2025年9月16日，华为发布《智能世界2035》和《全球数智化指数2025》。《智能世界2035》里有个判断，直接关系到智算中心怎么花钱：AI技术可能进入“漫长的平台期”，行业注意力会从追逐AGI，转到现有大模型的产品化、效率提升和成本优化。
把这句话放进机房，问题很快变得具体。采购会上反复比较的是H100、B200或昇腾910C，模型能否按时上线，却更多取决于芯片背后的软件栈。
华西计算机团队在2023年10月9日发布的《华为算力分拆：全球AI算力的第二极》中，将高性能芯片、CUDA架构及加速计算生态、芯片互联与组网技术并列为英伟达的核心优势。CUDA正好处在中间：它把硬件能力变成了开发者可以直接调用的工具。
CUDA难替代的部分，藏在日常开发里
开发者看到的可能只是一行PyTorch算子，项目实际依赖的却是一整套成熟能力，包括cuDNN、cuBLAS、显存调度、算子融合、调试工具和文档。多年的代码、第三方库和排错经验也围绕这套体系积累下来。
所以，API转换只能解决表层兼容。真正费工的地方通常出现在模型跑起来以后。
拿从A100环境迁到昇腾910C这类任务来说，模型能够加载、输出结果基本对齐，只是最容易验收的一步。接下来还要处理精度偏差、显存碎片、数据布局和自定义算子。如果某个复合操作在CUDA中已经融合成单个Kernel，而CANN侧缺少对应实现，计算就可能被拆成多个算子，显存读写随之增加，模型更容易受到内存带宽限制。
到了多卡和跨机环境，AllReduce通信、进程与芯片的绑定方式、故障恢复和任务调度都会进入成本清单。单卡能跑，不代表集群吞吐稳定。理论算力也不会自动变成业务性能。
评估迁移工作量时，只看代码行数或接口覆盖率很容易失真。更可靠的办法，是拿真实业务模型，在相同精度、输入规模和集群条件下做基线测试，把缺失算子、性能回退和运维问题逐项记录下来。
先迁哪些项目，要看工作负载
政务、安防经常被列为国产化迁移的优先场景，但行业名称本身不能说明迁移难度。真正有利的条件是模型结构较稳定、算子集合可控、版本更新频率较低，同时对数据边界和供应链安全有明确要求。
在这类项目中，如果能直接采用ModelZoo已有模型，在CANN上完成适配和调优，再部署到Atlas 800系列服务器，迁移范围会更容易控制。前提是现有模型确实落在工具链已经覆盖的范围内。只要项目大量使用自定义算子，或者需要频繁更换模型架构，同一行业里的迁移难度也会迅速上升。
自动驾驶、前沿生物制药等研发密集型任务，往往需要持续跟进以PyTorch和CUDA为主要开发环境的新模型。双栈运行可以作为过渡方案：研发环境保留原有工具，稳定后的模型再迁往国产算力池。但团队也要承担模型一致性验证、版本维护和两套环境排错的额外工作。
MindSpore能否留下开发者，要看工具链
MindSpore的思路，是让框架更早感知底层硬件，并通过自动并行和图编译优化计算过程。直接采用MindSpore原生开发，可以减少部分框架转换工作，也有机会更充分地调用昇腾硬件能力。
这条路能否走通，取决于算子覆盖、调试工具、文档质量、版本兼容和问题响应。PyTorch已经积累了大量公开代码和排错资料，开发者遇到问题时通常可以先搜索、复现，再决定是否修改代码。MindSpore和CANN需要补齐的，正是这段从报错到解决的工程闭环。
开发者等待文档更新、工单回复或算子适配的时间，最终都会进入人力预算和发布周期。国产软件栈是否成熟，也不能只看已有多少模型成功启动。性能回退能否被发现、故障能否快速定位、框架升级后结果是否稳定，这些指标更接近真实交付。
2035是方向，迁移仍要从今天的模型算起
《智能世界2035》给出了未来十年的判断，具体迁移节奏仍要由每个项目自己制定。比较务实的顺序是：先用真实模型建立性能与精度基线，再列出缺失算子、通信和运维工具，最后决定采用MindSpore原生开发、从PyTorch迁移，还是暂时维持双栈。
国产智算中心也没有必要同时覆盖所有工作负载。模型固定、交付边界清楚的项目，可以集中优化并沉淀算子；模型变化快、依赖大量前沿代码的研发任务，则需要保留兼容性更好的验证环境。
采购单改完，工作才刚开始。只有把每次迁移产生的算子、工具和运维经验留给下一个项目，CUDA依赖才会真正下降。
