一位從事算法開發(fā)的朋友，向我們講述了他親身經(jīng)歷的故事：

他所在的團隊，被領導安排了一個任務——將已有的圖像識別模型從CUDA遷移到昇騰平臺上。

最開始，他以為會是個“大工程”，時常在論壇里看到缺少算子、工具鏈不夠完善的討論，想要在昇騰平臺上開發(fā)AI應用，等于是在啃一塊硬骨頭，連基礎的算子都要自己寫。

結果竟然比想象中順利許多。

大部分主流算子已能在CANN的算子庫中找到，只有少數(shù)需要通過算子開發(fā)套件自定義實現(xiàn)。官方提供的工具鏈談不上成熟，整體來看已經(jīng)比較完善。最終只做少量修改，就跑通了模型。

一位開發(fā)者的際遇，其實是整個生態(tài)的縮影。

很長一段時間里，國內(nèi)計算生態(tài)的“貧瘠”可謂深入人心，“缺算子、缺文檔、缺工具”等問題被頻頻詬病。

現(xiàn)在，情況正在悄然改變。昇騰CANN的算子庫、工具鏈的不斷豐富，讓開發(fā)者的遷移體驗越來越順暢，論壇里的因為“跑不通”產(chǎn)生的“吐槽帖”，漸漸變成了“怎么跑得更快”的“經(jīng)驗貼”。

中國的計算產(chǎn)業(yè)，終于走出了至暗時刻。

01 計算的終局是生態(tài)

回顧計算產(chǎn)業(yè)的發(fā)展史，從不缺少“性能耀眼”的產(chǎn)品，有的被寫進了“技術史”，卻沒能在產(chǎn)業(yè)中占據(jù)一席之地。

典型的例子就是Intel的Itanium。

時間回到上世紀90年代末，在x86上一家獨大的Intel清楚地意識到：x86架構的指令集復雜度高，遺留兼容性拖累了架構演進。

于是Intel選擇和HP聯(lián)手押注EPIC架構，把并行性、指令調(diào)度等由“硬件猜”的事交給編譯器靜態(tài)完成，CPU本身可以更簡單、更高效地執(zhí)行，相當于“把硬件未來幾十年的負擔一次性解決”。

遺憾的是，Intel和HP都低估了構建軟件生態(tài)的成本。

當時Linux和Windows均已綁定了x86，企業(yè)沒有動力投入到新架構，開發(fā)者想要在Itanium上運行應用，必須重寫或移植，導致積極性嚴重不足。被寄予厚望的Itanium，無奈淪為了“昂貴的試驗品”。

和Intel形成鮮明對比的，是英偉達CUDA的崛起。

2006年的GPU市場，還是英偉達和ATI分庭抗禮的局面，就在AMD斥巨資并購ATI時，英偉達默默做了別人不愿做的事：提供類似C語言的編程接口，允許開發(fā)者直接把GPU當并行處理器使用，即使在市場不看好的情況下，仍然十幾年如一日地投資開發(fā)者生態(tài)，完善工具鏈、文檔和社區(qū)。

當深度學習浪潮到來時，CUDA已然成為事實上的標準，成了任何想做AI的團隊都難以跳過的選項。

這些成功或失敗的案例背后，藏著計算產(chǎn)業(yè)的現(xiàn)實：一些產(chǎn)品之所以輸?shù)袅宋磥?，不是因為性能不夠強，而是沒能跨過生態(tài)這道坎，沒能打動千萬計的開發(fā)者。技術決定起點，而生態(tài)決定了終局。

02 一道殘酷的生死題

既然生態(tài)這么難，連Intel這樣的巨頭，當年也沒能另起爐灶，為什么還要“冒險”孵化自己的計算生態(tài)呢？

答案很殘酷，這不是選擇題，而是生死題。

以AI應用為例，國內(nèi)外有不少計算企業(yè)想要在生態(tài)上走捷徑，即兼容CUDA。簡單來說就是在CUDA的API和芯片的底層驅動間加一個“翻譯器”，幫助開發(fā)者快速跑通已有的CUDA應用，最大程度降低開發(fā)者的門檻。

諸如此類的做法無可厚非。

早期靠“兼容”解決“能用”的問題，接下來圍繞卷積、矩陣乘法、KV Cache等重點算子做深度優(yōu)化，一步步實現(xiàn)“好用”，長期則試圖培育基于自身軟硬件的原生生態(tài)，逐漸擺脫對CUDA的綁定。

只是CUDA并非開源，而且更新非常頻繁，第三方產(chǎn)品很難通過指令翻譯的方式實現(xiàn)完美兼容。在大多數(shù)通用AI訓練和推理場景下，兼容路徑難以匹敵英偉達的性能和能效。

況且英偉達一旦感受到了競爭壓力，還可以通過“扎緊生態(tài)藩籬”的形式，倒逼開發(fā)者“用腳投票”。就像2024年初的一幕，英偉達宣布禁止在其他GPU上通過轉譯層運行CUDA軟件，給不少廠商敲響了警鐘。

計算生態(tài)的“有”與“無”，決定著一整個產(chǎn)業(yè)鏈的生死存亡。

如果是“無”，始終存在被卡脖子的風險，意味著關鍵軟件無法運行、關鍵應用無法落地，被鎖死在別人搭好的舞臺上。

哪怕只是“有”，即使暫時不夠好用、工具鏈不夠完善，也意味著可以逐步打磨、可以不斷迭代，避免徹底出局的風險。

業(yè)界不少芯片廠商選擇兼容CUDA生態(tài)時，華為副董事長、輪值董事長徐直軍卻坦言：“如果我們投如此多的錢兼容CUDA生態(tài)，而且還是CUDA過去的版本，哪天CUDA生態(tài)兼容不了了怎么辦？”

所以在計算生態(tài)的抉擇上，華為做了一個很多人不理解的決定——做屬于自己的CANN生態(tài)。

03 CANN開源開放的“陽謀”

2025年8月初的昇騰計算產(chǎn)業(yè)發(fā)展峰會上，華為宣布“CANN全面開源開放，Mind系列應用使能套件及工具鏈全面開源，支持用戶自主的深度挖潛和自定義開發(fā)，加速廣大開發(fā)者的創(chuàng)新步伐，讓昇騰更好用、更易用?！?/p>

在英偉達的封閉生態(tài)遭遇“信任危機”時，華為站在了歷史正確的一邊——加速開源開放。

CANN的全面開源開放，意味著開發(fā)者可以深入到圖優(yōu)化、算子融合、內(nèi)存調(diào)度等底層機制，不僅可以調(diào)用，還能看到底層實現(xiàn)邏輯，甚至在必要時改造、優(yōu)化，進行二次創(chuàng)新。

Mind系列工具鏈的開源，讓模型移植、調(diào)試、Profiling的全過程“白盒化”，開發(fā)者不再局限于現(xiàn)成的工具和框架，可以根據(jù)自身需求進行深度定制和優(yōu)化，實現(xiàn)更高的性能和效率。

CANN還進一步兼容了vLLM、SGLang、PyTorch、Tensorflow等主流框架，開發(fā)者將應用遷移到昇騰平臺時，無需對原有代碼進行大規(guī)模修改，只需做少量適配乃至“零改動”。

故事并未就此結束。

9月18日的華為HC 2025上，華為的硬件和超節(jié)點架構占據(jù)了多家媒體的頭條，其實還有另一個影響可能更深遠的動作——華為宣布將開放靈衢2.0技術規(guī)范，全面開放超節(jié)點技術，包括開放超節(jié)點參考架構、開放超節(jié)點基礎硬件、開源操作系統(tǒng)靈衢組件等等。

無論是昇騰384超節(jié)點，還是支持8192張卡的Atlas 950超節(jié)點，都是基于靈衢互聯(lián)協(xié)議開創(chuàng)的。底層技術協(xié)議和整套超節(jié)點技術的開放，意味著產(chǎn)業(yè)界可以基于技術規(guī)范自研相關產(chǎn)品或部件，自主設計基于靈衢的各種產(chǎn)品，實現(xiàn)真正意義上的AI算力自由。

個中邏輯并不難解釋。

只有走開源路線，降低產(chǎn)業(yè)參與門檻，才有更多的企業(yè)從中受益，才會讓更多的開發(fā)者敢于All in。華為通過硬件開放、軟件開源主動拆掉了最核心的“護城河“，用“技術讓利”換取“生態(tài)復利”，吸引全球的開發(fā)者參與進來，促進產(chǎn)業(yè)鏈上下游協(xié)同，形成良性的正反饋循環(huán)。

一組不應該被忽略的數(shù)據(jù)是：CANN全面開源開放48小時內(nèi)，昇騰開發(fā)者社區(qū)新增注冊用戶就超過了10萬，Gitee平臺上的CANN代碼庫收獲了5.7萬星標，向外界宣示了中國計算生態(tài)的號召力和凝聚力。

04 前路漫漫亦燦燦

客觀評價CANN代表的國產(chǎn)計算生態(tài)，必須承認仍處于“追趕”階段，在成熟度、應用廣度、生態(tài)完善度上和CUDA仍有差距。畢竟CUDA已經(jīng)打磨了近20年，CANN在2018年才推出。

有差距不代表沒機會，大模型技術正在重構千行萬業(yè)，也在加劇底層計算生態(tài)的重新洗牌。

比如華為一直積極與高校合作，通過編寫教材、開設實驗課、聯(lián)合研發(fā)等方式，將昇騰、鯤鵬生態(tài)納入到了人才培養(yǎng)體系，同時幫助高校和科研機構在國產(chǎn)平臺上進行前沿研究。

典型例子就是北京大學的楊智老師，基于Ascend C自主開發(fā)了AI編程語言TileLang，提供Tile-level的類Python編程方式，大幅降低了AI編程門檻。目前昇騰CANN與TileLang已對接，并完成了FlashAttention算子的開發(fā)實現(xiàn)，性能持平官方版本，核心代碼從500+行減少到了80行。

某種程度上，昇騰已經(jīng)初步形成了“教育—應用—生態(tài)”的閉環(huán)：學生們在求學階段就能接觸到國產(chǎn)計算生態(tài)，在實驗室里嘗試開發(fā)應用，畢業(yè)后應用到廣闊的產(chǎn)業(yè)場景中，為生態(tài)的繁榮持續(xù)注入 “新鮮血液”。

再比如在大模型領域，MoE架構逐漸成為提升參數(shù)規(guī)模和推理效率的主流路徑，卻也遇到了跨卡通信的高帶寬壓力、專家路由的動態(tài)調(diào)度等新挑戰(zhàn)。除了超節(jié)點的架構創(chuàng)新，CANN也進行了針對性優(yōu)化。

在算子開發(fā)方面，CANN將在下個版本中同時支持SIMD+SIMT的編程方式，滿足不同場景的開發(fā)需求：其中SIMD新增支持的Cube和Vector融合編程，無需寫數(shù)據(jù)搬運指令，實現(xiàn)融合算子開發(fā)效率提升30%。

在通信效率方面，昇騰將開源共享內(nèi)存能力Share Memory，在超節(jié)點范圍內(nèi)的所有片上內(nèi)存可實現(xiàn)資源池化共享，并通過Load and Store方式通信，較傳統(tǒng)通信時間大幅降低。

截止到目前，越來越多的第三方企業(yè)和開發(fā)者與華為站在一起，加入到了開源共建的陣營中。

比如無問芯穹基于CATLASS模板庫開發(fā)的Group GEMM算子，相比aclNN算子，性能再提升50%；科大訊飛、華南理工等企業(yè)和高校，在不斷豐富算子開發(fā)的專家知識庫，幾分鐘內(nèi)便可輸出最優(yōu)Tiling策略......

一邊在人才培養(yǎng)上“補短板”，一邊在工程創(chuàng)新上“立長板”，只要沿著正確的道路走下去，一個繁榮的計算生態(tài)只是時間問題。

05 寫在最后

計算生態(tài)的范疇不只是AI算力，CPU、操作系統(tǒng)等都需要從0到1構建自主生態(tài)，每一個都深刻影響著整個產(chǎn)業(yè)格局。

樂觀的是，CANN的崛起已經(jīng)論證了自主生態(tài)的可行性，跑出了開源開放的生態(tài)新范式：有人在計算架構上不斷試探極限，有人在工具鏈和框架中默默補齊短板，有人在高校課堂和開源社區(qū)里播下種子……這不是一家企業(yè)的獨角戲，而是中國計算產(chǎn)業(yè)的集體答卷。

生態(tài)不是三年五載就能完成的工程，需要千千萬萬的開發(fā)者參與進來，考驗的不是速度，而是中國計算產(chǎn)業(yè)的集體耐力。