有人在计算架构上不断试探极限，有人在工具链和框架中默默补齐短板，有人在高校课堂和开源社区里播下种子……这不是一家企业的独角戏，而是中国计算产业的集体答卷。

撰文｜张贺飞

编辑｜沈菲菲

一位从事算法开发的朋友，向我们讲述了他亲身经历的故事：

他所在的团队，被领导安排了一个任务——将已有的图像识别模型从 CUDA 迁移到昇腾平台上。

最开始，他以为会是个 " 大工程 "，时常在论坛里看到缺少算子、工具链不够完善的讨论，想要在昇腾平台上开发 AI 应用，等于是在啃一块硬骨头，连基础的算子都要自己写。

结果竟然比想象中顺利许多。

大部分主流算子已能在 CANN 的算子库中找到，只有少数需要通过算子开发套件自定义实现。官方提供的工具链谈不上成熟，整体来看已经比较完善。最终只做少量修改，就跑通了模型。

一位开发者的际遇，其实是整个生态的缩影。

很长一段时间里，国内计算生态的 " 贫瘠 " 可谓深入人心，" 缺算子、缺文档、缺工具 " 等问题被频频诟病。

现在，情况正在悄然改变。昇腾 CANN 的算子库、工具链的不断丰富，让开发者的迁移体验越来越顺畅，论坛里的因为 " 跑不通 " 产生的 " 吐槽帖 "，渐渐变成了 " 怎么跑得更快 " 的 " 经验贴 "。

中国的计算产业，终于走出了至暗时刻。

01.

计算的终局是生态

回顾计算产业的发展史，从不缺少 " 性能耀眼 " 的产品，有的被写进了 " 技术史 "，却没能在产业中占据一席之地。

典型的例子就是 Intel 的 Itanium。

时间回到上世纪 90 年代末，在 x86 上一家独大的 Intel 清楚地意识到：x86 架构的指令集复杂度高，遗留兼容性拖累了架构演进。

于是 Intel 选择和 HP 联手押注 EPIC 架构，把并行性、指令调度等由 " 硬件猜 " 的事交给编译器静态完成，CPU 本身可以更简单、更高效地执行，相当于 " 把硬件未来几十年的负担一次性解决 "。

遗憾的是，Intel 和 HP 都低估了构建软件生态的成本。

当时 Linux 和 Windows 均已绑定了 x86，企业没有动力投入到新架构，开发者想要在 Itanium 上运行应用，必须重写或移植，导致积极性严重不足。被寄予厚望的 Itanium，无奈沦为了 " 昂贵的试验品 "。

和 Intel 形成鲜明对比的，是英伟达 CUDA 的崛起。

2006 年的 GPU 市场，还是英伟达和 ATI 分庭抗礼的局面，就在 AMD 斥巨资并购 ATI 时，英伟达默默做了别人不愿做的事：提供类似 C 语言的编程接口，允许开发者直接把 GPU 当并行处理器使用，即使在市场不看好的情况下，仍然十几年如一日地投资开发者生态，完善工具链、文档和社区。

当深度学习浪潮到来时，CUDA 已然成为事实上的标准，成了任何想做 AI 的团队都难以跳过的选项。

这些成功或失败的案例背后，藏着计算产业的现实：一些产品之所以输掉了未来，不是因为性能不够强，而是没能跨过生态这道坎，没能打动千万计的开发者。技术决定起点，而生态决定了终局。

02.

一道残酷的生死题

既然生态这么难，连 Intel 这样的巨头，当年也没能另起炉灶，为什么还要 " 冒险 " 孵化自己的计算生态呢？

答案很残酷，这不是选择题，而是生死题。

以 AI 应用为例，国内外有不少计算企业想要在生态上走捷径，即兼容 CUDA。简单来说就是在 CUDA 的 API 和芯片的底层驱动间加一个 " 翻译器 "，帮助开发者快速跑通已有的 CUDA 应用，最大程度降低开发者的门槛。

诸如此类的做法无可厚非。

早期靠 " 兼容 " 解决 " 能用 " 的问题，接下来围绕卷积、矩阵乘法、KV Cache 等重点算子做深度优化，一步步实现 " 好用 "，长期则试图培育基于自身软硬件的原生生态，逐渐摆脱对 CUDA 的绑定。

只是 CUDA 并非开源，而且更新非常频繁，第三方产品很难通过指令翻译的方式实现完美兼容。在大多数通用 AI 训练和推理场景下，兼容路径难以匹敌英伟达的性能和能效。

况且英伟达一旦感受到了竞争压力，还可以通过 " 扎紧生态藩篱 " 的形式，倒逼开发者 " 用脚投票 "。就像 2024 年初的一幕，英伟达宣布禁止在其他 GPU 上通过转译层运行 CUDA 软件，给不少厂商敲响了警钟。

计算生态的 " 有 " 与 " 无 "，决定着一整个产业链的生死存亡。

如果是 " 无 "，始终存在被卡脖子的风险，意味着关键软件无法运行、关键应用无法落地，被锁死在别人搭好的舞台上。

哪怕只是 " 有 "，即使暂时不够好用、工具链不够完善，也意味着可以逐步打磨、可以不断迭代，避免彻底出局的风险。

业界不少芯片厂商选择兼容 CUDA 生态时，华为副董事长、轮值董事长徐直军却坦言：" 如果我们投如此多的钱兼容 CUDA 生态，而且还是 CUDA 过去的版本，哪天 CUDA 生态兼容不了了怎么办？"

所以在计算生态的抉择上，华为做了一个很多人不理解的决定——做属于自己的 CANN 生态。

03.

CANN开源开放的 " 阳谋 "

2025 年 8 月初的昇腾计算产业发展峰会上，华为宣布 "CANN 全面开源开放，Mind 系列应用使能套件及工具链全面开源，支持用户自主的深度挖潜和自定义开发，加速广大开发者的创新步伐，让昇腾更好用、更易用。"

在英伟达的封闭生态遭遇 " 信任危机 " 时，华为站在了历史正确的一边——加速开源开放。

CANN 的全面开源开放，意味着开发者可以深入到图优化、算子融合、内存调度等底层机制，不仅可以调用，还能看到底层实现逻辑，甚至在必要时改造、优化，进行二次创新。

Mind 系列工具链的开源，让模型移植、调试、Profiling 的全过程 " 白盒化 "，开发者不再局限于现成的工具和框架，可以根据自身需求进行深度定制和优化，实现更高的性能和效率。

CANN 还进一步兼容了 vLLM、SGLang、PyTorch、Tensorflow 等主流框架，开发者将应用迁移到昇腾平台时，无需对原有代码进行大规模修改，只需做少量适配乃至 " 零改动 "。

故事并未就此结束。

9 月 18 日的华为 HC 2025 上，华为的硬件和超节点架构占据了多家媒体的头条，其实还有另一个影响可能更深远的动作——华为宣布将开放灵衢 2.0 技术规范，全面开放超节点技术，包括开放超节点参考架构、开放超节点基础硬件、开源操作系统灵衢组件等等。

无论是昇腾 384 超节点，还是支持 8192 张卡的 Atlas 950 超节点，都是基于灵衢互联协议开创的。底层技术协议和整套超节点技术的开放，意味着产业界可以基于技术规范自研相关产品或部件，自主设计基于灵衢的各种产品，实现真正意义上的 AI 算力自由。

个中逻辑并不难解释。

只有走开源路线，降低产业参与门槛，才有更多的企业从中受益，才会让更多的开发者敢于 All in。华为通过硬件开放、软件开源主动拆掉了最核心的 " 护城河 "，用 " 技术让利 " 换取 " 生态复利 "，吸引全球的开发者参与进来，促进产业链上下游协同，形成良性的正反馈循环。

一组不应该被忽略的数据是：CANN 全面开源开放 48 小时内，昇腾开发者社区新增注册用户就超过了 10 万，Gitee 平台上的 CANN 代码库收获了 5.7 万星标，向外界宣示了中国计算生态的号召力和凝聚力。

04.

前路漫漫亦灿灿

客观评价 CANN 代表的国产计算生态，必须承认仍处于 " 追赶 " 阶段，在成熟度、应用广度、生态完善度上和 CUDA 仍有差距。毕竟 CUDA 已经打磨了近 20 年，CANN 在 2018 年才推出。

有差距不代表没机会，大模型技术正在重构千行万业，也在加剧底层计算生态的重新洗牌。

比如华为一直积极与高校合作，通过编写教材、开设实验课、联合研发等方式，将昇腾、鲲鹏生态纳入到了人才培养体系，同时帮助高校和科研机构在国产平台上进行前沿研究。

典型例子就是北京大学的杨智老师，基于 Ascend C 自主开发了 AI 编程语言 TileLang，提供 Tile-level 的类 Python 编程方式，大幅降低了 AI 编程门槛。目前昇腾 CANN 与 TileLang 已对接，并完成了 FlashAttention 算子的开发实现，性能持平官方版本，核心代码从 500+ 行减少到了 80 行。

某种程度上，昇腾已经初步形成了 " 教育—应用—生态 " 的闭环：学生们在求学阶段就能接触到国产计算生态，在实验室里尝试开发应用，毕业后应用到广阔的产业场景中，为生态的繁荣持续注入 " 新鲜血液 "。

再比如在大模型领域，MoE 架构逐渐成为提升参数规模和推理效率的主流路径，却也遇到了跨卡通信的高带宽压力、专家路由的动态调度等新挑战。除了超节点的架构创新，CANN 也进行了针对性优化。

在算子开发方面，CANN 将在下个版本中同时支持 SIMD+SIMT 的编程方式，满足不同场景的开发需求：其中 SIMD 新增支持的 Cube 和 Vector 融合编程，无需写数据搬运指令，实现融合算子开发效率提升 30%。

在通信效率方面，昇腾将开源共享内存能力 Share Memory，在超节点范围内的所有片上内存可实现资源池化共享，并通过 Load and Store 方式通信，较传统通信时间大幅降低。

截止到目前，越来越多的第三方企业和开发者与华为站在一起，加入到了开源共建的阵营中。

比如无问芯穹基于 CATLASS 模板库开发的 Group GEMM 算子，相比 aclNN 算子，性能再提升 50%；科大讯飞、华南理工等企业和高校，在不断丰富算子开发的专家知识库，几分钟内便可输出最优 Tiling 策略 ......

一边在人才培养上 " 补短板 "，一边在工程创新上 " 立长板 "，只要沿着正确的道路走下去，一个繁荣的计算生态只是时间问题。

05.

写在最后

计算生态的范畴不只是 AI 算力，CPU、操作系统等都需要从 0 到 1 构建自主生态，每一个都深刻影响着整个产业格局。

乐观的是，CANN 的崛起已经论证了自主生态的可行性，跑出了开源开放的生态新范式：有人在计算架构上不断试探极限，有人在工具链和框架中默默补齐短板，有人在高校课堂和开源社区里播下种子……这不是一家企业的独角戏，而是中国计算产业的集体答卷。

生态不是三年五载就能完成的工程，需要千千万万的开发者参与进来，考验的不是速度，而是中国计算产业的集体耐力。

主理人 | 张贺飞（Alter）

前媒体人、公关，现专职科技自媒体

钛媒体、36kr、创业邦、福布斯中国等专栏作者

转载、商务、开白以及读者交流，请联系个人微信「imhefei」