AIXX Pedia › Ficha de software › CUDA

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.
AIXX Index (0–100): estimativa ponderada pelo grau de aderência ao ecossistema (critério específico para fichas de conceito de software).
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»).
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]):
| Modelo | Arquitetura | Compute Capability | Ficha nesta biblioteca |
|---|---|---|---|
| Série B300 / GB300 (Blackwell Ultra) | Blackwell Ultra | Geração 10.x (prevalece a tabela oficial) | B300 |
| Série B200 / GB200 (Blackwell) | Blackwell | 10.0 | Ficha GB200 NVL72 |
| H100 / H200 / H20(Hopper) | Hopper | 9.0 | H200 |
| L40S / L40 / L20(Ada) | Ada Lovelace | 8.9 | L40S |
| A100 / A800(Ampere) | Ampere | 8.0 | A100 |
| Placas de estação de trabalho RTX 6000 Ada / série A | Ada / Ampere | 8.9 / 8.6 | Ficha 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».
| Biblioteca | O que faz | Quem usa |
|---|---|---|
| cuBLAS | Álgebra linear (multiplicação de matrizes etc.) — a base aritmética do deep learning | Todos os frameworks de treinamento/inferência |
| cuDNN | Aceleração de primitivas de deep learning (convoluções/atenção etc., conforme a página oficial[2]) | Base de operadores para frameworks de treinamento e inferência |
| NCCL | Comunicação 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 Nsight | Compilador 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])。
| Cenário | Regra | Significado para a verificação |
|---|---|---|
| Driver vs CUDA | A 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 Capability | Toolkits novos suportam CC novas; binários compilados com Toolkits antigos podem exigir recompilação em placas novas | A 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.
| Item | Situação atual |
|---|---|
| Aquisição | O 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 frameworks | PyTorch / TensorFlow / JAX / vLLM / TensorRT etc. usam o CUDA como principal backend de GPU |
| Containerização | NVIDIA Container Toolkit — as imagens de frameworks trazem o runtime CUDA embutido; o host cuida apenas do driver |
| Concorrentes | AMD ROCm (ecossistema HIP), Intel oneAPI (família SYCL) — suporte de frameworks e cobertura de operadores em constante evolução (ver «Limitações e controvérsias») |
| Código acumulado | Vinte 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.
Três verificações relacionadas ao CUDA ao comprar placas (complementares à verificação de hardware das fichas de modelo):
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.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 em quatro passos de placas usadas sob a ótica do CUDA (a par dos testes de hardware):
nvidia-smi -q: modelo da placa, versão do driver, limite da CUDA Version, VBIOS — conferir item a item com a descrição do vendedor.torch.cuda.get_device_capability(): conferir a CC contra a tabela oficial[4]— Cartões falsificados são desmascarados no campo CC.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])。
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.
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".
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).
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.
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.
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.
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.
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 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.