2026年6月，新浪新闻一篇报道提到，已发布的昇腾910C完成了1.6万亿参数大模型全参数后训练。报道给出的判断是，国产芯片由此从“能推理”跨到“能训、稳训优”的阶段。
这句话听起来像产业节点，落到开发者手里，问题会具体得多：原来跑在CUDA和PyTorch环境里的模型，迁到昇腾之后，最先暴露的往往不是芯片算力不够，而是算子、通信和精度这几处基础工程能不能对上。
华为在《构筑开放基础软件栈，共建昇腾AI算力新生态》中介绍，CANN（Compute Architecture for Neural Networks）是昇腾AI基础软硬件平台中的异构计算架构。也就是说，模型能否在昇腾上稳定跑起来，CANN不是旁支工具，而是底座。
算子适配，比改几行代码麻烦
从CUDA迁到昇腾，很多工作看上去像框架迁移，实际更接近执行逻辑重排。
在成熟的CUDA环境里，常见框架和算子库之间已经形成了很长时间的默认配合。开发者调用PyTorch或TensorFlow算子，底层映射通常不需要太多额外处理。换到昇腾环境后，CANN负责承接计算图、算子编译和执行，原有模型里那些非标准算子、自定义算子、复杂索引操作，就可能成为第一批卡点。
标准算子相对好处理。比如Conv2D、MatMul这类基础计算，CANN已有对应支持和优化。难点通常出现在模型里被业务团队长期改造过的部分：非标准激活函数、自定义归一化、特殊的数据重排，或者为了适配旧训练流程写下的局部算子。
这类问题不能简单理解成“接口名不一样”。有些模型可以勉强跑通，但性能不稳；有些模型在单卡测试时问题不明显，放到多卡或多机后才开始暴露。开发者真正需要确认的是：哪些算子被CANN原生支持，哪些需要通过ATC（Ascend Tensor Compiler）等工具做编译适配，哪些需要回到模型侧重写。
一个更稳妥的迁移顺序，是先把标准模型和标准算子跑通，再处理自定义部分。直接照搬CUDA侧实现，容易把问题混在一起：算子没对齐、数据搬运不合理、精度策略不一致，最后很难判断瓶颈到底在哪里。
CANN的价值，也体现在排错阶段
华为技术文章把CANN称作昇腾创新底座，这个说法对工程团队有现实含义。芯片性能只是上限，CANN决定了开发者能不能摸到这个上限。
迁移过程中，Profiling工具很关键。它能帮助团队看到算子耗时、数据搬运和执行链路，而不是只盯着训练总时长。很多性能问题并不来自某个算子“太慢”，而是Host和Device之间的数据传输过于频繁，或者计算图没有按预期融合。
这也是国产算力规模化部署里容易被低估的地方。采购芯片和服务器是一笔显性投入，算子库适配、训练脚本改造、Profiling排查、精度校验，是另一笔持续投入。前者在预算表上清楚，后者常常藏在项目周期里。
民生证券研究院引用《昇腾计算产业发展白皮书》提到，从2012年开始的6年中，AI计算需求增加了30万倍；IDC测算，2021年中国智能算力规模达155.2 EFLOPS。需求上来之后，算力平台不可能只服务少数标准模型。越多行业模型进入训练和推理环节，算子适配的细碎问题就越难绕开。
多机训练，HCCL配置不能靠默认值
单机能跑，不代表集群能跑顺。
在昇腾多机分布式训练里，HCCL（Huawei Collective Communication Library）承担集合通信任务。模型参数同步、梯度通信、节点间协同，都要经过这一层。通信配置如果没有和实际网络拓扑对应好，算力堆上去了，训练效率也可能被同步等待吃掉。
这类问题在大模型训练里更明显。参数规模越大，通信越频繁，节点之间的同步成本越容易放大。此时需要检查的不只是训练脚本，还包括rank配置、device映射、网卡状态、交换机链路以及HCCL相关环境参数。
深圳光明大装置算力服务支撑平台采购项目提供了一个行业侧信号。国际电子商情报道，中国政府采购网公示的该项目中，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”。这说明国产算力正在进入更大规模的基础设施采购，但采购完成只是开始，后续能否稳定服务训练任务，仍取决于软件栈和集群调度能力。
对开发团队来说，HCCL最好不要等到训练中断后再排查。启动正式训练前，先做通信测试、确认设备和rank关系、检查网络连通性，比在长任务中途定位问题成本低得多。
精度对齐经常被放到最后，其实不该
算子和通信之外，还有一个容易晚发现的问题：精度。
昇腾910C支持FP16、BF16等精度格式。迁移时如果只追求“先跑起来”，可能会直接沿用原训练脚本里的混合精度策略。但不同硬件、不同算子实现下，数值表现并不总是完全一致。Loss曲线异常、梯度溢出、收敛速度变化，都可能和精度策略有关。
尤其是大模型训练，精度问题不一定在前几百步就清楚暴露。它可能表现为训练不稳定，也可能表现为最终效果偏差。相比事后回溯，迁移初期就把FP16、BF16、关键算子的输出差异纳入验证，会省下很多返工。
这里的重点不是简单判断哪种精度“更好”，而是让精度策略和模型结构、训练目标、硬件实现保持一致。推理阶段如果再引入量化，验证链路还要继续往后延伸。
910C的看点，不止在单卡参数
关于昇腾后续路线，新浪新闻报道提到，华为公布了明确规划：2026年Q1推出昇腾950PR，2027年Q4推出昇腾960，2028年Q4推出昇腾970，并提出“一年一代、算力翻倍”。同一报道还称，昇腾950PR单卡推理性能达英伟达对华特供版H20的2.87倍。
这些信息会让市场把注意力放在硬件迭代上。但对真正要迁移模型的团队来说，判断标准会更朴素：现有模型能不能改得动，训练能不能稳定跑，排错资料够不够，遇到非标准算子时有没有替代路径。
华为在基础软件栈文章中强调开放的基础软硬件技术栈，以及结合业界反馈迭代能力组件。这个方向是必要的。国产AI算力要承接更多训练任务，不能只靠芯片迭代，还要靠开发工具、算子库、框架适配和社区反馈一起补齐。
迁移策略要收窄，不要一上来全量替换
对企业和开发者来说，昇腾910C值得关注，但迁移不适合用“一步到位”的方式推进。
更现实的做法是先选一个结构清楚、算子相对标准的模型，验证CANN环境、算子覆盖、HCCL通信和精度策略。等这条链路跑顺，再处理自定义算子和复杂训练任务。这样做不激进，但能把风险拆开。
昇腾910C完成1.6万亿参数大模型全参数后训练，说明国产芯片已经进入高端训练场景的讨论中心。下一步的关键，不是再证明“能不能跑”，而是让更多模型以可控成本跑稳、跑顺。算子兼容层、通信配置和精度对齐，正是这段路上最先要补的工程账。
