過去幾年，AI產業的敘事重心始終圍繞兩個關鍵詞打轉——算力和模型，前者決定了規模上限，后者決定了智能上限。

但在實際的工程落地中，影響模型“能否跑得動、跑得穩、跑得久”的因素，不只有算力性能和模型參數。位于底層硬件和模型框架之間的計算架構，扮演了不可或缺的角色。

在英偉達的體系里，主要由CUDA擔綱，把GPU的復雜性封裝成了一套可調用、可復用、可規模化的計算體系，幾乎成了事實上的并行計算產業標準，形成了一個封閉、單一廠商主導的技術生態。

在華為昇騰的體系里，對標CUDA的是CANN，同樣是一個承上啟下的計算架構：向上對接昇思MindSpore、PyTorch、TensorFlow等主流AI框架，對下使NPU為核心的昇騰系列硬件產品。

有別于CUDA的封閉，CANN的主張是開源開放。特別是在8月份宣布全面開源開放后，每個月都有新的組件開源。

9月30日，算子庫、CATLASS算子模板庫等項目全面開源；

10月30日，領域加速庫、單邊通信庫等項目開源；

11月30日，Ascend C編程語言全面開源；

12月30日，運行時、圖引擎、集合通信庫等項目開源，按計劃實現CANN 匹配A2/A3版本的全面開源開放。

由此產生的一個問題是：走封閉路線的CUDA，被視為英偉達最強大的“護城河”，CANN為何做出了反向戰略選擇？

01 從“能用”到“敢用”，破解產業落地的信任天花板

答案藏在產業一線的“焦慮”中。

在和CTO、開發者的交流中，每次談到AI在產業中落地的話題時，普遍會涉及兩個問題：

一是對“黑盒”的恐懼。

傳統的AI開發過程中，硬件底層對于上層應用往往是一個“黑盒”，只能通過有限的接口進行交互，就像一輛無法打開引擎蓋的汽車，可以踩油門、打方向盤，但對引擎的內部結構一無所知。

切換到大模型訓練的語境下，當訓練速度不理想，或者出現精度溢出等問題時，開發者無法判斷問題究竟出在算法層面，還是底層算子的調度上，只能被動求助硬件廠商，失去了主動權和效率。

二是對“捆綁”的抗拒。

一旦選擇某個計算平臺，常常意味著和平臺的深度綁定，模型、算子、工具鏈、工程經驗等，都會被固化在計算生態中。

某種程度上也是英偉達“絕不會將CUDA開源”的底氣：開發者想要在GPU上實現高效的并行計算，必須要適應CUDA生態，想要轉向其他計算平臺，代價則是昂貴的遷移成本，不可避免地需要重寫代碼、重學新工具，直接勸退了很多萌生“脫離”想法的開發者。

挑戰封閉的最佳方案，正是開源開放。封閉生態近乎無解的兩個“焦慮”，CANN卻拿出了合理的方案。

針對“黑盒”，CANN的開源開放不是簡單的“秀代碼”，而是將算子庫、通信庫、編程語言、運行時等全量開源。

開發者以前只能開的跑車，現在有了全套的“發動機圖紙”，可以深入到圖優化、算子融合、內存調度等底層機制進行二次創新，模型移植、調試、性能分析的全過程“白盒化”。甚至不用局限于現成的工具和框架，可以根據自身需求進行深度定制和優化，實現更高的性能和效率。

針對“捆綁”，CANN的回答是架構解耦、分層開源開放，所有組件支持獨立演進，實現分包獨立升級。

從底層的硬件驅動、運行時到中間的編譯器、編程語言，再到上層的各類計算、通信加速庫，CANN的每一層都實現了物理上的松耦合。開發者無須像過去那樣“牽一發而動全身”，可以根據業務需求，按需引入或升級特定的組件功能，大幅降低系統集成和定制開發的門檻，避免“被鎖死”的風險。

如果說以前的CANN解決了“能用”的問題，讓模型在自主算力上跑了起來。現在要解決的是“敢用”的問題：通過全面開源開放，實現了從“黑盒”到“白盒”再到全過程“透明”，可解釋、可維護、可長期演進，以最大的誠意破解產業落地的信任天花板。

02 從“敢用”到“好用”，和千行萬業開發者共建生態

產業落地遠不是計算平臺的終點。

一個繁榮的生態，不僅僅要滿足“能用”“敢用”，還有另一個必須要回答的問題——是不是“好用”。

不少開發者對CUDA依賴甚至“上癮”，并非是因為不可替代，而是CUDA體系的文檔完善、示例豐富和龐大的開發者社區，在使用過程中遇到了問題，大概率能搜到答案。

CANN對“好用”有著更深的理解，試圖走出一條新路。

路徑一：提升開發易用性，以社區為陣地，構建全鏈路知識體系。

為了降低學習門檻，CANN投入了巨大資源打造開源社區，匯聚了開源、學習、活動等資源，給開發者提供了一站式直達體驗。

在學習資源上，目前已線63門在線課程、22門微認證，涵蓋從Ascend C算子開發入門到進階的全流程。

在實戰演練上，通過CANN訓練營、昇騰AI算子挑戰賽等活動以賽代練，比如CANN訓練營已經開展了12季。

在文檔支持上，開源社區提供了從單任務到場景化的知識體系，包括100+專題課程和10+場景化文檔……

路徑二：“放權”給開發者，人人都能參與，每個人都可以是貢獻者。

打一個比方：CANN構建了一套顆粒度極細的“全棧積木系統”，讓開發者不再是被動的“使用者”，而是擁有不同構建權限的“架構師”。

模型開發者可以直接調用封裝好的算子庫和通信庫，省去打磨細節的時間，專注于上層建筑的宏偉設計。

算子開發者可以根據特殊需求，自行設計并制造出形狀各異的高性能“異形磚”，解決通用件無法解決的難題。

深度發燒友可以對Runtime等底層資源管理能力進行極致調優，夯實最底層的“地基”，徹底釋放硬件性能。

結果有何不同？

我們找到了兩個有代表性的開發者故事。

第一個是哈爾濱工業大學的蘇統華教授，他的團隊基于CANN的Ascend C打造了昇騰NPU原生Numpy——AsNumpy，在Python層完全兼容Numpy API，用戶無需額外學習成本，即可在昇騰NPU上實現高效的科學計算。

第二個是杭州天寬科技有限公司，依托CANN開發的“智能巡檢場景算子庫”，讓巡檢效率提升了3倍、停電事故率下降了30%、應急響應與維修效率提升了20%，打破了傳統巡檢模式安全、效率與成本的“不可能三角”。

倘若是封閉的體系，開發者大概率只能做調用接口的應用創新，無法對算子進行自定義擴展。

但在CANN的生態里，創新不再完全依賴平臺，開發者能更充分地釋放硬件潛能，千行萬業的開發者都能成為生態的貢獻者。即使是人數不多的高校科研團隊、初創公司，也能參與到底層的創新和優化。

03 當“透明”成為前提，計算產業的運行規則正在改變

權力的重構往往伴隨著規則的重塑。

CANN的全面開源開放，不只是“另一種實現路徑”，也在悄然改變計算產業默認的運行規則。

在新一輪的AI浪潮中，競爭的焦點早已不是單純的算力或算法，而是圍繞軟件、開發者與生態的博弈。CANN的全面開源，掀起了一場透明度革命，將對技術、生態、產業方向等產生深遠影響。

在技術層面，從“黑盒”到“白盒”，將徹底改變AI開發模式。

站在開發者的立場上，底層機制不透明，只能依賴官方文檔了解，在很大程度上被束縛了拳腳。

CANN的全面開源開放，讓編譯器、算子庫、運行時等核心組件完全可見，開發者可以直接洞察硬件的運行邏輯，進行更深層次、更精準的性能優化，等于將創新的主動權交還到了每一位開發者手中。

相對應的就是開發門檻的降低。

以算子開發為例，過去的門檻高到不敢用，CANN開源了CATLASS算子模板庫后，只需簡單的參數配置，即可快速生成適配不同形狀和精度的矩陣乘算子，大大提升了開發效率和靈活性。

在生態層面，從“封閉獨奏”到“開放共治”，構建最大公約數。

一個計算生態的長期生命力，源于開放、透明和集體智慧。CANN的全面開源開放，正是遵循了這一邏輯。

譬如前面提到的天寬科技，除了AI智能巡檢方案，還開源了具身智能巡檢行業標準算子庫，完成了從“使用者”到“貢獻者”的轉變。對于電力、工業等有具身智能巡檢需求的開發者來說，有了開源的行業算子庫，將進一步降低了軟硬件適配的成本和難度。

當越來越多企業把自身的工程實踐轉化為可被復用的公共能力，計算生態的演進就不再依賴單點突破，而是通過不斷擴大的最大公約數，推動整個產業走向成熟與繁榮。

在產業層面，從“平臺主導”到“多元協作”，釋放行業生產力。

創新的節奏不再被單個平臺主導，產業分工或將從“上下游依附關系”，自發形成一個“能力協作網絡”。

比如在能源、制造、交通等領域，瓶頸往往不在模型本身，而是算子效率、數據流轉、實時調度等工程細節。CANN的全面開源開放，讓行業可以圍繞自身場景，對關鍵路徑進行定制優化，不必等待平臺版本演進，讓算力更高效地轉化為生產力。

開源開放的終極目的，無外乎為產業提供探索和創新空間。就這一點而言，CANN正在和千行萬業雙向奔赴。

畢竟一個計算生態的核心價值，不是限制開發者，而是賦能開發者，放大創新的杠桿效應；一個健康的計算生態，取決于能否降低創新的邊際成本，能否讓創新轉化為產業生產力。

04 寫在最后

一個計算體系被用于長期、關鍵、不可中斷的生產場景時，不透明本身，就是最大的風險。

CANN的全面開源開放，本質上在做一件事，即消除“黑盒”，讓底層機制可審視、可驗證、可優化，把原本隱性的、不確定的風險，轉化為工程上可定位、可控制、可協同解決的問題。

也讓我們有理由相信，封閉終將讓渡于開放，只有打破封閉的藩籬，形成創新合力，才能構建起堅固的數智化根基。