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。