CUDA fora da Nvidia: o projeto que quer rodar código GPU em qualquer hardware

O que é o projeto SCALE

CUDA e a plataforma de computação paralela da Nvidia, usada em praticamente todo treinamento de modelos de IA, simulações cientificas e computação de alto desempenho. O problema: ela só funciona em GPUs Nvidia. Se você tem uma GPU AMD, o CUDA simplesmente não roda.

A Spectral Compute e uma empresa britânica tentando mudar isso com o projeto SCALE. A ideia e criar um compilador alternativo que permita rodar código CUDA em hardware AMD sem precisar reescrever o código-fonte. O projeto ganhou atenção em 2026 com discussões no Hacker News e publicações especializadas questionando se a abordagem funciona na prática.

A pergunta central e: compilar CUDA para outro hardware e o suficiente para ter desempenho competitivo? A resposta depende muito do workload, mas a proposta em si resolve um problema real de dependência exclusiva da Nvidia.

Como funciona

A abordagem do SCALE e diferente de tentativas anteriores. Em vez de emular CUDA em cima de outra API gráfica, o SCALE funciona como um compilador alternativo baseado em LLVM.

Você escreve seu código em CUDA normalmente, e em vez de compilar com o nvcc (compilador da Nvidia), usa o compilador do SCALE. Ele traduz o código CUDA para instruções nativas do hardware alvo, gerando código nativo eficiente, não uma camada de emulação lenta.

# Compilando com nvcc (Nvidia padrão)
nvcc meu_programa.cu -o meu_programa

# Compilando com SCALE (hardware AMD)
scale-nvcc -arch=gfx1100 meu_programa.cu -o meu_programa

O compilador usa o ROCm da AMD como backend. A meta e preservar a semântica do CUDA original enquanto gera código otimizado para o hardware alvo.

Principais recursos

O que o SCALE promete na prática:

• Compatibilidade de código: você escreve CUDA e o SCALE compila para hardware AMD sem reescrever o código-fonte.
• Compilação nativa: gera binários nativos para o hardware alvo, sem emulação em tempo de execução.
• Suporte a APIs CUDA: implementa as principais APIs CUDA, incluindo gerenciamento de memoria, streams e sincronização.
• Integração com ROCm: usa o ecossistema AMD ROCm como backend, aproveitando drivers e otimizações existentes.

Como começar

O SCALE e um produto comercial com versão de avaliação. Requisitos básicos:

• GPU AMD compatível com ROCm (series RX 6000, RX 7000 ou GPUs Instinct)
• ROCm instalado e configurado no sistema
• Linux (Ubuntu ou RHEL recomendados)

# Instalar ROCm (pre-requisito)
sudo apt install rocm-dev rocm-libs

# Após instalar o SCALE, verificar instalação
scale-nvcc --version

# Compilar programa CUDA existente para AMD
scale-nvcc -arch=gfx1100 meu_programa.cu -o meu_programa

Exemplo prático

Com um kernel CUDA de multiplicação de matrizes, o processo de compilar para AMD seria transparente:

// matmul.cu - código CUDA padrão, sem modificação
__global__ void matmul(float* A, float* B, float* C, int N) {
    int row = blockIdx.y * blockDim.y + threadIdx.y;
    int col = blockIdx.x * blockDim.x + threadIdx.x;
    if (row < N && col < N) {
        float sum = 0.0f;
        for (int k = 0; k < N; k++)
            sum += A[row * N + k] * B[k * N + col];
        C[row * N + col] = sum;
    }
}
// Compilar com SCALE para GPU AMD:
// scale-nvcc -arch=gfx1100 matmul.cu -o matmul_amd

O objetivo e que esse processo seja transparente para o desenvolvedor. Você mantem um código-fonte único e compila para diferentes hardwares dependendo do ambiente de produção.

Comparação com alternativas

Antes do SCALE, as opcoes para rodar código CUDA fora da Nvidia eram limitadas:

• ROCm HIP: solução oficial da AMD, exige reescrever o código de CUDA para HIP. E estável mas demanda esforço de migração.
• OpenCL: padrão aberto, mais verboso que CUDA e com desempenho variável por driver.
• ZLUDA: projeto open source similar, descontinuado em 2024 após pressão da Nvidia sobre a AMD.
• PyTorch com ROCm: para ML, funciona bem, mas código CUDA customizado não migra automaticamente.

Pontos positivos e limitações

O maior ponto positivo e a proposta: compatibilidade de código CUDA sem reescrita. Para organizações com grandes codebases em CUDA, poder compilar para hardware mais barato e uma proposta de valor real.

Mas as limitações são significativas. Desempenho não e garantido: compilar código CUDA para outro hardware não significa rodar na mesma velocidade. Otimizações específicas para Nvidia como Tensor Cores não tem equivalente direto em AMD.

Além disso, cobertura de APIs e incompleta. Bibliotecas como cuDNN podem não ter o mesmo desempenho na implementação do SCALE, o que afeta diretamente treinamento de redes neurais.

Casos de uso reais

Existem perfis específicos para quem o SCALE faz sentido avaliar:

• Empresas com código CUDA legado: organizações com anos de CUDA que querem diversificar fornecedores ou reduzir custos de cloud.
• Pesquisadores em HPC: computação científica usa muito CUDA. Poder rodar em clusters AMD abre mais opcoes de infraestrutura pública.
• Startups de IA: com escassez de GPUs Nvidia em 2023-2024, ter alternativa AMD pode ser importante em momentos de alta demanda.
• Devs de computação gráfica: kernels de renderização em CUDA podem ter uma rota de compilação para hardware AMD via SCALE.

Dicas e boas práticas

Vale a pena?

O projeto SCALE e uma aposta ambiciosa em um problema real. A dependência exclusiva da Nvidia para workloads CUDA cria um monopólio de hardware que encarece infraestrutura e limita opcoes. Qualquer solução que quebre essa dependência tem valor estratégico.

Para a maioria dos projetos de IA em 2026, a resposta prática ainda e: use Nvidia para produção crítica e acompanhe o SCALE de perto. O ecossistema de otimizações da Nvidia ainda e difícil de igualar em desempenho puro.

O próximo passo prático e rodar um benchmark do SCALE com um kernel simples no seu workload e comparar com a versão Nvidia. A experiência de compilação e relativamente tranquila; o desafio real e o desempenho em tarefas específicas do seu projeto.