CUDAがまたまた再び破られた…
今回行動を起こしたのは、NVIDIAが直接育てたAIだ。
設立から1年しかない小さな企業が、AIプログラミングエージェントを使用して、たった10時間で「CUDAに類似するソフトウェア」を構築した。
止めて、止めて、止めて。
あなたは、このNVIDIAが約20年かけて築き上げたソフトウェア帝国が、これだけでコピーされたと言っているのですか？？
それだけではありません。 DeepSeek より少ないCUDAの下層コードを書こうとしています。
彼らはTileLangで記述されたGPUオペランドライブラリ「TileKernels」をオープンソース化し、多数の手作業による低レベルCUDAコードの作成を省略しました。
しかし、似たような「CUDA危機」を聞くのは、今回が初めてではありません。
定期的にCUDAは批判の対象とされ、置き換えられた、突破された、競争優位が崩されたなどと語られる…
本当にそうでしょうか？
10時間でCUDAを再現
NVIDIAと言えば、多くの人の第一の反応はGPUである。
H100、Blackwell、Rubinと、次世代のより高性能なチップにより、NVIDIAはこのAIの波の最大の恩恵を受けています。
しかし、NVIDIAが真に揺るぎない優位性を有するのはハードウェアではなく、ソフトウェアである。
チップは購入可能で、パラメータは追跡可能であり、プロセスも進化します。しかし、顧客がNVIDIAのGPUを使用した後、簡単に乗り換えない理由は、GPUを中心に構築された一連のソフトウェアエコシステムです。
そしてCUDAは、このソフトウェア帝国の核心である。
CUDAの完全な名称はCompute Unified Device Architectureであり、NVIDIAの役員であるIan Buckが率いて約20年かけて開発されました。
これはプログラミング言語と呼ばれることが多いですが、より正確には、NVIDIA GPUを基盤とした一連のソフトウェアプラットフォームです。
シンプルに三層に分けた場合、最下層はカーネル、コンパイラ、ランタイムで、これらはチップに直接作業を実行させる役割を担います。
中央には、cuBLAS、cuDNNなどの高度に最適化された計算ライブラリ、およびデバッグ、検証、パフォーマンス分析ツールがあります。
最上部には、PyTorchやTensorFlowなどの開発フレームワーク、企業が蓄積した膨大なコードとワークフロー、そしてCUDAの周囲で育った開発者エコシステムがあります。
△
これはやや抽象的かもしれませんが、NVIDIA GPUを工場に例えることができます。
CUDAの最下層は機械に各ステップの実行方法を指示し、中間層は既成の生産ツールを提供し、最上層は長年にわたり運用されてきた一連の生産システムです。
したがって、顧客が購入するのは、NVIDIAの1枚のカードではなく、開梱してすぐに使える工場です。
今、ジェレミー・ニクソンという方がAIエージェントを携えて登場しました。
ニクソンは、AIソフトウェアスタートアップ企業Infinityの創設者であり、以前はGoogle Brainで研究員を務めていた。
彼のチームは、さまざまなAIチップ用の低レベルソフトウェアを専門に開発するAI研究エージェント「Ignition」を構築しました。
GPUカーネルを生成し、テストを実行してエラーを検出し、パフォーマンスを測定した後、結果に基づいてコードを自動的に書き直します。
人類のエンジニアが上位の方向性を決定し、残りの細かいかつ頭を使う作業はAgentに繰り返し処理させます。
それで、InfinityはIgnitionを使用して、AIチップスタートアップのd-MatrixにCUDAに類似するソフトウェアを構築しました。
たった10時間で。
え？？
かつてチップソフトウェアエンジニアが繰り返しデバッグを必要としていた低レベルのコードを、今や本当にAIに任せられるようになったのか？
それはまったくの炒作とは言えません。
AIエージェントは、明確なフィードバックを持つプログラミングタスクに非常に適しています。
コードがコンパイルできるか、計算結果が正しいか、パフォーマンスが向上したかは、実際に実行することで確認できます。
したがって、エージェントは完全なフィードバックループを形成できます：
コードを書く→コンパイル→実行→正しさとパフォーマンスをテスト→フィードバックに基づいて継続的に修正
しかし、Infinityは主にCUDAの第1層に焦点を当て、異なるチップ用の推論Kernelの生成と最適化を行い、これらのKernelを中心に下層ソフトウェア能力を構築しています。
彼は複数のチップ向けの汎用推論ライブラリを開発中だが、これは10時間でCUDAが約20年かけて築いてきた完全なエコシステムをコピーしたことを意味しない。
しかし…
しかし！
あなたは実際にCUDAをコピーする必要なく、1500万ドルの資金調達を達成できる。
この会社の現在の評価額はすでに1億ドルに達しています。
ナスダックの上昇は、英偉達の地位を脅かすものではないだろうが、資本は確かに支持している。（doge）
リサーチ側、第二戦場が開始！
AIエージェントが攻城の武器であるなら、推論市場は城壁の隙間である。
大規模モデルの計算は主に二つの段階に分けられます：
トレーニングはモデルを構築するプロセスで、数万枚のGPUを協調させて数ヶ月かけて実行する必要がある一方、推論は訓練済みモデルを使って質問に答えるもので、小規模なクラスタや単一のGPUでも実行可能です。
トレーニング側では、CUDAは現在もほぼ解決不可能です。
大規模なトレーニングは、パフォーマンス、安定性、クラスタの協調性に非常に敏感です。チップ間の通信、VRAMのスケジューリング、エラー発生後の復旧方法など、あらゆる効率の損失が、数千枚、あるいは数万枚のチップに拡大されると、実際の時間とコストになります。
したがって、企業はトレーニングプラットフォームを選択する際、非常に慎重になります。
他のチップは、仕様上は優れていても、ソフトウェアが十分に成熟しておらず、クラスタが安定していない場合、ハードウェアコストの削減分は開発や試行錯誤のコストで倍返しになる可能性があります。
しかし、推論側ではルールが変わった。
韓国のAIチップ企業Rebellionsの首席営業責任者Marshall Choyは以下のように考えている：
推論側では、CUDAが決定的な要因ではなくなる。これはオープンソースソフトウェアの競争になる。
なぜ競合他社はすべて推論に注目しているのか？
トレーニングは「極限のパフォーマンス」を重視し、推論は「各回答のコスト」を重視します。
訓練には数万枚のGPUが必要だが、推論は小規模なクラスタや単一のGPUに分割できる。訓練ではチップを変更できないが、推論では可能である。
とにかく動けば、安ければ、顧客は試してみようと思います。
さらに重要なのは、推論ソフトウェアが複数のチップで動作できることです。推論フレームワークが複数のチップをサポートすれば、ユーザーはコードを書き直すことなく、異なるハードウェア間で切り替えられます——
CUDAの最大のロックイン効果が、これで無効になった。
これにより、専用推論チップに機会が生まれます。
推論タスクには、訓練からクラスタ協調に至るまでのCUDAの全機能が必要なわけではない。特定のモデルやシナリオに合わせて再設計されたチップは、より速く、より安価、またはより省電力であれば、NVIDIAから市場の一部を奪う機会を有する。
たとえばd-Matrixは、推論に特化したチップ企業である。
この会社は2019年に設立され、生成的AI推論チップに特化しています。
共同創設者兼CEOのSid Shethは、AI推論がもたらす機会が最終的に訓練を上回ると早期に判断したと振り返った。
Infinity用AIエージェントが10時間で構築したCUDA類似ソフトウェアは、d-Matrixの推論チップを対象としています。
したがって、「10時間イベント」の全体の物語がつながりました：
新チップは推論市場に参入したいが、成熟したソフトウェアが不足している。AIエージェントが下位カーネルを迅速に生成・最適化し、本来数ヶ月から数年かかるアダプテーション作業を数時間または数日で圧縮する。
シドは公然とこう述べた：
ナビダはトレーニング分野で依然として支配的ですが、推論分野では競争優位が弱まっています。
このギャップに注目しているのは、d-Matrixだけではない。
推理に特化したRebellions、d-Matrix、ウェハレベルチップに注力するCerebras、アマゾンのInferentia、グーグルのTPU、AMDのMI300X……
各半導体メーカーとクラウド大手は、すでに推論市場で陣地を固め、NVIDIAから市場を奪い取ろうとしている。
これらの企業にとって、すぐに NVIDIA を置き換える必要はない。
彼らは、特定の推論タスクにおいて、NVIDIAの完全なハードウェアとCUDAエコシステムに依存せず、より速く、またはより安価に実行できることを証明するだけでよい。
これで十分です。
NVIDIAの競争優位は、本当に覆されたのか
答えは…まだ遠いかもしれません。
前述の通り、10時間で書き直したのは「1つのチップのアダプテーションコード」であり、CUDAエコシステムには20年分のライブラリ、デバッグツール、コミュニティ、数百万の開発者が蓄積されています。
これは簡単に覆されるものではありません。
より重要なのは、コードが生成できることと、実際に使用できることは別であるということです。
INT21の創設者であるBing Xuは、前職のAIチップソフトウェア企業HippoMLがNVIDIAに買収され、本人は今年4月にNVIDIAを退社した。
彼の判断は、エージェントは短時間で大量のコードを生成できるが、検証が最大のボトルネックであるということだ。
AIは一万行のコードを迅速に生成できるが、「この一万行があらゆる境界状況で正しく、安定して動作することを証明する」のは非常に遅い。
CUDAが最も深い資産は、その検証ツールチェーンである——そのため、エージェント時代において、検証エコシステムはCUDAの次の城壁となるだろうと彼は考えている。
モジュラーの共同設立者兼CEOであるクリス・ラトナーも冷水を浴びせた。
彼は、エンコーディングエージェントがもたらす改善は漸進的であるとし、「注目は過剰に誇張されている」と述べた。
理由は三つあります。第一に、コードを書くことはソフトウェアエンジニアリングの一部に過ぎず、プロダクションレベルの最適化がチップのパフォーマンスを決定し、AIの実行コストに直接影響します。
第二に、チップソフトウェアはニッチなエリート分野であり、公開コードはアプリケーション開発に比べてはるかに少ないため、AIが学習できるトレーニングデータ自体が少ない。
第三に、数百万行の既存コードの移行コストは依然として存在しており、これは技術的な問題ではなく、組織的な意思決定の問題です。
また、見落とされがちな点として、ナビダは自社でもAIを活用しています。
エヌビディア開発者エコシステム副社長のアンキット・パテルは述べた：
また、AI Agentを使用してCUDAの開発を迅速化し、より大規模な検証を行っています。
自らの矛で相手の盾を攻めると、攻撃側の相対的優位も薄れる。
Bing Xuのまとめ：この戦いの勝敗は、競合他社がNVIDIAに追いつく速度が、NVIDIAの自己進化の速度を上回れるかどうかにかかっている。
しかし明らかに、この世界最大の半導体メーカーは「寝ていても、立ち止まってもいない」。
全体として、短期的には NVIDIA の競争優位は安全だが、変化はまず推論側で静かに起こるだろう。
長期的な真の懸念は、競争優位が「コードの蓄積」から「検証と最適化されたエコシステム」へ移行していることである。
新しいポジションを誰が最初に確保するかが、次の勝者を決める。
参照リンク：[1]https://www.businessinsider.com/nvidia-cuda-new-threats-ai-coding-agents-2026-8
本文は微信公众号「量子位」より、著者：听雨