A longa aposta de Jensen Huang em CUDA transformou a GPU em uma Computing Platform

Resumo

A contribuição estratégica de Huang foi apoiar uma plataforma de computação de propósito geral em torno das GPUs da NVIDIA, não reivindicar o trabalho de engenharia dos arquitetos, equipes de compiladores, autores de bibliotecas ou pesquisadores externos da CUDA.

CUDA reduziu uma barreira central para a computação em GPU: os desenvolvedores podiam expressar trabalho paralelo por meio de um modelo semelhante a C, em vez de disfarçar cada cálculo como uma operação gráfica.

O uso científico inicial, o supercomputador Titan acelerado por GPU e o AlexNet forneceram provas cada vez mais fortes de que a mesma arquitetura programável poderia suportar cargas de trabalho importantes além dos jogos.

A NVIDIA ampliou a vantagem por meio de bibliotecas, documentação, treinamento, integração de frameworks e compatibilidade entre gerações de hardware. A empresa agora descreve a CUDA como a base de uma pilha de computação completa.

O resultado comercial é substancial, mas não separável: a NVIDIA relatou US$ 215,9 bilhões em receita no ano fiscal de 2026, enquanto a receita da CUDA não é divulgada como uma linha própria. Seria errado atribuir o crescimento da empresa apenas ao software.

O ecossistema cria valor real para o cliente e custos reais de mudança. O HIP da AMD e o padrão multiplataforma SYCL mostram que a portabilidade é possível, mas a migração ainda pode exigir alterações de código, ajustes de desempenho e novos conhecimentos operacionais.

A decisão foi maior que um recurso gráfico.

A versão mais simples da história da NVIDIA vai de gráficos de jogos melhores à inteligência artificial, como se um mercado naturalmente fluísse para o próximo. A versão mais útil depende de uma decisão sobre quem deveria ser capaz de programar o processador e que tipo de trabalho o processador deveria aceitar.

A NVIDIA construiu um dispositivo altamente paralelo porque renderizar milhões de pixels recompensa a execução simultânea de cálculos semelhantes. A CUDA perguntou se essa maquinaria paralela poderia se tornar um alvo de computação geral em vez de permanecer um estágio especializado no pipeline gráfico.

Essa não era uma extensão óbvia do produto. Um chip projetado para gráficos já podia ser programado por meio de interfaces gráficas, e pesquisadores haviam demonstrado cálculos não gráficos impressionantes nele. Mas o caminho era complicado. Muitas vezes, eles precisavam traduzir dados em texturas e computação em operações de renderização.

Um cientista interessado em dinâmica molecular ou imageamento médico tinha que entender conceitos que pertenciam a um sistema gráfico antes de alcançar a capacidade aritmética subjacente. A taxa de transferência bruta existia; uma plataforma de computação amplamente utilizável, não.

A distinção importa ao avaliar Huang. Seu papel não era sentar e escrever cada passagem do compilador ou definir cada regra de sincronização. A própria biografia da NVIDIA o identifica como cofundador em 1993 que atuou continuamente como presidente e CEO.

A decisão da plataforma, portanto, pertence ao seu registro executivo: ele podia direcionar capital, prioridades de produto e atenção organizacional para um mercado cujo tamanho de curto prazo era incerto. A implementação técnica pertence a um grupo muito mais amplo.

Alinha do tempo corporativada NVIDIA data a revelação da arquitetura CUDA em 2006 e diz que o objetivo era abrir o processamento paralelo da GPU para a ciência e a pesquisa. Um artigo técnico de 2008 de John Nickolls, Ian Buck, Michael Garland e Kevin Skadron diz que o software CUDA foi lançado em 2007. Essas datas descrevem marcos diferentes, não uma contradição: a arquitetura apareceu com a direção unificada de gráficos e computação da NVIDIA no final de 2006, e o ambiente de desenvolvimento chegou aos programadores depois.

Esta foi uma expansão estratégica da identidade do produto. Se a GPU permanecesse apenas um acelerador gráfico, a demanda permaneceria ligada principalmente a cargas de trabalho visuais. Se ela se tornasse um processador paralelo programável, todo problema computacionalmente intensivo adequado poderia se tornar uma razão para comprar uma.

A empresa ainda precisaria provar que aplicações úteis poderiam ser escritas, que o código poderia sobreviver a atualizações de hardware e que desenvolvedores suficientes aceitariam um estilo diferente de computação. A CUDA era, portanto, uma promessa sobre um mercado que os desenvolvedores ainda tinham que criar.

Pesquisadores já haviam exposto a oportunidade — e o atrito.

A computação em GPU de propósito geral não começou no evento de lançamento da NVIDIA. Pesquisadores acadêmicos e programadores a exploravam há anos. A tese de doutorado de Ian Buck em 2004 em Stanford,“Stream Computing on Graphics Hardware”, apresentou Brook, um compilador e sistema de tempo de execução que estendia C com conceitos de paralelismo de dados e abstraía a GPU como um coprocessador de streaming.

A dissertação explica por que os processadores gráficos eram atraentes: o paralelismo de dados e a intensidade aritmética permitiam que eles dedicassem hardware substancial à computação repetida. Ela também documenta o custo da rota antiga, incluindo restrições de memória, sobrecarga do kernel e a dificuldade de mapear algoritmos gerais em um dispositivo de renderização.

Brook é importante porque impede um mito de origem centrado no fundador. O trabalho de Buck, juntamente com o de Tim Foley, Daniel Horn, Jeremy Sugerman, Kayvon Fatahalian, Mike Houston e Pat Hanrahan, demonstrou que um sistema de programação de nível superior poderia expor a GPU sem fazer todos os programadores manipularem primitivas gráficas.

As páginas do projeto de Stanford mostram que o trabalho estava inserido em uma comunidade de pesquisa maior de computação em fluxo e recebeu apoio de várias empresas e agências públicas, incluindo a NVIDIA. As ideias já estavam se movendo através de fronteiras institucionais antes que a CUDA se tornasse um produto.

A NVIDIA contratou Buck em 2004, de acordo com orelato da empresa sobre a história da programação em GPU. Essa página chama Brook de precursor da CUDA e diz que o objetivo era criar uma abordagem familiar para programadores C, adicionando conceitos paralelos de nível superior. O artigo posterior da CUDA nomeia Nickolls, Buck e Garland da NVIDIA juntamente com Skadron da Universidade da Virgínia.

Essas fontes identificam uma linhagem técnica e uma equipe; elas não apoiam chamar Huang de inventor único da CUDA.

A própria contribuição de Huang é melhor vista em como ele interpretou o uso disperso. Em umaconversa de 2024 na Stanford Graduate School of Business, ele lembrou a NVIDIA tornando seus processadores progressivamente mais programáveis, desenvolvendo a linguagem Cg e notando pesquisadores usando a tecnologia para reconstrução de TC e química computacional.

Ele descreveu a visita a usuários médicos e tratou esses exemplos como sinais de que a forma de computação poderia resolver problemas que as máquinas convencionais lidavam mal. Em seu relato, cada uso dava à empresa mais confiança para continuar.

Essa recordação é o relato de um participante, não uma história institucional completa. Seu valor estratégico está na regra de decisão que revela. A NVIDIA não esperou por um grande mercado bem medido chamado “computação em GPU” aparecer. Ela olhou para casos extremos tecnicamente críveis: imageamento, física de partículas, simulação de fluidos e química.

Esses eram pequenos em comparação com os gráficos de consumo, mas compartilhavam uma estrutura — grandes quantidades de trabalho numérico paralelo. Huang viu uma oportunidade de plataforma comum por trás de aplicações separadas.

A aposta foi, portanto, baseada em evidências, sem ser certa. Pesquisas existentes mostravam que as GPUs poderiam acelerar cálculos adequados. Não provavam que os desenvolvedores mainstream mudariam a forma como escreviam software, que os cientistas confiariam em um processador derivado de jogos ou que a NVIDIA poderia manter o conjunto de ferramentas entre gerações. A decisão converteu uma direção promissora de pesquisa em uma obrigação de produto de longa duração.

CUDA mudou a unidade de programabilidade.

A importância técnica da CUDA pode ser descrita sem tratá-la como mágica. Oartigo de 2008 da ACM Queueapresenta três abstrações centrais: uma hierarquia de grupos de threads, memórias compartilhadas e sincronização de barreira. Um programador escreve um kernel — uma função para executar em paralelo — e organiza muitas instâncias desse trabalho em blocos e grades.

Threads dentro de um bloco podem cooperar por meio de memória compartilhada e sincronização; blocos são projetados para serem executados de forma independente o suficiente para que o runtime possa distribuí-los entre as unidades de processamento disponíveis.

Essa estrutura conectou dois objetivos que muitas vezes entram em conflito. Os programadores precisavam de controle suficiente para usar a hierarquia de memória e o hardware paralelo de forma eficiente. A NVIDIA precisava que o software escalasse de uma geração de GPU para outra sem codificar uma aplicação para uma contagem física de núcleos.

Ao pedir que os desenvolvedores dividissem um problema em blocos independentes, a CUDA permitiu que o runtime escalonasse o mesmo programa em diferentes números de processadores. A abstração não tornou todos os algoritmos paralelos e não removeu a necessidade de trabalho de desempenho. Mas separou a decomposição lógica de um programa da contagem exata de núcleos da GPU subjacente.

A mudança pode ser entendida como mover a interface para mais perto do problema do desenvolvedor. Antes de um modelo de computação adequado, um programador podia codificar números como texturas, lançar uma operação de renderização e recuperar resultados como se fossem pixels. Com a CUDA, o programador podia expressar kernels, arrays, transferências de memória e sincronização diretamente. O hardware ainda impunha restrições.

Padrões de ramificação, acesso à memória, movimento de dados e intensidade aritmética podiam determinar se a aceleração valia a pena. Mas essas restrições eram agora conceitos de computação, não um disfarce construído a partir de vocabulário gráfico.

O modelo de programação também tornou a GPU explicitamente heterogênea. A CPU permaneceu como hospedeira: ela iniciava a aplicação, preparava dados e lançava trabalho. A GPU tornou-se o dispositivo: executava grandes números de threads paralelos. Adocumentação moderna da CUDAainda descreve essa relação, enquanto permite sistemas com múltiplas CPUs e GPUs. A CUDA não argumentou que uma GPU deveria substituir uma CPU para tudo.

Ela deu aos desenvolvedores uma maneira de atribuir diferentes partes de uma carga de trabalho ao tipo de processador adequado a elas.

Esse limite é uma das razões pelas quais a plataforma pôde se espalhar. Uma empresa ou laboratório não precisava descartar sua aplicação existente e reescrever cada linha. Podia identificar kernels caros, mover essas porções para a GPU e manter o trabalho serial ou pesado em controle na CPU. A adoção podia começar com um gargalo. Uma vez que o ambiente de desenvolvimento, as práticas de implantação e o conhecimento da equipe estivessem no lugar, mais trabalho podia seguir.

A limitação é igualmente importante. A aceleração depende da aplicação, implementação, sistema de comparação e quantidade de dados transferidos. O artigo inicial da CUDA relatou exemplos que variavam de uma melhoria de 10 a 100 vezes para dinâmica molecular a números muito mais altos para implementações específicas de MRI e n-body. Essas medições demonstravam possibilidade nos sistemas testados; não eram uma promessa universal para qualquer programa movido para uma GPU.

Uma plataforma conquista adoção não garantindo um multiplicador, mas tornando a busca por aceleração adequada repetível.

Um produto tornou-se uma plataforma através de complementos.

Um compilador sozinho não teria produzido o ecossistema CUDA. Os desenvolvedores precisavam de drivers, depuradores, profilers, documentação, exemplos de código, bibliotecas matemáticas, material didático, suporte da comunidade e hardware disponível em vários pontos de preço. Cada complemento reduzia um custo de adoção diferente. Uma biblioteca podia eliminar a necessidade de escrever um primitivo altamente ajustado. Um profiler podia mostrar por que um kernel estava parado. Um curso podia tornar o pensamento paralelo ensinável.

Uma política de compatibilidade podia permitir que uma equipe comprasse uma nova GPU sem descartar uma aplicação funcional.

O artigo de 2008 já descrevia programas CUDA em química computacional, resolução de matrizes esparsas, ordenação, busca e física. Também apontava para o ensino universitário. Essas aplicações iniciais importavam mesmo quando geravam pouca receita direta de software. Elas davam a outros desenvolvedores exemplos para copiar, produziam perguntas que melhoravam as ferramentas e criavam especialistas cujo próximo empregador também podia escolher CUDA. Cada aplicação bem-sucedida aumentava a utilidade do hardware para alguém além de seu autor original.

Esta é a lógica econômica de uma plataforma de desenvolvedores. A NVIDIA fornece um lado: processadores, sistemas, compiladores e bibliotecas. Desenvolvedores externos fornecem outro: aplicações, frameworks, códigos científicos e expertise. Os usuários estão mais dispostos a comprar o hardware quando um software útil já existe. Os desenvolvedores estão mais dispostos a segmentar a plataforma quando muitos usuários e máquinas estão disponíveis. Nenhum dos lados precisa ser planejado centralmente para que o ciclo se acumule.

A realização estratégica de Huang foi manter a NVIDIA comprometida com este ciclo quando as primeiras aplicações estavam dispersas em campos de pesquisa. Uma empresa de chips acostumada a medir um produto por unidades e vitórias em benchmarks teve que tratar software escrito por outras pessoas como parte do valor do produto. Também teve que apoiar desenvolvedores cujos projetos podiam levar anos para se tornar grandes mercados.

O retorno de uma biblioteca de química otimizada ou de um curso universitário não apareceria necessariamente no mesmo trimestre da despesa.

O compromisso tornou-se mais amplo com o tempo. OFormulário 10-Kdo ano fiscal de 2026 da NVIDIA diz que sua pilha de tecnologia começa com CUDA e depois adiciona centenas de bibliotecas específicas de domínio, frameworks, algoritmos, kits de desenvolvimento de software e interfaces de programação. O registro descreve uma arquitetura programável unificada atendendo a vários mercados através de diferentes pilhas de software construídas pela NVIDIA, parceiros e desenvolvedores terceiros. Essa é uma descrição corporativa formal do modelo de plataforma, não apenas um slogan de palestra de conferência.

A linha do tempo da NVIDIA agora diz que mais de quatro milhões de desenvolvedores criam milhares de aplicações aceleradas, mais de 40.000 empresas usam suas tecnologias de IA e 15.000 startups participam de seu programa Inception. Essas são contagens de ecossistema relatadas pela empresa, portanto não devem ser tratadas como medidas auditadas de uso ativo ou dependência econômica. Elas ainda revelam o que a NVIDIA escolheu contar. A empresa apresenta desenvolvedores e aplicações como ativos operacionais ao lado do silício.

A ciência forneceu prova pública antes que a IA se tornasse manchete.

A computação científica não era um mercado lateral decorativo enquanto a CUDA esperava pelo aprendizado de máquina. Ela fornecia cargas de trabalho exigentes e instituições visíveis que testavam a tese da plataforma. Simulações, imageamento e álgebra linear contêm trabalho paralelo abundante, mas também expõem limites numéricos, de memória e de escalabilidade. Uma plataforma que falhasse em produzir resultados científicos reproduzíveis ou não pudesse rodar em grandes sistemas não ganharia credibilidade apenas porque seus chips eram rápidos em jogos.

Um dos resultados mais claros foi o Titan no Oak Ridge National Laboratory. OOak Ridge Leadership Computing Facilitydescreve o Titan como um Cray XK7 com 18.688 nós de computação, cada um combinando uma CPU AMD Opteron de 16 núcleos com uma GPU NVIDIA K20X. O sistema oferecia mais de 27 petaflops de desempenho máximo teórico.

Oak Ridge diz que entregou dez vezes a velocidade e cinco vezes a eficiência energética de seu predecessor, Jaguar, usando apenas modestamente mais energia e a mesma pegada física.

O Titan não provou que as GPUs deveriam rodar todo código científico. Seu design híbrido provou quase o oposto: CPUs e GPUs podiam dividir o trabalho. As aplicações tinham que expor paralelismo suficiente para usar o acelerador, e as equipes científicas tinham que preparar seus códigos para uma arquitetura diferente. A aquisição, portanto, tornou a decisão do ecossistema tangível. Um laboratório nacional estava disposto a emparelhar uma vasta máquina com um esforço de programação e aplicação que dependia de software acelerador.

A escala também mudou quem arcava com o custo da adoção. Em um desktop, um desenvolvedor podia experimentar com uma placa gráfica. No Titan, laboratórios, equipes de aplicação, o fornecedor do sistema e a NVIDIA tinham que coordenar. Portar e otimizar grandes códigos científicos exigia treinamento e engenharia sustentada. Esse fardo faz parte da história da CUDA, não uma nota de rodapé. A adoção da plataforma é cara antes de se tornar conveniente.

O resultado observável foi um supercomputador híbrido funcional que permaneceu em serviço até 2019. Oak Ridge atribui tempo mais rápido para solução, maior complexidade do modelo e realismo de simulação aprimorado à arquitetura. Essas são as conclusões da instalação sobre seu próprio sistema, mas a contagem de nós, modelo de GPU, desempenho máximo e data de aposentadoria fornecem âncoras concretas. A CUDA havia passado de experimentos individuais para infraestrutura cujos usuários dependiam dela para trabalho científico programado.

A ciência também influenciou a própria plataforma. Algoritmos com acesso irregular à memória, dados esparsos, reduções ou múltiplas GPUs pressionaram a CUDA além do paralelismo simples semelhante a pixels. Bibliotecas e recursos de programação foram desenvolvidos para lidar com padrões mais amplos. Este é um benefício de escolher uma plataforma em vez de um acelerador único: aplicações externas revelam o que a próxima versão deve suportar.

O resultado não pode ser creditado apenas a Huang. Oak Ridge selecionou e operou a máquina; a Cray integrou o sistema; a AMD forneceu CPUs; equipes da NVIDIA construíram hardware e software; cientistas adaptaram suas aplicações. A contribuição responsável de Huang foi manter a empresa orientada para a computação acelerada por tempo suficiente para que tal coalizão se tornasse prática.

AlexNet mudou o centro de gravidade comercial.

O resultado do AlexNet de 2012 é frequentemente comprimido em uma história em que a NVIDIA “causou” a IA moderna. O resultado real é ao mesmo tempo mais específico e mais informativo. Alex Krizhevsky, Ilya Sutskever e Geoffrey Hinton treinaram uma rede neural convolutional profunda no ImageNet. Seuartigodiz que o treinamento levou cinco a seis dias em duas GPUs NVIDIA GTX 580 com 3 GB de memória cada.

A implementação vinculada chamava-se cuda-convnet. Na competição de 2012, um ensemble baseado em sua abordagem alcançou uma taxa de erro de teste top-five de 15,3%, em comparação com 26,2% para a segunda melhor entrada.

Esses números estabelecem um resultado, não uma causa única. Os pesquisadores projetaram a rede, os métodos de treinamento e o esquema de múltiplas GPUs. O ImageNet forneceu um grande conjunto de dados rotulados. Avanços em métodos de redes neurais importaram. As GPUs tornaram a quantidade de computação viável dentro de dias, e a CUDA forneceu uma maneira de programá-las. Remova qualquer um desses elementos e a história muda.

Dar todo o crédito à NVIDIA apagaria a pesquisa; tratar os processadores como incidentais ignoraria o próprio relato do artigo sobre memória e tempo de treinamento.

Para Huang, o AlexNet foi um sinal mais forte do que as aplicações dispersas anteriores porque apontava para um método geral com demanda computacional crescente. As redes neurais podiam melhorar à medida que os modelos e conjuntos de dados cresciam, enquanto o treinamento expunha grandes quantidades de álgebra linear paralela. O apetite da carga de trabalho alinhava-se com a arquitetura da GPU e com anos de investimento em software da NVIDIA.

A CUDA significava que a empresa não precisava começar a construir um ambiente de desenvolvedor após o breakthrough aparecer. O ambiente já existia.

É aqui que a paciência se tornou valor de opção estratégica. Antes de 2012, a CUDA suportava campos científicos e técnicos cujos mercados eram significativos, mas fragmentados. Após o AlexNet, a mesma base podia servir a uma comunidade de aprendizado de máquina em rápido crescimento. Uma plataforma construída apenas para um pacote de química ou um algoritmo de imageamento não teria transferido tão prontamente. As abstrações e bibliotecas gerais da CUDA deram à NVIDIA um caminho de uma onda de aplicação para outra.

A linha do tempo corporativa da NVIDIA identifica o AlexNet como um marco de 2012 alimentado por suas GPUs. Essa descrição é promocional e deve ser lida ao lado do artigo original. O artigo fornece os detalhes verificáveis de hardware, treinamento e taxa de erro; a linha do tempo mostra como a NVIDIA interpretou o evento. A empresa viu o AlexNet não como uma venda sortuda de duas placas de jogo, mas como a confirmação de que a computação acelerada poderia se tornar o motor de uma grande transição de software.

A resposta comercial expandiu-se além da linguagem CUDA original. A NVIDIA desenvolveu e adquiriu bibliotecas para operações de redes neurais, construiu sistemas para treinamento, adicionou recursos de hardware especializados e apoiou frameworks que permitiam aos pesquisadores trabalhar em um nível mais alto. O valor da decisão original não era que todo desenvolvedor de IA escreveria kernels CUDA brutos. Era que autores de frameworks e equipes de bibliotecas poderiam segmentar CUDA, permitindo que milhões de usuários se beneficiassem através de camadas de abstração.

A integração de frameworks tornou a plataforma comum.

Uma tecnologia se torna infraestrutural quando muitos usuários dependem dela sem interagir com sua camada mais baixa. Desenvolvedores contemporâneos de aprendizado de máquina frequentemente escrevem operações tensoriais em Python em vez de CUDA C++. No entanto, o framework pode despachar essas operações para bibliotecas e kernels CUDA. O usuário vê um tensor e um nome de dispositivo; a plataforma lida com compilação, alocação de memória, escalonamento e primitivas otimizadas abaixo.

PyTorch torna essa relação explícita. Suadocumentação de semântica CUDAexplica como tensores CUDA são alocados a dispositivos, como streams ordenam o trabalho, como múltiplas GPUs se comunicam e como código agnóstico de dispositivo pode escolher entre execução em CPU e CUDA. O framework reduz a quantidade de código específico da plataforma que um pesquisador deve escrever, mas não apaga a plataforma. Os conceitos CUDA permanecem visíveis quando desempenho, memória ou sincronização importam.

TensorFlow fornece outro sinal independente. Seuguia de instalaçãooferece um caminho de pacote de GPU que inclui suporte CUDA e lista drivers NVIDIA, o CUDA Toolkit e cuDNN entre o software necessário para configurações de GPU suportadas. Novamente, a maioria dos usuários não implementa um kernel de convolução. Mantenedores de frameworks e bibliotecas absorvem esse trabalho, e seu suporte torna o hardware NVIDIA acessível a uma população mais ampla.

Essa camada fortalece a CUDA de duas maneiras. Primeiro, um pequeno grupo de mantenedores especialistas pode otimizar operações usadas por um número muito grande de aplicações. Um kernel de multiplicação de matrizes ou atenção mais rápido pode melhorar muitos modelos sem que cada equipe o reescreva. Segundo, frameworks se tornam canais de distribuição para a plataforma de hardware. Um estudante que aprende um framework em uma GPU CUDA pode levar código semelhante para uma estação de trabalho, instância na nuvem ou cluster.

A mesma camada pode enfraquecer a dependência direta no nível da aplicação. Código escrito contra um framework de alto nível também pode rodar em CPU, GPU AMD, processador Apple, acelerador Google ou outro backend. APIs agnósticas de dispositivo criam espaço para competição. Mas a portabilidade de sintaxe não é idêntica à portabilidade de desempenho. Extensões CUDA personalizadas, suposições sobre memória, operações não suportadas e kernels ajustados à plataforma ainda podem tornar uma mudança custosa.

Essa tensão é central para o resultado de plataforma de Huang. A NVIDIA se beneficia quando ferramentas de alto nível tornam a CUDA fácil de adotar; enfrenta risco quando essas mesmas ferramentas tornam o hardware subjacente intercambiável. A resposta da empresa tem sido continuar adicionando bibliotecas otimizadas, recursos de sistema e serviços de desenvolvedor para que frameworks abstratos rodem especialmente bem em sua pilha. A disputa competitiva ocorre, portanto, abaixo da interface Python tanto quanto na ficha técnica do chip.

Compatibilidade transformou código passado em motivo para comprar a próxima GPU.

Ecossistemas de desenvolvedores só se acumulam se o trabalho de ontem retém valor. Se todo novo processador forçasse uma aplicação a ser reconstruída a partir dos primeiros princípios, bibliotecas e habilidades se depreciariam rapidamente. O design de compatibilidade da NVIDIA é, portanto, um recurso econômico além de técnico.

Adocumentação atual da plataforma CUDAexplica que código de nível superior pode compilar para PTX, uma representação intermediária que o driver pode traduzir para uma GPU física. Executáveis podem carregar binários para várias arquiteturas mais PTX para futuras. A documentação diz que PTX pode ser compilado em tempo de execução para capacidades de computação posteriores, enquanto a compatibilidade binária se aplica dentro de limites de arquitetura definidos. As promessas têm limites, mas dão aos desenvolvedores caminhos suportados através de gerações.

Compatibilidade muda o comportamento de compra. Uma organização com aplicações CUDA funcionais, equipe treinada e ferramentas de implantação pode considerar uma nova GPU NVIDIA como uma continuação, não como um projeto de software novo. O novo hardware ainda pode exigir ajustes para atingir seu melhor desempenho, e binários antigos podem não usar novos recursos. Mas a perspectiva de rodar trabalho existente reduz o risco de adoção. Cada geração de hardware pode herdar a demanda criada pelo investimento anterior em software.

Também muda as obrigações da NVIDIA. Um fornecedor de plataforma não pode otimizar apenas para um novo benchmark e abandonar aplicações antigas sem consequências. Drivers devem carregar código mais antigo dentro dos limites prometidos. Bibliotecas devem gerenciar depreciação. A documentação deve explicar quais combinações de toolkit, driver e GPU são suportadas. Bugs em uma camada de compatibilidade podem afetar aplicações que a empresa nunca escreveu. O ecossistema é um ativo precisamente porque também é um fardo de manutenção.

Isso ajuda a explicar por que a CUDA se tornou mais defensável do que um único chip rápido. O desempenho do hardware pode ser superado por um concorrente ou deslocado por um acelerador especializado. Um corpo de aplicações compatíveis, bibliotecas e conhecimento operacional se move mais lentamente. Concorrentes devem oferecer benefício suficiente para justificar não apenas uma compra de hardware, mas também migração, validação e retreinamento.

A vantagem não é permanente. A compatibilidade em si pode se tornar incômoda, e camadas de abstração podem reduzir diferenças de plataforma. Serviços em nuvem permitem que clientes aluguem alternativas sem comprar um novo cluster. Padrões abertos podem tornar o código portável. Ainda assim, a longa continuidade da CUDA significa que a comparação raramente é entre dois sistemas em branco. Um lado frequentemente chega com anos de trabalho acumulado.

Os resultados financeiros da NVIDIA mostram escala, não uma linha de receita da CUDA.

O resultado comercial mais visível é a transformação da NVIDIA de um fornecedor de chips focado em gráficos para um fornecedor de sistemas e software de computação para data centers. Seu registro do ano fiscal de 2026 relata receita de US$ 215,938 bilhões, um aumento de 65% em relação ao ano fiscal de 2025. Compute and Networking contribuiu com US$ 193,479 bilhões, em comparação com US$ 22,459 bilhões de Graphics. A receita de Data Center cresceu 68% ano a ano, o que a empresa atribuiu à computação acelerada e mudanças na plataforma de IA.

Esses números são extraordinários, mas não medem a CUDA separadamente. A NVIDIA vende GPUs, networking, sistemas, serviços e algum software. A demanda do cliente também reflete o crescimento do modelo, gastos de capital em nuvem, fornecimento de memória, capacidade de fabricação, desempenho de rede e os recursos de arquiteturas recentes. A CUDA ajuda a tornar os sistemas úteis, mas o registro não permite que um externo calcule quantos dólares desapareceriam sem ela.

A afirmação correta é mais restrita: a estratégia declarada da NVIDIA e seu maior segmento de receita agora dependem de uma plataforma de computação completa cuja fundação inclui a CUDA. O 10-K diz que a empresa combina hardware, sistemas, software, algoritmos, bibliotecas, modelos, conjuntos de dados e serviços. Também diz que uma base de desenvolvedores grande e crescente e uma base instalada aumentam o valor da plataforma. A gerência está descrevendo explicitamente efeitos de rede como parte do modelo de negócios.

O investimento fornece outro resultado mensurável. A NVIDIA relatou US$ 18,497 bilhões em despesas de pesquisa e desenvolvimento para o ano fiscal de 2026, um aumento de 43% em relação ao ano anterior. Disse que aproximadamente 31.000 de seus 42.000 funcionários trabalhavam em pesquisa e desenvolvimento no final do ano e que o investimento acumulado nessa função desde o início excedia US$ 76,7 bilhões. Esses totais cobrem toda a empresa, não apenas a CUDA.

Eles mostram a escala organizacional agora sustentando a arquitetura compartilhada e suas muitas pilhas de software.

Escala também traz concentração e risco de execução. O registro diz que um cliente direto representou 22% da receita do ano fiscal de 2026 e outro representou 14%, principalmente em Compute and Networking. Uma plataforma pode diversificar casos de uso enquanto as vendas permanecem concentradas entre construtores de sistemas e provedores de nuvem. O amplo alcance de desenvolvedores da CUDA não significa que a NVIDIA fatura milhões de desenvolvedores diretamente ou que o poder de compra está distribuído uniformemente.

O resultado financeiro, portanto, apoia uma história de plataforma sem provar uma equação causal simples. A decisão de Huang deu à NVIDIA uma maneira durável de expandir o que seus processadores podiam fazer. A demanda de IA, execução de engenharia, parcerias de fornecimento e inovação externa converteram essa opção em receita. Uma avaliação rigorosa pode creditar a CUDA como fundamental, recusando-se a rotular cada dólar como “receita da CUDA”.

O fosso é software útil — e o custo de deixá-lo.

As pessoas frequentemente descrevem a CUDA como um fosso. A metáfora é incompleta a menos que explique o que está na água. A barreira não é meramente que a CUDA é um ambiente de programação controlado pela NVIDIA. É o valor combinado de bibliotecas ajustadas, aplicações funcionais, documentação, expertise da equipe, práticas de depuração, compatibilidade e hardware disponível. Os clientes ficam quando essa combinação economiza mais tempo ou produz melhores resultados do que as alternativas, não porque um nome sozinho impede o movimento.

Oartigo de 2025 da OCDE sobre competição em infraestrutura de IAdescreve o software como crítico para tornar as GPUs eficazes e cita uma estimativa de que a NVIDIA detinha mais de 80% do mercado de GPUs usadas em IA. Ele liga a posição da empresa ao desempenho, vantagem de primeiro movimento e CUDA.

A porcentagem é uma estimativa de mercado secundário usada pela OCDE, não um censo oficial de embarques, portanto deve ser tratada como uma indicação de concentração, não uma participação universal exata.

Umresumo posterior da mesa redonda de competição da OCDEdescreve efeitos de rede indiretos entre GPUs NVIDIA e CUDA: mais software torna o hardware atraente, enquanto uma adoção mais ampla do hardware incentiva mais software. Também registra preocupações de que a dependência de um ambiente de desenvolvimento pode tornar a troca tecnicamente difícil e custosa, às vezes exigindo redesenho de software e tempo. Ao mesmo tempo, a discussão caracteriza o mercado como potencialmente contestável porque outros fabricantes de chips, provedores de nuvem e desenvolvedores de IA estão buscando alternativas.

Essa descrição equilibrada é mais útil do que chamar toda dependência de abusiva ou toda vantagem de merecida. A CUDA cria eficiências: os desenvolvedores podem reutilizar código otimizado, as organizações podem contratar pessoas com habilidades relevantes e os mantenedores de frameworks podem segmentar uma plataforma estável. Esses benefícios são a razão pela qual o ecossistema tem poder. A mesma reutilização pode se tornar um custo de mudança quando um comprador quer um acelerador diferente.

O custo varia por carga de trabalho. Uma aplicação que usa apenas operações de framework de alto nível disponíveis em vários backends pode se mover com mudança limitada de código, embora desempenho e implantação ainda precisem de teste. Um código científico contendo anos de kernels CUDA personalizados e bibliotecas específicas da NVIDIA pode exigir engenharia importante. Uma empresa que automatizou um cluster CUDA também pode precisar de novas práticas de monitoramento, escalonamento e depuração.

“Preso” não é um estado binário; é uma pilha de custos de migração.

A decisão de Huang pode, portanto, ser avaliada de duas perspectivas ao mesmo tempo. Da perspectiva da NVIDIA, o investimento acumulado do desenvolvedor torna cada geração mais valiosa e menos vulnerável ao lançamento de um chip rival. Da perspectiva do cliente, o ecossistema pode reduzir o custo de construir hoje enquanto aumenta o custo de mudar de fornecedor amanhã. Ambos são resultados do mesmo sucesso de plataforma.

Concorrentes atacam o custo de programação, não apenas o silício.

A existência de ferramentas de portabilidade mostra que os concorrentes entendem onde está a vantagem. Adocumentação do HIP da AMDdescreve um runtime C++ e uma linguagem de kernel projetados para permitir que uma única fonte segmente GPUs AMD e NVIDIA. Seu material de portabilidade explica como os desenvolvedores podem converter código CUDA incrementalmente e comparar função e desempenho com o original.

A própria presença de um caminho de migração confirma duas coisas: o código CUDA tem valor suficiente para preservar, e movê-lo é um problema que vale a pena ferramentar.

Khronos segue uma rota baseada em padrões.SYCLé uma abstração C++ aberta, livre de royalties e multiplataforma para processadores heterogêneos, incluindo CPUs, GPUs e FPGAs. Sua documentação é cuidadosa sobre o limite: uma linguagem e API comuns podem tornar o código portátil, mas não garantem portabilidade automática e perfeita de desempenho. Os desenvolvedores ainda podem precisar de variantes e ajustes específicos da arquitetura.

Essas alternativas impedem uma história determinista em que a CUDA deve dominar para sempre. Frameworks de alto nível suportam cada vez mais múltiplos dispositivos. Plataformas em nuvem podem expor aceleradores concorrentes. Grandes compradores podem construir chips personalizados para cargas de trabalho específicas. Padrões de programação abertos podem reduzir a quantidade de código vinculada a um fornecedor. Cargas de trabalho de inferência podem recompensar diferentes compensações de custo e energia em relação a sistemas de treinamento gigantes.

No entanto, uma camada de portabilidade deve competir com maturidade, não apenas com sintaxe. Um kernel traduzido deve estar correto. Uma biblioteca deve cobrir a operação necessária. Ferramentas de desempenho devem identificar gargalos. A implantação deve ser estável. A documentação e o conhecimento da comunidade devem responder a casos extremos. A aplicação deve continuar funcionando à medida que as plataformas de origem e destino mudam. É por isso que ecossistemas de software são difíceis de copiar rapidamente, mesmo quando um processador rival é capaz.

A competição também pode melhorar a CUDA. Se os clientes podem se mover, a NVIDIA deve continuar ganhando adoção através de desempenho, confiabilidade e produtividade do desenvolvedor. Se as alternativas fecham lacunas de bibliotecas, a empresa não pode confiar apenas no código histórico. A plataforma deve continuar a absorver novos modelos, formatos numéricos, sistemas de memória e padrões de múltiplas GPUs. Um fosso que para de evoluir torna-se uma ilha.

A questão de política não é se uma plataforma proprietária pode ser bem-sucedida. É se a conduta em torno desse sucesso bloqueia alternativas injustamente, restringe a interoperabilidade ou amarra mercados adjacentes de maneiras prejudiciais. Os materiais da OCDE identificam essas como questões para escrutínio contínuo, não conclusões de que a própria CUDA é ilegal. O fato observável é que software e hardware se reforçam mutuamente com força suficiente para moldar a estrutura do mercado.

A geopolítica pode dividir um ecossistema que a escala uma vez unificou.

A proposta inicial da CUDA era ampla disponibilidade: um desenvolvedor podia aprender um modelo e executá-lo em hardware NVIDIA através de placas de consumo, estações de trabalho e servidores. Controles de exportação e políticas regionais de tecnologia complicam essa proposta. O registro do ano fiscal de 2026 da NVIDIA diz que as restrições efetivamente a excluíram do mercado de computação em data center da China no final do ano e alertou que essa exclusão poderia ajudar concorrentes a construir ecossistemas maiores de desenvolvedores e clientes.

Esse aviso revela como a NVIDIA valoriza o acesso ao mercado. Uma venda perdida não é apenas uma unidade perdida. Pode ser um desenvolvedor que aprende outro conjunto de ferramentas, uma universidade que ensina uma plataforma diferente, uma nuvem que otimiza uma alternativa e uma aplicação que não trata mais a CUDA como seu padrão. A competição de ecossistemas se acumula em ambas as direções.

Isso não prova que qualquer política de exportação específica esteja certa ou errada. Decisões de segurança nacional pesam considerações além da receita da empresa e da adoção de software. Mostra uma restrição na estratégia de plataforma de Huang: nenhuma empresa privada controla todas as jurisdições, cadeias de suprimentos ou regras através das quais seu hardware chega aos desenvolvedores. Uma base de programação globalmente unificada pode se fragmentar quando o acesso aos dispositivos subjacentes se fragmenta.

O fornecimento é outra restrição. A CUDA não pode entregar aceleração sem processadores, memória, empacotamento, energia, rede e capacidade de data center. A NVIDIA projeta seus chips principais, mas depende de parceiros de fabricação. A plataforma recente expandiu-se de uma placa GPU para sistemas completos cujas partes devem funcionar juntas. O software aumenta a utilidade do hardware escasso; não pode fabricar mais dele.

A concentração de clientes cria uma dependência adicional. Grandes provedores de nuvem distribuem capacidade CUDA para muitos usuários, mas também podem desenvolver seus próprios aceleradores e promover frameworks alternativos. A plataforma da NVIDIA ajuda as nuvens a vender serviços de computação, enquanto as nuvens mediam o acesso aos produtos da NVIDIA. O ecossistema não é uma trava unidirecional. Grandes clientes podem moldar preços, implantação e escolhas de arquitetura concorrente.

Essas restrições mantêm a história de liderança fundamentada. A decisão de Huang produziu alavancagem, não invulnerabilidade. A empresa deve manter software, enviar hardware, navegar pela regulação e persuadir cada nova geração de desenvolvedores. A adoção passada de uma plataforma compra tempo e distribuição; não cancela o risco de execução.

O crédito pertence à liderança, engenheiros e usuários em diferentes proporções.

A Medalha de Honra do IEEE de 2026 oferece uma formulação externa útil. OIEEE Spectrumdiz que Huang foi reconhecido por liderança no desenvolvimento de GPUs e sua aplicação à computação científica e IA. A palavra “liderança” é precisa. Reconhece visão técnica e direção organizacional sem afirmar que ele pessoalmente escreveu cada componente.

As ações documentadas mais fortes de Huang na história da CUDA são reconhecimento de padrões, compromisso e enquadramento de plataforma. Ele viu usos não gráficos como evidência de uma necessidade comum de computação. Ele apoiou uma arquitetura programável unificada. Ele manteve o software e a adoção do desenvolvedor centrais enquanto a empresa avançava pela computação científica e IA. Ele também descreve publicamente a NVIDIA como uma plataforma, não como um fornecedor de componentes, uma descrição que agora corresponde ao seu registro regulatório.

A contribuição dos engenheiros é o próprio sistema. Buck e a equipe Brook forneceram uma linhagem de pesquisa importante. Nickolls, Buck, Garland, Skadron e muitos colegas definiram e explicaram o modelo inicial. Equipes de compilador, driver, biblioteca, arquitetura e relações com desenvolvedores transformaram um lançamento em um ambiente mantido. Autores de frameworks, pesquisadores e desenvolvedores de aplicações estenderam a CUDA para campos que a NVIDIA não poderia ter construído sozinha.

Os usuários forneceram os testes decisivos. O imageamento médico e a química ofereceram sinais precoces. Cientistas expuseram escala e demandas numéricas. A equipe AlexNet demonstrou um resultado de aprendizado de máquina que mudou as prioridades da indústria. Mantenedores do PyTorch e TensorFlow tornaram a execução em GPU disponível através de frameworks amplamente usados. Os clientes então decidiram se o sistema total justificava seu custo.

Separar esses papéis melhora, em vez de diminuir, o registro de Huang. A liderança executiva não é valiosa porque imita engenharia. É valiosa quando escolhe uma direção que permite que a engenharia e a inovação externa se acumulem. O resultado verificável é uma organização que manteve uma arquitetura de programação relevante através de várias ondas de computação.

Também torna a prestação de contas mais clara. Huang pode ser creditado pelo compromisso estratégico e responsabilizado pela conduta da plataforma, prioridades de investimento e afirmações de mercado. Equipes técnicas podem ser creditadas pela implementação. Pesquisadores mantêm a autoria de suas descobertas. Os clientes podem julgar se os benefícios da plataforma superam seus custos. Uma história de herói confunde essas linhas; uma história de plataforma as exige.

Um cartão de pontuação prático para a aposta de longo prazo.

Vinte anos após a revelação de 2006, a decisão CUDA pode ser testada contra vários resultados observáveis.

Primeiro, o modelo de programação sobreviveu ao seu hardware de lançamento? Sim. A documentação atual da CUDA aborda sistemas modernos de múltiplas GPUs enquanto preserva os conceitos centrais de kernels, hierarquias de threads e execução heterogênea. Mecanismos de compatibilidade dão às aplicações caminhos através de múltiplas gerações, dentro dos limites declarados.

Segundo, os desenvolvedores o usaram fora dos gráficos? Sim. A literatura técnica inicial documenta química, imageamento, álgebra linear e física. O Titan tornou a aceleração por GPU parte de um grande sistema de laboratório nacional. O AlexNet usou duas GPUs NVIDIA e uma implementação CUDA para um resultado marcante de classificação de imagens. A documentação atual do PyTorch e TensorFlow expõe a CUDA como uma rota de execução suportada.

Terceiro, um ecossistema de complementos se formou? A NVIDIA diz que mais de quatro milhões de desenvolvedores agora constroem aplicações aceleradas e descreve centenas de bibliotecas, frameworks, algoritmos e interfaces de desenvolvimento em seu registro fiscal. A atividade exata por trás das contagens da empresa não é pública, mas a documentação independente de frameworks confirma que a CUDA está embutida em camadas de software amplamente usadas.

Quarto, a plataforma apoiou um negócio maior? A receita de Compute and Networking da NVIDIA atingiu US$ 193,479 bilhões no ano fiscal de 2026, superando em muito seu segmento de Graphics. A empresa identifica computação acelerada e IA como os drivers do crescimento de Data Center e coloca a CUDA na fundação de sua pilha. Nenhuma divulgação isola a participação causal da CUDA, portanto o resultado é associação dentro de uma estratégia declarada, não um cálculo de receita de software independente.

Quinto, a estratégia criou defensabilidade? A OCDE descreve um mercado de GPU de IA altamente concentrado e liga a CUDA a efeitos de rede e custos de mudança. O HIP da AMD e o SYCL existem em parte para reduzir esses custos. O investimento contínuo em portabilidade é, por si só, evidência de que a base de software instalada importa competitivamente.

Sexto, existem custos não resolvidos? Sim. A migração pode ser cara, a concentração da plataforma pode reduzir a escolha do comprador, a compatibilidade requer manutenção contínua e o acesso global pode ser interrompido por regulação e restrições de fornecimento. Hardware alternativo e modelos de programação mantêm o mercado contestável. Uma decisão de plataforma bem-sucedida cria obrigações além de retornos.

Este cartão de pontuação evita dois erros. Um é a certeza do retrospecto: o sucesso posterior da CUDA não significa que seu mercado inicial era garantido. O outro é a mitologia do fundador: a continuidade estratégica não faz de Huang o criador único do trabalho técnico produzido por muitas pessoas. A realização duradoura é o alinhamento de liderança, arquitetura, software e adoção externa.

A decisão duradoura foi subsidiar a invenção de outras pessoas.

O efeito estratégico mais profundo da CUDA foi tornar o hardware da NVIDIA um lugar onde outras pessoas pudessem criar valor. Um cientista podia acelerar uma simulação, uma equipe de framework podia otimizar operações tensoriais, uma startup podia implantar um modelo e uma nuvem podia vender acesso ao sistema resultante. A NVIDIA não precisava inventar toda aplicação. Precisava tornar a próxima aplicação mais provável de escolher sua plataforma.

Isso muda a natureza de uma empresa de semicondutores. O produto não está mais completo quando o chip passa pela validação. Permanece inacabado até que compiladores, bibliotecas e aplicações tornem o silício útil, e permanece em risco se a próxima onda de software se formar em outro lugar. Relações com desenvolvedores, compatibilidade e educação tornam-se funções estratégicas. O horizonte de tempo se estende além de um ciclo de hardware.

A aposta de longo prazo de Huang foi bem-sucedida porque uniu uma vantagem arquitetural real a esse horizonte mais longo. As GPUs tinham taxa de transferência paralela criada para gráficos. Pesquisadores haviam mostrado que outros problemas podiam usá-la. A CUDA reduziu a barreira de programação. Bibliotecas e frameworks ampliaram o acesso. A compatibilidade preservou o trabalho acumulado. Cada camada tornou a próxima mais valiosa.

A mesma estrutura explica o debate atual sobre dependência. Quando uma plataforma economiza anos de trabalho para os desenvolvedores, deixá-la pode custar anos de trabalho. Os clientes se beneficiam do ecossistema e se tornam expostos ao seu proprietário. Concorrentes devem igualar uma experiência, não apenas um benchmark. Reguladores veem eficiências potenciais e barreiras potenciais no mesmo conjunto de fatos.

A conclusão mais justa não é que a CUDA sozinha criou a IA, nem que a NVIDIA simplesmente vendeu o chip certo. Huang fez uma decisão de plataforma precoce e sustentada diante de demanda incerta. Engenheiros da NVIDIA e predecessores acadêmicos construíram o modelo de programação e sua maquinaria. Pesquisadores e desenvolvedores provaram o que ela podia fazer.

O ecossistema resultante ajudou a transformar a GPU de um componente gráfico em uma plataforma de computação geral — e deu à NVIDIA tanto seu ativo estratégico mais forte quanto uma de suas maiores responsabilidades.