CUDA 13 kończy wsparcie dla Pascala i Volty - co to znaczy dla używanej Tesli do AI

Jeśli rozglądasz się za tanią kartą do AI z drugiej ręki, prawdopodobnie trafiłeś już na alarmujące nagłówki: „NVIDIA kończy wsparcie CUDA dla Pascala i Volty". Brzmi to jak wyrok na Teslę P40 czy V100 — najpopularniejsze używki pod lokalne modele. Krótka odpowiedź: karty nie przestają działać, ale zmienia się to, jak długo będą je wspierać najnowsze wersje oprogramowania. Poniżej rozkładam na części, co dokładnie ogłoszono, których kart dotyczy i jak to realnie wpływa na zakup — z odwołaniem do źródeł, żeby dało się to sprawdzić.

Co dokładnie ogłosiła NVIDIA

To nie plotka ani interpretacja — to jest w oficjalnych notatkach wydania CUDA. Proces przebiegł w dwóch krokach:

Krok 1 — status „feature-complete" (CUDA 12.x). NVIDIA oznaczyła architektury Maxwell, Pascal i Volta jako „feature-complete": bez dalszych ulepszeń i nowych funkcji. Seria CUDA 12.x nadal pozwalała budować aplikacje pod te karty, ale już z zapowiedzią, że kompilacja offline i wsparcie bibliotek zniknie w kolejnym dużym wydaniu (notatki wydania CUDA 12.x — dla tej tezy patrz archiwalne wydanie [7]; opisane też przez Tom's Hardware na bazie notatek CUDA 12.9) [1][2][7].

Krok 2 — usunięcie wsparcia (CUDA 13.0). W wydaniu CUDA Toolkit 13.0 wsparcie kompilacji offline i bibliotek dla tych architektur zostało usunięte — konkretnie dla kart o compute capability wcześniejszym niż Turing [3][1]. W praktyce oznacza to, że przyszłe kompilatory (nvcc) nie wygenerują kodu maszynowego dla tych GPU, a biblioteki akcelerowane przez CUDA — jak cuBLAS czy cuDNN — nie będą już ich obsługiwać w nowych wersjach [1].

Kluczowe rozróżnienie, które gubi się w nagłówkach: to jest deprecjacja po stronie compute/toolkitu, nie natychmiastowe „wyłączenie" kart. Sterowniki to osobna oś (o tym za chwilę).

Których kart to dotyczy

Granicą jest Turing. Wszystko starsze — Maxwell, Pascal, Volta — wypada z nowych toolkitów; Turing i nowsze (w tym Ampere) zostają [1][3]. Przełożone na akceleratory, które realnie kupuje się używane do AI:

Karta	Architektura	Compute capability	Status w CUDA 13+
Tesla P4	Pascal	6.1	⚠️ wsparcie kompilacji/bibliotek usunięte
Tesla P40	Pascal	6.1	⚠️ usunięte
Tesla P100	Pascal	6.0	⚠️ usunięte
Tesla V100	Volta	7.0	⚠️ usunięte
NVIDIA A2	Ampere	8.6	✅ wspierana

Compute capability kart potwierdzają dane NVIDIA [4]. Wniosek jest jednoznaczny: z popularnych używek do AI cztery na pięć (cały Pascal + Volta) są po stronie wycofywanej, a z naszej bieżącej oferty jedyną, która zostaje w głównym nurcie wsparcia, jest Ampere — czyli A2. To nie jest granica możliwości: wsparcie w CUDA 13 zachowują też inne karty z architektur Turing, Ampere i Ada — te, które akurat nie leżą u nas na stanie, sprowadzamy na zamówienie.

Sterownik ≠ toolkit: dwie różne osie, które łatwo pomylić

To najczęstsze nieporozumienie wokół tej sprawy, więc warto je rozdzielić.

Toolkit i biblioteki (compute). To opisany wyżej rdzeń zmiany: nowe wersje CUDA (13+), cuBLAS, cuDNN i frameworków budowanych na nich przestaną zawierać kod dla Pascala/Volty. Ekosystem już to realizuje — PyTorch ma otwarte zadanie usunięcia wsparcia Maxwella, Pascala i Volty z buildów powiązanych z CUDA 12.8/12.9 [5]. To znaczy, że z czasem najnowsze wydania bibliotek ML nie będą zawierać gotowych kerneli dla tych kart.

Sterowniki (driver). To osobny cykl. Dla kart GeForce opartych na tych architekturach NVIDIA zapowiedziała, że po ostatnim sterowniku Game Ready z października 2025 przejdą na kwartalne aktualizacje bezpieczeństwa przez kolejne trzy lata — do października 2028 [6]. Uwaga: to komunikat o sterownikach gamingowych dla GeForce; karty data-center (Tesla) mają własne sterowniki i osobny cykl życia, którego NVIDIA w tym samym komunikacie precyzyjnie nie datuje. Uczciwie: dokładnego harmonogramu EOL sterowników data-center dla Pascala/Volty nie znalazłem w oficjalnym źródle, więc tego nie przesądzam — pewne jest natomiast wycofanie po stronie toolkitu (CUDA 13) [1][3].

Czy używana Tesla nagle staje się bezużyteczna? Nie — i to nie jest bagatelizowanie

Deprecjacja w oprogramowaniu to nie to samo co „karta padła". Trzy fakty, które to porządkują:

1. Istniejące oprogramowanie działa dalej. CUDA 12.x, biblioteki i frameworki zbudowane pod te architektury nie znikają — możesz z nich korzystać tak długo, jak długo utrzymasz zgodne wersje. llama.cpp, Ollama czy starsze wydania PyTorch z kernelami dla Pascala/Volty będą działać na P40 czy V100 tak samo jak dziś.
2. Zmiana dotyczy „najnowszych" wydań, nie całego stosu. Problem pojawia się, gdy chcesz zawsze najświeższą wersję biblioteki zbudowaną najnowszym toolkitem — to ona z czasem przestanie zawierać kod dla tych kart. To kwestia strategii aktualizacji, nie sprawności sprzętu.
3. To normalny cykl życia, nie awaria. Pascal debiutował w 2016, Volta w 2017 — po ~8–9 latach trafienie na listę wycofywania jest przewidywalne, nie zaskakujące.

Innymi słowy: to argument, żeby kupować świadomie, a nie żeby nie kupować.

Co z tego wynika przy zakupie (analiza)

Poniżej już moja interpretacja zebranych faktów — oddzielam ją wyraźnie od danych powyżej.

Kupujesz „na teraz i kilka lat", niski budżet, lokalne LLM-y? Pascal (zwłaszcza P40 24 GB) i V100 nadal mają sens — dają najwięcej mocy i VRAM za złotówkę. Warunek: zaakceptuj, że to sprzęt na horyzont kilku lat, i pinuj wersje oprogramowania (trzymaj się gałęzi CUDA/PyTorch, które wspierają Twoją kartę), zamiast ślepo aktualizować do najnowszej.

Kupujesz „na lata", do instytucji, albo chcesz spokoju z aktualizacjami? Wskazówka jest teraz jednoznaczna: Ampere, czyli A2 — jako jedyna z naszej bieżącej oferty zostaje w głównym nurcie wsparcia CUDA. Płacisz za nowość i niższą surową moc, ale kupujesz najdłuższą perspektywę. Jeśli zależy Ci na czymś nowszym lub mocniejszym, a wciąż wspieranym długoterminowo — inna karta z architektury Turing, Ampere lub Ada — sprowadzamy ją na zamówienie, wycena na zapytanie.

Robisz HPC/FP64 albo cięższy trening? Tu decyzja jest bardziej złożona i wykracza poza sam CUDA 13 — liczą się FP64, pasmo i VRAM. To temat na osobny wpis; przy zakupie i tak zacznij od checklisty używki data-center.

Jedno jest pewne niezależnie od modelu: przy sprzęcie z rynku wtórnego kondycja egzemplarza (test pod obciążeniem) waży dziś więcej niż papierowy „horyzont wsparcia".

Wnioski

CUDA 13 to nie „śmierć" Pascala i Volty, tylko koniec ich obecności w najnowszych łańcuchach kompilacji [1][3]. Dla kupującego używkę do AI oznacza to prostą regułę decyzyjną: A2 (Ampere) na lata; P40/V100 na teraz i kilka lat, ze świadomym pinowaniem wersji. Sprzęt nie znika — kurczy się tylko okno „zawsze najnowszego" oprogramowania, a to jest kompromis, który przy cenie tych kart wielu osobom nadal się opłaca.

Źródła

1. NVIDIA — CUDA Toolkit Release Notes (feature-complete / usunięcie wsparcia Maxwell/Pascal/Volta) — docs.nvidia.com/cuda/cuda-toolkit-release-notes/
2. Tom's Hardware — „Nvidia to drop CUDA support for Maxwell, Pascal, and Volta GPUs with the next major Toolkit release" (na bazie notatek CUDA 12.9) — tomshardware.com
3. NVIDIA — CUDA Toolkit 13.0 Release Notes (usunięcie wsparcia dla compute capability wcześniejszych niż Turing) — docs.nvidia.com/cuda/archive/13.0.1/cuda-toolkit-release-notes/
4. NVIDIA — CUDA GPUs / Compute Capability (Tesla P4/P40 = 6.1, P100 = 6.0, V100 = 7.0, A2 = 8.6) — developer.nvidia.com/cuda/gpus
5. PyTorch — GitHub issue #157517: „Delete support for Maxwell, Pascal, and Volta architectures for CUDA 12.8 and 12.9 builds" — github.com/pytorch/pytorch/issues/157517
6. Tom's Hardware — „Nvidia confirms end of Game Ready driver support for Maxwell and Pascal GPUs — … optimized drivers through October 2025" (+ kwartalne aktualizacje bezpieczeństwa do października 2028) — tomshardware.com
7. NVIDIA — CUDA Toolkit 12.x Release Notes (archiwum), status „feature-complete" dla Maxwell/Pascal/Volta — docs.nvidia.com/cuda/archive/12.9.0/cuda-toolkit-release-notes/ (dla tezy o CUDA 12.x sięgać do wersji archiwalnej, nie do notatek bieżących, które wskazują zawsze najnowsze wydanie)

---

Ten wpis prowadzimy na blogu Agile Store, gdzie zajmujemy się używanymi akceleratorami NVIDIA Tesla — niezależnie od tego, którą architekturę wybierzesz, przy używce najpierw pytaj o test pod obciążeniem (gpu-burn), a wersje oprogramowania dobierz do compute capability karty.