIR tương tự như công nghệ NIM của Nvidia để triển khai suy luận. MindSpore tách biệt rõ giữa hai giai đoạn huấn luyện và triển khai, đòi hỏi dữ liệu đầu vào phải đồng nhất với quy trình huấn luyện, và đồ thị tính toán phải được tối ưu kỹ lưỡng.
Huawei khuyến nghị các nhóm phát triển sử dụng thêm MindSpore Lite hoặc Ascend Model Zoo để tinh chỉnh mô hình theo phần cứng, đảm bảo hiệu năng khi chạy thực tế.
Bộ công cụ và môi trường phát triển riêng
Để hỗ trợ hệ sinh thái của mình, Huawei xây dựng CANN (Compute Architecture for Neural Networks) tương đương với CUDA của Nvidia. Đây là bộ công cụ giúp lập hồ sơ, gỡ lỗi và tối ưu mô hình trên phần cứng Ascend.
MindSpore cũng có hai chế độ hoạt động khác nhau:
- GRAPH_MODE: biên dịch trước toàn bộ đồ thị tính toán để đạt hiệu năng cao hơn.
- PYNATIVE_MODE: thực thi từng thao tác, thuận tiện cho quá trình phát triển và gỡ lỗi.
Khi mô hình đã ổn định, việc chuyển sang GRAPH_MODE giúp tăng tốc đáng kể trong giai đoạn triển khai.
Toàn bộ quy trình từ xử lý dữ liệu, huấn luyện, đến giám sát mô hình có thể được thực hiện trên ModelArts, nền tảng AI đám mây của Huawei. Tương tự như AWS SageMaker hay Google Vertex AI, nhưng ModelArts được tối ưu đặc biệt cho phần cứng Ascend và tích hợp chặt chẽ với MindSpore.
Thách thức và hướng đi
Việc chuyển đổi sang MindSpore và CANN không hề đơn giản, nhất là với những nhóm đã quen làm việc trong hệ sinh thái Nvidia. Họ sẽ phải học lại cách tối ưu mô hình, hiểu rõ cách biên dịch và thực thi của Ascend, đồng thời điều chỉnh toàn bộ pipeline kỹ thuật.
Huawei vẫn còn con đường dài để đạt độ ổn định, tài liệu và cộng đồng hỗ trợ như PyTorch hay CUDA. Tuy vậy, hãng kỳ vọng rằng với hướng đi này, các tổ chức sẽ giảm bớt sự phụ thuộc vào Nvidia, mở ra lựa chọn mới cho những ai đang tìm kiếm một hệ sinh thái AI độc lập và linh hoạt hơn.
Hiện tại, bộ xử lý Ascend chỉ được phân phối giới hạn tại một số quốc gia, khiến việc tiếp cận phần cứng trực tiếp khá khó khăn. Tuy nhiên, ModelArts cung cấp quyền truy cập từ xa, cho phép thử nghiệm và triển khai mô hình mà không cần hạ tầng vật lý. Huawei cũng cung cấp đầy đủ tài liệu và hướng dẫn để hỗ trợ các nhóm trong quá trình chuyển đổi.
Câu hỏi còn lại là: trong kỷ nguyên AI đang tăng tốc, liệu chiến lược “tự thân vận động” này có đủ để Huawei giành lại thế cân bằng trước sức mạnh gần như độc quyền của Nvidia?
Nguồn: artificialintelligence
https%3A%2F%2Fvnreview.vn%2Fthreads%2Fdieu-gi-khien-huawei-dam-tuyen-bo-thach-thuc-nvidia-giua-luc-bi-my-trung-phat.72625%2F
