SECTIONS
EDITIONS
NETWORK
AIXX Pedia A enciclopédia do universo da computação

AIXX Pedia › Ficha de software › CUDA

Imagem oficial de rack de data center NVIDIA (imagem do fabricante)
Mapa de cenários de computação NVIDIA · AIXX Pedia (site oficial da NVIDIA)

CUDA

Plataforma de computação paralela da NVIDIA · 2006 até hoje · Ficha de software

Visão geral OVERVIEW

CUDA é a Plataforma de computação paralela e modelo de programação : lançada em novembro de 2006 junto com a GeForce 8800 (G80, arquitetura unificada) — transformou a GPU de «processador gráfico» em «processador de computação paralela de propósito geral», permitindo que desenvolvedores escrevessem programas de GPU diretamente em linguagem semelhante a C (segundo a página oficial do NVIDIA CUDA[1]). Hoje é o padrão de fato do mundo da computação para IA: por baixo de PyTorch, TensorFlow e vLLM, praticamente todos os backends de GPU dos principais frameworks de IA assentam sobre o CUDA.

O CUDA não é apenas um «driver» — é uma pilha de software em três camadas : o driver e o conjunto de instruções de hardware na base (determinados pela versão de «Compute Capability» da placa), o CUDA Toolkit no meio (compilador nvcc, runtime) e a família de bibliotecas CUDA-X (cuBLAS/cuDNN/NCCL etc.[2][3]), e, no topo, os frameworks e aplicações próprias. A «Compute Capability» de que se fala ao escolher uma placa (como H100=9.0, Blackwell=10.0) é a geração de hardware no mundo CUDA — é o primeiro parâmetro de referência para verificar placas usadas e compatibilidade com frameworks (conforme a tabela oficial[4])。

Para quem compra, o CUDA significa duas coisas práticas: o efeito de lock-in do ecossistema (migrar linhas de produção do CUDA para ROCm/oneAPI tem custo real, ver «Limitações e controvérsias») e a compatibilidade de versões (a versão CUDA exigida pelo framework vs. o driver e a Compute Capability da placa — item obrigatório na verificação de placas usadas). Esta é uma ficha de conceito de software — complementar às fichas de modelo.

Cenários de uso FIT

AIXX Index (0–100): estimativa ponderada pelo grau de aderência ao ecossistema (critério específico para fichas de conceito de software).

Backend de GPU para frameworks de IA 96AIXX Index
Padrão de facto nos backends de GPU de PyTorch/TensorFlow/vLLM — a compatibilidade de versão CUDA é a primeira barreira na escolha da placa para cada framework.
Desenvolvimento de operadores próprios 93AIXX Index
Escrever kernels diretamente em CUDA C++: o último trecho rumo ao desempenho máximo — operadores personalizados de motores de inferência e portagens de HPC seguem este caminho.
Aceleração de computação científica 87AIXX Index
As bibliotecas cuBLAS/cuFFT/CUDA-X cobrem da álgebra linear à transformada de Fourier — vinte anos de código acumulado são a verdadeira barreira do CUDA.
Hardware não NVIDIA 35AIXX Index
Os binários compilados do CUDA visam arquiteturas NVIDIA — placas AMD seguem ROCm/HIP, Intel segue oneAPI, e a migração tem custo real (ver «Limitações e controvérsias»).

Histórico HISTORY

Em novembro de 2006 , o CUDA foi lançado junto com a GeForce 8800 (G80): a arquitetura unificada permitiu que os processadores de fluxo da GPU fossem escalonados por programas paralelos de propósito geral, e o nome «Compute Unified Device Architecture» ficou estabelecido (conforme a página oficial do NVIDIA CUDA e a história técnica pública[1]) — a computação de propósito geral em GPU (GPGPU) deixou de ser um truque acadêmico e virou uma plataforma de engenharia.

2012-2016 : a explosão do deep learning — a AlexNet treinou em duas GTX 580 e venceu a competição (conforme a história técnica pública), e as GPUs CUDA passaram a ser o recurso padrão de deep learning — bibliotecas especializadas como cuDNN amadureceram sucessivamente, consolidando a família CUDA-X (página oficial do cuDNN[2])。

2017-2022 : virada para data centers — a Volta (Compute Capability 7.0) introduziu os Tensor Cores, e o CUDA migrou das placas de consumo para o principal campo de batalha dos data centers; a biblioteca de comunicação coletiva NCCL tornou-se peça padrão no treinamento multi-GPU (página oficial do NCCL[3]). Nas eras A100 (8.0) e H100 (9.0), o vínculo entre versões CUDA e o ecossistema de frameworks se aprofundou cada vez mais.

2023-2026 : a era Blackwell — a Compute Capability entra na geração 10.0 (conforme a tabela oficial[4]), com os novos formatos FP4/FP8 suportados nativamente pela stack CUDA; ao mesmo tempo, ROCm (AMD) e oneAPI (Intel) seguem avançando como rotas alternativas — o embate entre o domínio do ecossistema CUDA e as forças alternativas é o pano de fundo da escolha de hardware em 2026 (ver «Limitações e controvérsias»).

Tabela de correspondência de Compute Capability COMPUTE CAPABILITY

A Compute Capability (frequentemente abreviada CC/sm_XX) é a «geração de hardware» no mundo CUDA — determina quais conjuntos de instruções a placa executa e como frameworks e drivers se adaptam. Correspondência de CC dos modelos à venda nesta biblioteca (prevalece a tabela oficial da NVIDIA[4]):

ModeloArquiteturaCompute CapabilityFicha nesta biblioteca
Série B300 / GB300 (Blackwell Ultra)Blackwell UltraGeração 10.x (prevalece a tabela oficial)B300
Série B200 / GB200 (Blackwell)Blackwell10.0Ficha GB200 NVL72
H100 / H200 / H20(Hopper)Hopper9.0H200
L40S / L40 / L20(Ada)Ada Lovelace8.9L40S
A100 / A800(Ampere)Ampere8.0A100
Placas de estação de trabalho RTX 6000 Ada / série AAda / Ampere8.9 / 8.6Ficha técnica RTX 6000 Ada

A correspondência completa (incluindo todas as placas de consumo e profissionais) prevalece conforme a página oficial de CUDA GPUs da NVIDIA[4]; «prevalece a tabela oficial» = esta tabela lista apenas os modelos à venda nesta biblioteca; a versão exata do Blackwell Ultra será atualizada conforme a tabela oficial, sem especulação.

Verificação rápida em cenários de inspeção : ao receber uma placa usada, execute primeiro o nvidia-smi -q para ver o driver e a CUDA Version (limite de CUDA suportado pelo driver), e depois confira a Compute Capability da placa — só quando os requisitos do framework (como a versão CUDA na compilação do PyTorch) correspondem à CC da placa se pode dizer que «esta placa entra na linha de produção».

Família de bibliotecas CUDA-X LIBRARIES

BibliotecaO que fazQuem usa
cuBLASÁlgebra linear (multiplicação de matrizes etc.) — a base aritmética do deep learningTodos os frameworks de treinamento/inferência
cuDNNAceleração de primitivas de deep learning (convoluções/atenção etc., conforme a página oficial[2])Base de operadores para frameworks de treinamento e inferência
NCCLComunicação coletiva multi-GPU e multi-nó (AllReduce etc., conforme a página oficial[3])Base de comunicação para treinamento distribuído
CUDA-X Data Science / AI etc.Família de bibliotecas verticais para processamento de dados, recomendação, quantização etc. (conforme o site oficial do CUDA-X)Pipelines de dados e cenários verticais
nvcc / toolchain NsightCompilador e profiling de desempenho (componentes do Toolkit, conforme a documentação oficial[6])Desenvolvimento e otimização de operadores próprios

CUDA-X é a designação genérica da NVIDIA para sua família de bibliotecas aceleradas por GPU (conforme o site oficial); cada biblioteca tem uma matriz de compatibilidade com a versão do CUDA Toolkit — consulte a tabela de compatibilidade antes de atualizar (conforme a documentação oficial[6])。

Versões e compatibilidade COMPATIBILITY

CenárioRegraSignificado para a verificação
Driver vs CUDAA versão do driver determina o limite de CUDA suportado (compatibilidade reversa)Em placas usadas, veja o nvidia-smi — a CUDA Version no canto superior direito é o limite do driver, não a versão do Toolkit instalada
Toolkit vs Compute CapabilityToolkits novos suportam CC novas; binários compilados com Toolkits antigos podem exigir recompilação em placas novasA versão CUDA da imagem do framework deve corresponder à CC da placa — frameworks antigos em placas novas (como imagens CUDA 11.x em Blackwell) exigem confirmação do caminho de compatibilidade
Compatibilidade progressiva (forward)Mecanismo específico de drivers de data center permite que placas novas executem binários CUDA antigos (conforme a documentação oficial[6])Benefício de compatibilidade das placas de data center (Tesla/séries de data center) — siga a documentação oficial, não opere de memória

A matriz de compatibilidade evolui com as versões; prevalece a documentação oficial da NVIDIA[6]; esta tabela é um guia de decisão, não um manual de operação.

O CUDA é uma plataforma de software, sem galeria de imagens de hardware; o diagrama da stack de software está na seção «Especificações técnicas». Material de marca oficial conforme publicações oficiais da NVIDIA.

Software e ecossistema ECOSYSTEM

ItemSituação atual
AquisiçãoO CUDA Toolkit é distribuído pela página oficial de downloads da NVIDIA (conforme o site oficial[5]), com instalação separada de driver e Toolkit
Suporte de frameworksPyTorch / TensorFlow / JAX / vLLM / TensorRT etc. usam o CUDA como principal backend de GPU
ContainerizaçãoNVIDIA Container Toolkit — as imagens de frameworks trazem o runtime CUDA embutido; o host cuida apenas do driver
ConcorrentesAMD ROCm (ecossistema HIP), Intel oneAPI (família SYCL) — suporte de frameworks e cobertura de operadores em constante evolução (ver «Limitações e controvérsias»)
Código acumuladoVinte anos de código CUDA (reproduções de papers, repositórios open source, operadores próprios) são o núcleo do custo de migração

Informação de ecossistema compilada de fontes públicas; versões e matrizes de suporte evoluem com o tempo — prevalecem as publicações oficiais da NVIDIA.

Perspectiva de aquisição PROCUREMENT VIEW

Três verificações relacionadas ao CUDA ao comprar placas (complementares à verificação de hardware das fichas de modelo):

1
Compute Capability vs framework
A versão CUDA exigida pelo framework/imagem alvo deve corresponder à CC da placa (tabela acima) — uma «placa antiga barata» com CC muito antiga que não roda frameworks novos economiza dinheiro de forma ilusória.
2
Teste real do limite do driver
Ao receber, execute primeiro o nvidia-smi -q e confira versão do driver e limite CUDA, modelo e VRAM contra a descrição do vendedor — cartões personalizados de nuvem (status da licença vGPU) são revelados nesta etapa.
3
Custo oculto da migração da stack de software
O custo de migrar de uma linha CUDA para ROCm/oneAPI conta-se em homem-mês (três custos somados: versão do framework, cobertura de operadores, experiência de otimização) — compare a «diferença de preço da placa» com a «conta total da migração» antes de decidir.

Os seis testes de stress do lado do hardware estão nas fichas de cada modelo (como as fichas A100/B300); esta seção cobre apenas a perspectiva de software.

Verificação rápida de usados QUICK CHECK

Verificação rápida em quatro passos de placas usadas sob a ótica do CUDA (a par dos testes de hardware):

1
Identidade e limites
nvidia-smi -q: modelo da placa, versão do driver, limite da CUDA Version, VBIOS — conferir item a item com a descrição do vendedor.
2
Confirmação da Compute Capability
deviceQuery (CUDA samples) ou dentro do framework torch.cuda.get_device_capability(): conferir a CC contra a tabela oficial[4]— Cartões falsificados são desmascarados no campo CC.
3
Execução real do framework
Rodar uma passagem padrão de forward+backward no framework alvo: consegue inicializar, treinar e sem erros de fallback de operadores — compatibilidade no papel não equivale a funcionar na prática.
4
Estado de licenciamento
Verificação do vGPU/estado de licenciamento em cartões customizados para nuvem: o custo de reabilitar cartões bloqueados por licença deve ser incluído no preço total (critério da experiência de inspeção desta base).

Transporte e entrega LOGISTICS

1
Checklist de ativos de software junto com o cartão
A entrega do cartão não é só hardware: versão do driver, estado de licenciamento e registros de teste da fábrica (incluindo capturas de execução real em CUDA) devem ser conferidos junto com a mercadoria — o estado do software vale metade do valor de um cartão de segunda mão.
2
Licença e conformidade
A licença de software CUDA segue os termos de distribuição do SDK da NVIDIA (EULA), com cláusulas restritivas para transpilação para plataformas não NVIDIA (segundo discussões públicas) — em contextos de conformidade corporativa, prevalece o parecer jurídico; a redação desta base não constitui aconselhamento jurídico.

Cartões de terminologia GLOSSARY

Compute Capability

A geração de hardware no mundo CUDA (ex.: 8.0/9.0/10.0): determina o conjunto de instruções e recursos do cartão — frameworks e compiladores geram/selecionam código conforme o CC. Na inspeção, conferir o CC com a tabela oficial é um método robusto para identificar cartões falsificados (tabela oficial de correspondência[4])。

nvcc

Compilador do CUDA C++ (componente do CUDA Toolkit): compila os kernels em binários GPU voltados a um CC específico — o "CC alvo da compilação" determina em quais cartões o binário roda.

cuDNN / NCCL

As duas bibliotecas estrela do CUDA-X: cuDNN acelera primitivas de deep learning (convolução/atenção) e o NCCL cuida da comunicação coletiva multi-GPU — as duas bases que fazem um framework de treinamento "rodar rápido" (segundo páginas oficiais[2][3])。

Tensor Core

Unidades de computação matricial introduzidas desde a Volta: base de hardware do treinamento em precisão mista — cada novo formato de precisão do Tensor Core por geração (FP16→BF16→FP8→FP4) recebe suporte primeiro na stack CUDA, o exemplo típico de "versão do CUDA atrás do hardware".

ROCm e oneAPI

Duas rotas alternativas: AMD ROCm (a sintaxe HIP se aproxima do CUDA, com toolchain de migração em maturação constante) e Intel oneAPI (rota SYCL multi-fornecedor) — a cobertura de operadores e o pessoal de tuning ainda são a lacuna frente ao CUDA (consenso de avaliações públicas).

Compatibilidade com versões futuras / anteriores

Regras de compatibilidade do CUDA: drivers novos suportam CUDA antigo (compatibilidade retroativa, o normal); cartões de data center, via mecanismos específicos, permitem binários CUDA antigos rodando em cartões novos (compatibilidade prospectiva, segundo documentação oficial[6]) — consulte a documentação oficial antes de implantações entre versões; não confie na memória.

Limitações e controvérsias LIMITS

  • O custo real do aprisionamento no ecossistema : migrar uma linha de produção CUDA madura para ROCm/oneAPI = adaptação de versões do framework + lacunas de cobertura de operadores + reacúmulo de experiência de tuning, três camadas somadas, contadas em homens-mês — compare o "saldo total da migração" com a "diferença de preço dos cartões" antes de decidir (consenso de avaliações públicas).
  • As controvérsias sobre os limites da licença : a licença do CUDA SDK contém cláusulas restritivas para execução transpilada em hardware não NVIDIA, e o debate público sobre elas persiste (segundo reportagens públicas) — em contextos de conformidade corporativa prevalece o parecer jurídico; esta base não constitui aconselhamento jurídico.
  • A complexidade da matriz de versões : o alinhamento de versões em quatro camadas — driver/Toolkit/framework/bibliotecas — é a principal fonte de complexidade operacional; a containerização (imagem com runtime embutido) é a solução dominante, mas o teto imposto pelo driver do host permanece (documentação oficial[6])。
  • O abismo entre cartões antigos e frameworks novos : versões novas dos frameworks abandonam gradualmente o suporte a CC muito antigos — "cartão velho barato rodando framework novo" exige verificação, não suposição (critério da experiência de inspeção desta base).
  • Esta entrada usa critério de conceito de software : os números concretos de desempenho do CUDA (benchmarks de cada framework) evoluem rápido a cada versão; esta base não faz comparações de desempenho instantâneas — prevalecem os anúncios oficiais e benchmarks independentes.

Perguntas frequentes FAQ

O que é CUDA? É a mesma coisa que o driver?

Não é a mesma coisa: o driver é o software de baixo nível que faz o sistema reconhecer o cartão; CUDA é a plataforma de computação paralela (compilador do Toolkit + runtime + pacote completo de bibliotecas CUDA-X). O "CUDA Version" no canto superior direito do nvidia-smi indica o limite de CUDA suportado pelo driver, não a versão do Toolkit instalada — os dois costumam ser confundidos.

Por que olhar o compute capability ao comprar cartões usados?

O compute capability (CC) determina quais conjuntos de instruções e recursos de framework o cartão roda: CC muito antigo não roda frameworks novos, e CC incompatível com o modelo pode indicar cartão falsificado — conferir o CC com a tabela oficial (ex.: A100=8.0/H100=9.0/Blackwell=10.0) é um método robusto de inspeção de cartões usados.

E se a versão do CUDA for incompatível?

Três medidas: atualizar o driver (eleva o limite de CUDA), trocar para uma imagem de framework compatível com o CC do cartão (container com runtime embutido) e, em cartões de data center, verificar o mecanismo oficial de compatibilidade prospectiva. Consulte a documentação oficial da NVIDIA para a combinação exata; não improvise entre versões de memória.

O ROCm de cartões AMD pode substituir o CUDA?

Depende do cenário: modelos comuns dos frameworks principais (PyTorch etc.) já rodam em ROCm, e as ferramentas de migração com sintaxe HIP próxima do CUDA amadurecem; mas ainda há lacuna frente ao CUDA em cobertura de operadores, pessoal de tuning e duas décadas de código — novas linhas de produção podem avaliar; migrar linhas CUDA existentes deve ser contado em homens-mês.

O que observar na licença do CUDA?

O CUDA SDK é licenciado sob os termos de distribuição da NVIDIA, com cláusulas restritivas para execução transpilada em hardware não NVIDIA (segundo discussões públicas) — o uso convencional "CUDA em cartões NVIDIA" não é afetado; questões de conformidade envolvendo transpilação entre plataformas devem ser decididas com parecer jurídico; esta base não constitui aconselhamento jurídico.

H200A100B300L40SConnectX-7Storage NVMe all-flashcuDNN / NCCLTensor CoreComparação ROCm / oneAPI

Leituras complementares EXPLORE

Referências REFERENCES

  1. Site da NVIDIA — CUDA Zone (arquivo oficial do CUDA) https://developer.nvidia.com/cuda-zone
  2. Site da NVIDIA — página do cuDNN (critério das bibliotecas CUDA-X de deep learning) https://developer.nvidia.com/cudnn
  3. Site da NVIDIA — página do NCCL (critério da biblioteca de comunicação coletiva) https://developer.nvidia.com/nccl
  4. Documentação oficial NVIDIA — CUDA GPUs: tabela completa de compute capability (arquivo principal de correspondência de CC, base de out/2026) https://developer.nvidia.com/cuda-gpus
  5. Site da NVIDIA — página de download do CUDA Toolkit (critério de distribuição) https://developer.nvidia.com/cuda-downloads
  6. Documentação oficial NVIDIA — matriz de compatibilidade CUDA Toolkit & drivers (critério de alinhamento de versões e compatibilidade retroativa/prospectiva) https://docs.nvidia.com/cuda/
  7. Busca de estoque — AIXX Exchange (intermediação sem comissão, com serviço de seleção de cartões sob a ótica de compatibilidade CUDA) https://www.aixx.vip/hall.html
Versões e erratas |Este verbete é mantido pela equipe editorial da AIXX Pedia, redigido com apoio de IA e verificação humana dos fatos. Atualizado em 2026-10-10 · versão v1.0 · todas as alterações ficam registradas e consultáveis. Encontrou um erro? Entre em contato via canal de correções ; após verificação, a correção será publicada e registrada no histórico de versões.

Vídeo explicativo VIDEO

Esta base
Política editorialSobre esta base (declaração de interesses)canal de correções
Resumo da constituição editorial
Toda afirmação com fonteDefeitos sempre mencionados · erratas públicas e registradasEntradas pagas não são aceitasZero elementos de direcionamento e vendas nas entradasDados de mercado apenas como módulo de dados anexado
Família AIXX
AIXX PediaAIXX ExchangeInformações AIXX
Fonte dos dados de mercado: AIXX Exchange · © 2026 AIXX Pedia · Produzido por AIXX