昇腾910C被拿来讨论国产算力时，最容易被比较的是芯片性能。但工程团队真正开始迁移，第一批麻烦通常不在参数表里。
模型能跑起来，只算过了第一关。旧代码要改多少，推理延迟会不会抖，训练任务能不能扩到多卡，才是项目会上更难回答的问题。尤其是从 NVIDIA 体系转过来的团队，CUDA、算子库、通信库、框架插件这些原有经验，到了昇腾环境里不能直接照搬。
华为企业业务官网对昇腾计算的定位，是基于昇腾系列 AI 处理器和基础软件构建 Atlas 人工智能计算解决方案。产品形态包括模块、板卡、小站、服务器、集群，面向端、边、云场景，覆盖深度学习推理和训练流程。这个说法的重点不只在“全场景”，也提醒了一件事：迁移不是换一块卡，而是重新处理一套软硬件链路。
CANN 不是装完就结束
CANN，全称 Compute Architecture for Neural Networks，是昇腾迁移绕不开的基础层。很多项目一开始会把它当成类似驱动的底层依赖：装好、能识别设备，就算完成。
真做起来没这么轻。
模型里只要有自定义算子、非标准网络结构，或者依赖框架侧的特殊实现，就可能遇到算子支持、算子替换、性能不一致的问题。更麻烦的是，CANN 与驱动、框架、模型转换工具之间有版本配套关系。一个环境能跑通的模型，换到另一套机器，先报错的可能不是模型本身，而是算子编译、内存申请或运行时调用。
这类问题很难靠“升级到最新版本”解决。更稳的做法，是在迁移初期就把 CANN 版本、驱动版本、框架版本写进基线文档，模型转换脚本也一起纳入管理。后面如果出现性能抖动，至少能先排除“代码没变、环境变了”这类低级变量。
算子兼容也不该留到最后调优。先把模型里的高频算子、特殊算子和自定义算子挑出来，确认是否已有实现；没有现成实现，再评估是改模型结构、做算子替换，还是投入自定义开发。这个判断越晚做，返工越重。
单卡跑通，不等于集群没问题
HCCL 是昇腾体系里的集合通信库，主要对应多卡训练、大规模推理中的通信效率问题。小模型、低并发、单机测试阶段，它不一定显眼；一旦进入多卡、多节点，通信配置、网络拓扑、设备绑定就会变成性能上限的一部分。
不少迁移项目会先盯着模型转换和单卡性能，等业务压测时才发现集群扩展效率不如预期。那时再回头看，问题未必是芯片算力不足，也可能是通信路径没走对、网络配置不匹配，或者任务切分方式没有适配当前硬件拓扑。
昇腾社区官网列出的产品形态里，既有 Atlas 900 A3 SuperPoD 超节点，也有 Atlas 900 A2 PoD 集群基础单元。这说明昇腾并不只面向单机部署。既然目标场景包括集群，HCCL 就不该被放到上线前一周才处理。
更现实的节奏，是在小规模集群阶段先做通信验证：设备发现、链路连通、通信后端、拓扑文件，先跑清楚，再上业务模型。不要等服务都改完，再用压测结果反推通信问题。那时候日志更多，变量也更多。
精度对齐，别只看最后一行输出
算子和通信处理完，还有一个容易被低估的环节：精度对齐。
从原有环境迁到昇腾环境，模型推理结果可能看起来差不多，但下游业务未必接受这种“差不多”。分类阈值、排序分数、风控判断、检索召回，对小数值偏差都可能敏感。涉及 FP16、BF16 等混合精度策略时，更不能凭几条样例就判断迁移完成。
比较可控的做法，是把精度验证拆开：先对齐单算子输出，再对齐中间层结果，最后看完整模型的业务指标。这样排查路径短一些。只看最终结果，一旦出现偏差，很难判断问题来自模型转换、算子实现、数据预处理，还是混合精度策略。
迁移报告里也不该只写“精度基本一致”。至少要写清楚对齐口径：用什么数据集，比较哪些输出，允许多大误差，业务侧是否复核。没有这些信息，就不要替项目补一个漂亮结论。
950 系列的数据，别写到 910C 身上
公开材料里有些数据可以引用，但必须放对位置。
金股讯在介绍华为昇腾系列 AI 芯片时提到，昇腾形成了从芯片、框架 MindSpore、算子库 CANN 到应用 ModelArts 的端到端优化，并写到 950 系列向量算力占比提升 30%、任务调度延迟降低 50%。这组数字能说明华为在全栈优化上的方向，但对应的是 950 系列，不能直接拿来证明昇腾910C的迁移收益。
国产算力报道里常见的一个问题，就是把不同芯片、不同版本、不同场景的数据混在一起。读起来很热闹，工程上却没多少参考价值。训练、推理、端侧、边缘、云端集群，本来就不是同一类问题。即使都属于昇腾体系，也不能默认收益可以平移。
写昇腾910C迁移，结论最好收窄到工程层面：CANN 版本要锁定，算子要提前盘点，HCCL 要尽早验证，精度要分层对齐。至于吞吐提升多少、延迟下降多少，如果没有项目实测和明确来源，就不要写成确定数字。
国产化要求在变，工程账还得算
昇腾进入更多项目，不只是技术路线选择，也和采购环境有关。
国际电子商情在 2026 年 2 月 9 日报道称，深圳光明大装置算力服务支撑平台采购项目中标结果已在中国政府采购网公示，中国移动广东公司以约 1.55 亿元报价中标，项目软硬件设备明确标注“拒绝进口”。这个案例至少说明，在部分算力平台建设中，国产软硬件已经不是备选项，而是明确要求。
华西计算机团队在 2023 年 6 月 14 日发布的《华为算力编年史》中，也把 2018 年至今概括为“昇腾+鲲鹏打造 AI 算力生态”的阶段。对企业来说，这类背景会影响中长期算力规划：供应链安全、采购可控、国产适配能力，都会进入决策表。
但采购理由不能抹平迁移成本。
如果团队原本深度依赖 CUDA 体系，迁到昇腾后，算子、框架适配、性能分析、部署脚本和运维体系都要重新处理。短期工程投入不会小。更稳的路径，是先从非核心模型、离线任务或低风险推理服务开始，沉淀一套可复用的迁移模板，再逐步进入核心业务。
真正要避开的，是把迁移写成口号
昇腾910C的价值，不需要靠夸大来证明。国产算力需求在增加，端、边、云产品形态也已经铺开；华为官网、昇腾社区、Atlas 产品线、MindSpore、CANN、ModelArts，这些都是可以核验的基础信息。
但工程迁移不能靠“自主可控”几个字往前推。项目经理更需要知道：当前模型有哪些算子风险，CANN 版本怎么定，HCCL 什么时候测，精度对齐用什么口径，出了问题由算法、系统还是运维来定位。
这些问题列清楚，昇腾910C迁移才有落地的可能。否则，材料里写的是突围，现场看到的只会是排查不完的环境问题。
