2025年8月5日，昇腾计算产业发展峰会上，华为轮值董事长徐直军宣布，昇腾硬件使能CANN全面开源开放，Mind系列应用使能套件及工具链全面开源。观察者网当时的报道提到，CANN的全称是Compute Architecture for Neural Networks，作用是连接上层AI训练框架与昇腾硬件。
这件事对准备引入昇腾910C的团队很关键。过去，很多CUDA项目迁移到国产AI算力时，最担心的是底层接口不透明、工具链封闭、遇到问题只能等厂商支持。CANN开源后，开发者至少有了往下看的机会：算子怎么落到硬件上，通信参数怎么调，工具链能不能接入自己的流程，都有了更多操作空间。
但开源不等于迁移自动完成。CUDA项目搬到CANN，难点通常不在“能不能启动”，而在启动之后能不能稳定、可调、跑出符合预期的效率。
真正麻烦的，常常是自定义算子
如果项目主要使用框架里的标准算子，迁移压力会小一些。问题出在自研结构上：特殊注意力模块、改过的归一化层、非标准后处理、为了推理吞吐写过的CUDA扩展。这些代码在原来的环境里可能已经被调到足够顺手，换到CANN后，就需要重新确认有没有对应实现，性能路径是否合理，精度行为是否一致。
华为在《构筑开放基础软件栈，共建昇腾AI算力新生态》中把CANN称为昇腾AI的异构计算架构底座。这个定位说明了它的边界：CANN负责把上层框架和昇腾硬件连接起来，但项目里的特殊算子，仍然要有人理解并改写。
这也是CUDA迁移最容易被低估的一笔账。模型工程师习惯在PyTorch里组合模块，系统工程师则要关心内存访问、算子融合、数据排布和编译链路。到了迁移阶段，这两类工作会被迫挤在一起。团队如果只有模型侧经验，排查会很慢；如果只有底层经验，又可能看不懂模型为什么这么写。
HCCL不是换个库名那么简单
单卡能跑，只能说明第一关过了。多卡、多机训练还要看通信。
在CUDA体系里，开发者更熟悉NCCL；到了昇腾体系，集合通信对应的是HCCL。名字可以类比，工程习惯却不能完全照搬。训练任务一旦涉及数据并行、张量并行或流水并行，梯度同步、参数广播、节点拓扑都会影响吞吐。代码层面只改几行接口，实际集群里可能要重新检查网络、进程绑定、设备映射和通信初始化。
这类问题最讨厌的地方在于，它不一定报错。任务能跑，但慢；日志正常，但吞吐不对；单机测试没问题，扩到多节点才暴露瓶颈。CANN开源后，用户可以更深入地看通信和执行路径，这是一件好事，但也意味着团队要承担更多底层判断。
如果公司只是想“把CUDA代码换个后端”，HCCL这一关会让预期迅速降温。迁移预算里最好单独给通信调优留时间，而不是把它塞进“环境配置”这种模糊项里。
工具链决定排障速度
迁移最怕两种情况：一是问题复现不了，二是复现了也不知道卡在哪里。
CUDA开发者长期依赖Nsight等工具定位性能瓶颈。昇腾侧也有Profiling、MSProfiler等工具，华为和鲲鹏昇腾开发者社区也在持续补文档、补案例。公开的社区页面里，已经能看到“从环境搭建到算子调试：CANN”等内容，也有“Porting Advisor”这类迁移工具解析。
这些材料说明，昇腾工具链正在补齐开发者入口。但对已有CUDA项目来说，工具存在和工具好用之间还有距离。团队要重新适应性能数据怎么看、算子耗时怎么拆、报错信息对应哪一层、版本依赖怎么锁定。尤其是训练框架、CANN版本、驱动、硬件固件之间的组合，不能只靠经验猜。
很多迁移项目的延期，不是因为某个大问题解决不了，而是每天都被小问题切碎：环境变量、依赖冲突、算子降级、精度差异、通信等待。单独看都不大，叠在一起就会吞掉研发节奏。
公开材料能证明需求，但不能替你完成迁移
从需求侧看，国产AI算力确实有明确背景。民生证券引用《昇腾计算产业发展白皮书》的材料称，从2012年开始的6年中，AI计算需求增加了30万倍；IDC测算显示，2021年中国智能算力规模达155.2 EFLOPS。算力需求增长、供应链安全、国产基础软硬件成熟，都会推动企业评估昇腾方案。
昇腾910C也因此被放到更多采购和适配讨论里。有媒体曾以“华为昇腾910C AI芯片：引领未来，2025年5月开启大规模供货”为题报道相关进展。对企业来说，问题已经不只是有没有国产卡可选，而是现有模型和工程体系能不能承接这次切换。
这里需要把两件事分开看。
采购部门关心的是算力成本、供货确定性和供应链风险。研发部门关心的是训练任务能不能跑、性能能不能调、问题能不能定位、上线节奏会不会被打断。前者可以用报价和合同讨论，后者必须用迁移验证回答。
迁移前，先列一张朴素清单
真正启动前，团队至少应该先问几个具体问题：
- 项目里有多少CUDA扩展、自定义算子和框架外代码？
- 这些算子在CANN侧是否已有替代实现？没有的话，谁来写、谁来测？
- 当前训练是否依赖NCCL特性？迁到HCCL后，通信拓扑由谁负责验证？
- Profiling、日志、性能基准是否能在昇腾环境里复现？
- 精度、收敛、吞吐的验收标准是什么？
- 迁移期间，模型迭代是否要暂停，还是保留CUDA环境并行推进？
这些问题不高级，但比一句“支持PyTorch适配”更接近工程现场。
CANN开源的价值在于降低黑箱程度，让开发者有机会深入昇腾软件栈。它改变的是可控性，不会抹平CUDA到CANN之间的经验差。对中型团队来说，迁移昇腾910C最现实的安排，是先选一个边界清楚的推理或训练任务试点，把算子、通信、工具链和版本管理跑通，再决定是否扩大到核心任务。
国产算力值得投入，但不能只按卡价做决策。CUDA迁到CANN，买到的是硬件资源，真正要补的是工程能力。
