CUDA (Compute Unified Device Architecture) é uma plataforma de computação paralela e um modelo de programação criado pela Nvidia, lançado pela primeira vez em 2006, que permite aos desenvolvedores escrever código de propósito geral para executar em GPUs da Nvidia, em vez de apenas código de renderização gráfica. Isso proporcionou aos programadores uma maneira relativamente acessível de aproveitar os milhares de núcleos paralelos de uma GPU para computação arbitrária, estendendo linguagens como C e C++ com construções específicas para GPU.
História e propósito
Antes do CUDA, usar uma GPU para computação não gráfica exigia expressar o problema em termos de operações gráficas, como texturas e shaders, uma solução alternativa que poucos fora da computação gráfica consideravam prática. O lançamento do CUDA pela Nvidia em 2006 removeu essa barreira, e a plataforma amadureceu na década seguinte por meio da adoção na computação científica, finanças computacionais e, cada vez mais, a partir do início dos anos 2010, na pesquisa de aprendizado profundo. O sucesso do AlexNet em 2012, treinado com GPUs aceleradas por CUDA, demonstrou o potencial do aprendizado profundo e impulsionou um aumento no investimento em pesquisa baseada em treinamento com CUDA, consolidando o papel da plataforma nesse campo.
Papel técnico e ecossistema
O CUDA fornece as bibliotecas de baixo nível, como cuDNN para primitivas de redes neurais e cuBLAS para álgebra linear, nas quais a maioria dos frameworks de aprendizado profundo se baseia. Tanto o PyTorch quanto o TensorFlow, os dois frameworks dominantes de aprendizado profundo, são escritos para executar com eficiência em CUDA, e a grande maioria da pesquisa publicada em aprendizado profundo e dos sistemas de IA em produção em meados da década de 2020 executa em hardware Nvidia habilitado para CUDA. Isso criou uma "fossa" de software poderosa: migrar uma grande base de código de IA de GPUs Nvidia para hardware concorrente, como a plataforma ROCm da AMD ou o TPU do Google, geralmente exige um trabalho significativo de engenharia, pois grande parte das ferramentas, desde código de pesquisa individual até servidores de inferência em produção, é escrita e otimizada especificamente para CUDA.
Significância e críticas
O CUDA é amplamente creditado, juntamente com o próprio hardware de GPU, como um fator decisivo no domínio da Nvidia no mercado de hardware para IA durante o boom da IA na década de 2020, uma vez que é difícil para os concorrentes desalojarem a posição da Nvidia apenas igualando o desempenho do hardware, dado o quanto do ecossistema de software, desde bibliotecas de pesquisa até frameworks de treinamento de modelos de linguagem de grande porte, pressupõe a disponibilidade do CUDA. Críticos dessa dinâmica, incluindo fabricantes de chips concorrentes e alguns laboratórios de IA, descreveram o CUDA como um mecanismo de aprisionamento proprietário que aumenta os custos e limita as escolhas de hardware em toda a indústria, e apoiaram alternativas abertas, como a linguagem Triton da OpenAI, que visa facilitar a escrita de código de GPU portável entre fornecedores. Apesar desses esforços, em 2025 o CUDA permanecia como a premissa padrão subjacente à maior parte do software de aprendizado profundo, desde código de pesquisa acadêmica até a infraestrutura que executa modelos de fundação de ponta.