A última muralha caiu: a NVIDIA abriu a GPU para RUST

A NVIDIA apresentou ferramentas para escrever kernels de GPU em Rust e compilá-los para PTX. É uma mudança importante para a infraestrutura de IA, mas os projetos ainda são experimentais e não substituem toda a pilha CUDA, Python ou C++.

Durante anos, uma equipe podia usar Rust para construir partes de um serviço de IA — como um servidor de inferência ou um agente — e ainda precisar escrever o código executado diretamente na GPU em outra linguagem. Em 8 de setembro de 2026, a NVIDIA anunciou dois caminhos para reduzir essa barreira: [cuda-oxide](https://github.com/NVIDIA/cuda-oxide) e [cuTile-rs](https://github.com/NVIDIA/cutile-rs).

O anúncio permite escrever kernels em Rust dentro do ecossistema CUDA da NVIDIA. A “última muralha” do título é essa fronteira entre o programa que prepara o trabalho e o código que roda na GPU. Ela começou a cair; isso não significa que qualquer GPU agora aceite Rust, nem que todo projeto de inteligência artificial precise ser reescrito.

O que a NVIDIA abriu

Um kernel é uma função executada em paralelo por milhares de unidades de processamento da GPU. Em IA, kernels participam de operações como multiplicação de matrizes e manipulação de tensores. Rust já podia coordenar tarefas no processador e chamar código de GPU, mas, com frequência, o kernel em si continuava escrito em CUDA C++ ou outra linguagem especializada.

Com as novas ferramentas, o código Rust pode ser compilado para PTX, a representação intermediária usada pelo ecossistema NVIDIA antes da execução na GPU. A NVIDIA descreve dois modelos:

• cuda-oxide — Como o kernel é escrito: Modelo SIMT: o desenvolvedor descreve o trabalho de cada thread e controla mais diretamente a execução. — Quando pode fazer sentido: Quando o projeto precisa de controle fino sobre threads e memória.

• cuTile-rs — Como o kernel é escrito: Modelo por blocos (*tiles*): o desenvolvedor descreve operações sobre partes dos dados, e o compilador cuida do mapeamento para a GPU. — Quando pode fazer sentido: Quando uma abstração mais alta ajuda a escrever e adaptar o kernel.

Os dois caminhos são voltados a GPUs NVIDIA e fazem parte do CUDA. Eles não formam um padrão universal para placas de outros fabricantes. A própria NVIDIA os apresenta como projetos experimentais enquanto desenvolve o suporte ao longo de 2027 e além. Os requisitos também variam: o fluxo do cuda-oxide, por exemplo, depende de Linux, CUDA e uma versão específica do compilador Rust noturno; cuTile-rs segue outro conjunto de versões e ferramentas.

Por que isso importa para IA

Em muitas aplicações, Python continua sendo a linguagem que conecta bibliotecas, dados, modelos e ferramentas de treinamento. Quando uma operação específica precisa de mais velocidade ou controle, ela pode passar por bibliotecas nativas e kernels especializados. Rust entra como uma opção para partes de infraestrutura que exigem desempenho previsível, uso cuidadoso de memória ou concorrência intensa — e agora pode chegar também ao código de certos kernels de GPU.

O ganho mais interessante não é simplesmente “Rust é mais rápido”. Bibliotecas maduras já são altamente otimizadas. O valor está em poder desenvolver uma parte sensível do sistema na mesma linguagem usada no serviço, com ferramentas de tipos e propriedade que ajudam a detectar alguns erros de memória e de acesso concorrente antes da execução.

Isso reduz classes específicas de falhas, mas não prova que todo kernel está correto. A pesquisa da NVIDIA sobre cuTile Rust explica que a superfície segura pode evitar condições de corrida sob o modelo do compilador, enquanto a segurança de limites ainda pode depender de verificações em tempo de execução. O código precisa continuar sendo medido, testado e revisado.

Os primeiros resultados são promissores — e específicos

Na avaliação publicada por pesquisadores da NVIDIA e da Hugging Face, um kernel GEMM em cuTile Rust atingiu 2,1 petaflops na GPU NVIDIA B200, desempenho reportado como 98% do cuBLAS naquele teste. O trabalho também descreve o Grout, um mecanismo de inferência para Qwen3 construído com cuTile Rust.

Esses números demonstram que a abordagem pode ser competitiva em cargas selecionadas. Eles não garantem o mesmo resultado em outra placa, modelo, tamanho de lote ou operação. Antes de trocar uma implementação em produção, uma equipe deve comparar a mesma carga de trabalho, com precisão, memória, latência e consumo medidos no próprio ambiente.

A migração para Rust na IA já é grande?

Há sinais concretos de que Rust está ganhando espaço em componentes de sistemas de IA. Um exemplo expressivo é o runtime do GitHub Copilot CLI: em 2026, a equipe portou cerca de 430 mil linhas de TypeScript de produção e concluiu a transição do runtime para Rust. Ao final, o projeto registrava 832 mil linhas de Rust de produção — total que também inclui código novo desenvolvido durante o período — e mais de 468 mil linhas de testes unitários.

O GitHub mediu uma redução de 5,25 segundos para 292 milissegundos em um cenário de criação de cliente, sessão e uma resposta, ao comparar a versão antiga com a execução Rust dentro do processo. O próprio relato alerta que o teste excluiu inferência de modelo e latência de rede, e combinou a mudança de linguagem com mudanças de arquitetura. Portanto, o resultado descreve aquele runtime e aquela carga de trabalho; não é uma promessa de que Rust deixará qualquer modelo de IA 18 vezes mais rápido.

Esse caso mostra uma migração grande em infraestrutura de agentes de IA, não uma troca geral da linguagem usada para treinar modelos. Os números disponíveis também não sustentam dizer que houve uma migração massiva de todo o setor para Rust. No levantamento Octoverse do GitHub referente a 2025, quase metade dos novos repositórios focados em IA era construída principalmente em Python. Esse recorte é de repositórios, não de toda a produção comercial, mas confirma que Python segue central no desenvolvimento aplicado de IA.

O que muda para quem desenvolve

Para equipes que já usam Rust, CUDA Rust abre uma possibilidade prática: experimentar kernels no mesmo ecossistema de linguagem do serviço e avaliar se uma operação específica ganha em manutenção, segurança ou desempenho. Para quem trabalha principalmente em Python, a novidade pode aparecer primeiro por meio de bibliotecas, runtimes e ferramentas que escondem os detalhes do kernel.

Uma adoção responsável começa pequena: escolher uma operação que seja um gargalo comprovado, comparar a implementação Rust com a biblioteca já usada, medir em hardware compatível e observar a maturidade do compilador e das dependências. Reescrever um sistema inteiro só porque uma linguagem está em alta acrescenta custo e risco sem demonstrar benefício.

A muralha abriu uma passagem

A NVIDIA tornou possível escrever kernels de GPU em Rust em seu ecossistema CUDA. Isso aproxima Rust de uma camada importante da computação para IA e dá aos desenvolvedores uma nova alternativa para código de baixo nível.

Em 2026, a leitura mais precisa é de expansão de Rust na infraestrutura e nos caminhos críticos de IA, com projetos relevantes e resultados iniciais. Python continua forte em treinamento, experimentação e integração de modelos; CUDA C++ permanece uma plataforma madura. A muralha caiu para quem quer experimentar kernels NVIDIA em Rust, mas a migração do setor está acontecendo por partes, caso a caso.