A pergunta de um milhão de dólares (literalmente)

Quanto você pagou na sua última GPU? Se a resposta foi “mais do que eu gostaria”, parabéns: você é a maioria. A Nvidia domina o mercado de CUDA com mão de ferro desde 2006, e qualquer dev que precisa rodar machine learning, renderização ou computação paralela sabe que, na prática, CUDA = Nvidia. Sem alternativas. Sem escapatória. Seu bolso que lute.

Só que um engenheiro polonês chamado Andrzej Janik discordou. E criou o ZLUDA, uma camada de tradução que permite rodar aplicações CUDA em GPUs AMD. Sem modificar uma linha de código do seu projeto. Sem instalar drivers proprietários da Nvidia. E, em setembro de 2026, o projeto ganhou uma nova versão para Windows que está fazendo barulho no Hacker News.

Eu testei, pesquisei e compilei tudo que você precisa saber sobre como usar CUDA na sua Radeon. Spoiler: funciona, mas tem pegadinhas.

O que é o ZLUDA e como ele funciona

ZLUDA significa “Zero Level Userspace Driver Architecture” (ok, na verdade ninguém sabe se é um acrônimo oficial, mas soa bem). Na prática, ele funciona como um tradutor simultâneo entre duas línguas que nunca deveriam se entender.

O pipeline é o seguinte:

Aplicação CUDA → ZLUDA → cuBLAS/cuSPARSE/cuFFT (compatibilidade) → rocBLAS/hipBLASLt/rocSPARSE/HIP → GPU AMD

Quando sua aplicação faz uma chamada CUDA, o ZLUDA intercepta essa chamada e redireciona para as bibliotecas open-source da AMD (ROCm/HIP). A aplicação nem percebe que está rodando em hardware AMD. É como um intérprete que traduz inglês para mandarim em tempo real, só que para instruções de GPU.

O ponto importante: o ZLUDA foi desenvolvido usando engenharia reversa limpa (clean-room). Não tem uma linha de código da Nvidia dentro dele. Isso é juridicamente relevante, como veremos adiante.

Componentes suportados

Perceba o elefante na sala: cuDNN nao funciona no Windows via ZLUDA. Isso significa que frameworks de deep learning que dependem de cuDNN (como boa parte das configs de PyTorch e TensorFlow) ainda vao ter problemas. No Linux a situacao e melhor, mas no Windows voce vai esbarrar nessa limitacao.

A historia turbulenta do ZLUDA

Se voce acha que open source e so flores e commits felizes, a historia do ZLUDA vai te curar dessa ilusao.

2020: nasce na Intel

Andrzej Janik comecou o ZLUDA enquanto trabalhava na Intel. A ideia original era rodar CUDA em GPUs Intel. A Intel olhou pro projeto e disse: “nao tem business case”. O codigo foi removido do GitHub em fevereiro de 2021.

2022: AMD entra no jogo

A AMD viu potencial e contratou Janik para adaptar o ZLUDA para GPUs Radeon. Faz sentido: se voce pudesse rodar todo o ecossistema CUDA na sua placa AMD, o monopolio da Nvidia desmoronaria. Milhoes em pesquisa, meses de desenvolvimento.

2024: AMD abandona o barco

Aqui a coisa fica feia. A AMD cortou o financiamento em 2024 e, pior, pediu para Janik derrubar o codigo que eles mesmos financiaram. A teoria mais aceita: a Nvidia tem uma clausula nos termos de licenca do CUDA que proibe rodar codigo CUDA em hardware que nao seja Nvidia via camadas de traducao. A AMD aparentemente nao quis comprar essa briga juridica.

2025: o patrocinador misterioso

O ZLUDA ressurgiu com financiamento de um patrocinador nao revelado, pivotando para workloads de IA e ML. Ninguem sabe quem estava bancando. Teorias variam de empresas chinesas a startups de cloud computing.

2026: v6 e de volta ao hobby

Em junho de 2026, o ZLUDA v6 foi lancado com melhorias significativas: suporte a PhysX 32-bit, compatibilidade com ROCm 7 e CUDA 13.1, melhorias no Windows. O problema? O financiamento misterioso tambem acabou. O ZLUDA voltou a ser um “projeto de fim de semana” do Janik.

E entao, em setembro de 2026, um repositorio no GitHub chamado “CUDA-for-AMD-Windows” simplificou todo o setup para Windows, gerando 101 pontos no Hacker News e reacendendo o interesse.

Setup: como rodar CUDA na sua GPU AMD no Windows

Vamos ao que interessa. O repositorio CUDA-for-AMD-Windows oferece um setup reproduzivel. Aqui esta o passo a passo.

Pre-requisitos

• GPU AMD Radeon RX 5000 ou superior (a RX 9060 XT e a unica oficialmente validada)
• Windows 10/11
• AMD Software: Adrenalin Edition (driver mais recente)
• AMD HIP SDK instalado

Passo 1: instalar o HIP SDK

Baixe o HIP SDK da AMD e instale. Ele fornece o runtime ROCm que o ZLUDA precisa por baixo dos panos.

# Verifique a instalacao
hipcc --version

Passo 2: baixar o ZLUDA

Pegue o release mais recente do ZLUDA v6 no repositorio oficial. Extraia para um diretorio, por exemplo C:\zluda.

Voce vai encontrar esses arquivos chave:

zluda/
  nvcuda.dll        # driver CUDA fake
  cublas.dll        # cuBLAS via rocBLAS
  cublasLt.dll      # cuBLASLt via hipBLASLt
  cusparse.dll      # cuSPARSE via rocSPARSE
  cufft.dll         # cuFFT via rocFFT

Passo 3: configurar o ambiente

O truque e fazer suas aplicacoes carregarem as DLLs do ZLUDA em vez das da Nvidia. Existem duas abordagens:

Abordagem 1: variavel de ambiente (recomendada)

$env:PATH = "C:\zluda;" + $env:PATH

Abordagem 2: copiar DLLs para o diretorio da aplicacao

Copy-Item C:\zluda\*.dll -Destination "C:\caminho\da\sua\aplicacao\"

Passo 4: testar

import torch
print(torch.cuda.is_available())  # True (via ZLUDA!)
print(torch.cuda.get_device_name(0))  # Mostra sua AMD

Se torch.cuda.is_available() retornar True numa GPU AMD, voce acabou de fazer o impossivel.

O setup automatizado

O repositorio CUDA-for-AMD-Windows inclui scripts que automatizam todo esse processo. Basta clonar e rodar:

git clone https://github.com/Speedstu/CUDA-for-AMD-Windows.git
cd CUDA-for-AMD-Windows
# Siga o README para setup automatico

O loader do Windows ficou mais robusto na atualizacao de junho de 2026 e consegue carregar bibliotecas de performance automaticamente.

Benchmarks: o que esperar

Vamos falar de numeros. No unico hardware oficialmente validado (AMD Radeon RX 9060 XT, arquitetura gfx1200):

Para colocar em perspectiva: sem ZLUDA, esses jogos com PhysX simplesmente nao rodam em AMD. Com ZLUDA v6, o Mafia II foi de inutilizavel para 80 FPS. Triplicou a performance comparado com versoes anteriores.

Para workloads de ML, a performance varia muito dependendo da operacao. Operacoes que dependem de cuBLAS (multiplicacao de matrizes, algebra linear) funcionam bem. Operacoes que dependem de cuDNN (convolucoes, batch normalization) vao falhar no Windows.

Comparacao honesta com Nvidia nativa

Preciso ser direto aqui: ZLUDA nao e tao rapido quanto CUDA nativo na Nvidia. A camada de traducao adiciona overhead. Em benchmarks sinteticos, espere algo entre 70% e 90% da performance nativa, dependendo do workload.

Para dar um exemplo concreto: rodando inferencia com llama.cpp num modelo de 7B parametros, uma RX 7900 XTX com ZLUDA entrega algo proximo de uma RTX 4070 Ti com CUDA nativo. A Radeon tem mais VRAM (24GB vs 12GB), entao para modelos maiores que nao cabem na RTX, ela simplesmente vence por nao precisar fazer offload para CPU.

Esse e o ponto que muita gente ignora: VRAM importa tanto quanto performance bruta. Uma GPU AMD com 24GB de VRAM rodando a 80% da velocidade do CUDA nativo pode ser mais util que uma Nvidia com 12GB que roda a 100% mas nao consegue carregar o modelo inteiro.

A pergunta certa nao e “o ZLUDA e mais rapido que CUDA nativo?”. E: “eu consigo fazer meu trabalho com a GPU AMD que ja tenho, sem comprar uma Nvidia?”. E a resposta, para muitos casos de uso, e sim.

Limitacoes que voce precisa conhecer

Antes de vender sua RTX e comprar uma Radeon, vamos ser realistas.

O que NAO funciona

1. cuDNN no Windows: frameworks de deep learning que dependem de cuDNN vao ter problemas. No Linux, MIOpen substitui o cuDNN, mas no Windows essa ponte ainda nao existe de forma estavel.

1. NCCL (multi-GPU): se voce precisa de treinamento distribuido em multiplas GPUs, esqueça. NCCL nao e suportado.

1. TensorRT: otimizacoes de inferencia da Nvidia nao tem equivalente no ZLUDA.

1. PTX customizado: se sua aplicacao usa inline PTX (instrucoes assembly da Nvidia), provavelmente nao vai funcionar.

1. GPUs antigas: Polaris (RX 400/500) e Vega nao sao suportadas. Voce precisa de RDNA 1 (RX 5000) ou superior.

O que funciona bem

1. Aplicacoes que usam cuBLAS: algebra linear, multiplicacao de matrizes, bibliotecas numericas.
2. PyTorch no Linux: com MIOpen disponivel, a maioria dos modelos roda.
3. PhysX em jogos: retro gaming com fisica acelerada por GPU.
4. Inferencia de modelos pequenos e medios: LLMs locais com llama.cpp, por exemplo.
5. Prototipacao e desenvolvimento: se voce so precisa testar se seu codigo CUDA compila e roda.

Por que isso importa (alem do seu bolso)

O monopolio da Nvidia no mercado de GPU computing nao e so caro. E perigoso para todo o ecossistema.

Quando uma unica empresa controla o runtime (CUDA), as bibliotecas (cuDNN, cuBLAS, TensorRT), o hardware e ate as licencas que proibem emulacao, voce nao tem um mercado. Voce tem um feudo digital.

O ZLUDA e uma rachadura nesse muro. Mesmo sendo um projeto de hobby, mesmo com limitacoes, ele prova que e tecnicamente possivel rodar CUDA em hardware AMD. E isso muda a conversa.

O contexto de 2026

O mercado de GPUs em 2026 esta bizarro. Uma RTX 5090 custa mais que muitos carros usados. Placas AMD com especificacoes comparaveis custam metade do preco, mas ficam inutilizaveis para ML por causa do lock-in do CUDA. O ROCm da AMD melhorou muito, mas a maioria dos frameworks e tutoriais ainda assume CUDA.

O ZLUDA nao resolve todos esses problemas. Mas para um dev individual que quer rodar inferencia local, treinar modelos pequenos ou simplesmente aprender CUDA sem vender um rim, ele abre uma porta que a Nvidia gostaria que permanecesse fechada.

Casos de uso reais: quem deveria considerar o ZLUDA

Nem todo mundo precisa do ZLUDA, e nem todo mundo deveria ignorar ele. Aqui vai um guia rapido:

Voce DEVERIA testar se:

• Ja tem uma GPU AMD e quer rodar inferencia local de LLMs (llama.cpp, Ollama, vLLM)
• Precisa aprender CUDA para um curso ou projeto e nao quer comprar uma Nvidia so pra isso
• Trabalha com computacao cientifica que usa cuBLAS/cuFFT pesadamente
• Quer rodar jogos antigos com PhysX (Mafia II, Borderlands 2, Batman Arkham) na sua Radeon
• Esta montando um home lab de ML com orcamento limitado

Voce NAO deveria depender do ZLUDA se:

• Treina modelos grandes em producao (a falta de cuDNN no Windows e NCCL multi-GPU sao deal-breakers)
• Precisa de TensorRT para otimizar inferencia em escala
• Trabalha com visao computacional pesada que depende de operacoes convolucionais otimizadas
• Precisa de estabilidade garantida (o projeto e mantido por uma pessoa nos fins de semana)

Para startups e devs indie, o ZLUDA pode ser a diferenca entre poder experimentar com IA localmente ou ficar refem de APIs pagas na nuvem. Uma RX 7900 XTX custa cerca de R$ 5.000 e oferece 24GB de VRAM. Uma RTX 4090 com os mesmos 24GB passa dos R$ 15.000. Se o ZLUDA resolve 80% dos seus casos de uso, voce acabou de economizar R$ 10.000.

O futuro (incerto) do projeto

A versao 7 do ZLUDA ja tem preview builds com suporte a CUDA 32-bit. Mas o projeto perdeu financiamento pela terceira vez. Andrzej Janik continua desenvolvendo nos fins de semana, mas a velocidade de evolucao depende de uma unica pessoa.

O repositorio CUDA-for-AMD-Windows, por outro lado, esta ativo e aceitando contribuicoes. A comunidade esta documentando quais GPUs funcionam, quais aplicacoes rodam e quais workarounds existem para os problemas mais comuns.

Se voce tem uma GPU AMD e quer contribuir, o melhor que pode fazer e testar e reportar. Cada relatorio de compatibilidade ajuda o projeto inteiro.

Onde acompanhar

• ZLUDA GitHub: repositorio oficial
• CUDA-for-AMD-Windows: setup para Windows
• ZLUDA.org: site oficial com documentacao

Quem diria que a melhor feature de uma GPU AMD em 2026 seria rodar software da Nvidia. O mundo da tecnologia continua sendo um lugar estranho.

Fonte de inspiracao: CUDA for AMD on Windows (GitHub)