过去几年，AI产业的叙事重心始终围绕两个关键词打转——算力和模型，前者决定了规模上限，后者决定了智能上限。
但在实际的工程落地中，影响模型“能否跑得动、跑得稳、跑得久”的因素，不只有算力性能和模型参数。位于底层硬件和模型框架之间的计算架构，扮演了不可或缺的角色。
在英伟达的体系里，主要由CUDA担纲，把GPU的复杂性封装成了一套可调用、可复用、可规模化的计算体系，几乎成了事实上的并行计算产业标准，形成了一个封闭、单一厂商主导的技术生态。
在华为昇腾的体系里，对标CUDA的是CANN，同样是一个承上启下的计算架构：向上对接昇思MindSpore、PyTorch、TensorFlow等主流AI框架，对下使能NPU为核心的昇腾系列硬件产品。
有别于CUDA的封闭，CANN的主张是开源开放。特别是在8月份宣布全面开源开放后，每个月都有新的组件开源。
9月30日，算子库、CATLASS算子模板库等项目全面开源；
10月30日，领域加速库、单边通信库等项目开源；
11月30日，Ascend C编程语言全面开源；
12月30日，运行时、图引擎、集合通信库等项目开源，按计划实现CANN 匹配A2/A3版本的全面开源开放。
由此产生的一个问题是：走封闭路线的CUDA，被视为英伟达最强大的“护城河”，CANN为何做出了反向战略选择？
01 从“能用”到“敢用”，破解产业落地的信任天花板
答案藏在产业一线的“焦虑”中。
在和CTO、开发者的交流中，每次谈到AI在产业中落地的话题时，普遍会涉及两个问题：
一是对“黑盒”的恐惧。
传统的AI开发过程中，硬件底层对于上层应用往往是一个“黑盒”，只能通过有限的接口进行交互，就像一辆无法打开引擎盖的汽车，可以踩油门、打方向盘，但对引擎的内部结构一无所知。
切换到大模型训练的语境下，当训练速度不理想，或者出现精度溢出等问题时，开发者无法判断问题究竟出在算法层面，还是底层算子的调度上，只能被动求助硬件厂商，失去了主动权和效率。
二是对“捆绑”的抗拒。
一旦选择某个计算平台，常常意味着和平台的深度绑定，模型、算子、工具链、工程经验等，都会被固化在计算生态中。
某种程度上也是英伟达“绝不会将CUDA开源”的底气：开发者想要在GPU上实现高效的并行计算，必须要适应CUDA生态，想要转向其他计算平台，代价则是昂贵的迁移成本，不可避免地需要重写代码、重学新工具，直接劝退了很多萌生“脱离”想法的开发者。
挑战封闭的最佳方案，正是开源开放。封闭生态近乎无解的两个“焦虑”，CANN却拿出了合理的方案。
针对“黑盒”，CANN的开源开放不是简单的“秀代码”，而是将算子库、通信库、编程语言、运行时等全量开源。
开发者以前只能开的跑车，现在有了全套的“发动机图纸”，可以深入到图优化、算子融合、内存调度等底层机制进行二次创新，模型移植、调试、性能分析的全过程“白盒化”。甚至不用局限于现成的工具和框架，可以根据自身需求进行深度定制和优化，实现更高的性能和效率。
针对“捆绑”，CANN的回答是架构解耦、分层开源开放，所有组件支持独立演进，实现分包独立升级。
从底层的硬件驱动、运行时到中间的编译器、编程语言，再到上层的各类计算、通信加速库，CANN的每一层都实现了物理上的松耦合。开发者无须像过去那样“牵一发而动全身”，可以根据业务需求，按需引入或升级特定的组件功能，大幅降低系统集成和定制开发的门槛，避免“被锁死”的风险。
如果说以前的CANN解决了“能用”的问题，让模型在自主算力上跑了起来。现在要解决的是“敢用”的问题：通过全面开源开放，实现了从“黑盒”到“白盒”再到全过程“透明”，可解释、可维护、可长期演进，以最大的诚意破解产业落地的信任天花板。
02 从“敢用”到“好用”，和千行万业开发者共建生态
产业落地远不是计算平台的终点。
一个繁荣的生态，不仅仅要满足“能用”“敢用”，还有另一个必须要回答的问题——是不是“好用”。
不少开发者对CUDA依赖甚至“上瘾”，并非是因为不可替代，而是CUDA体系的文档完善、示例丰富和庞大的开发者社区，在使用过程中遇到了问题，大概率能搜到答案。
CANN对“好用”有着更深的理解，试图走出一条新路。
路径一：提升开发易用性，以社区为阵地，构建全链路知识体系。
为了降低学习门槛，CANN投入了巨大资源打造开源社区，汇聚了开源、学习、活动等资源，给开发者提供了一站式直达体验。
在学习资源上，目前已线63门在线课程、22门微认证，涵盖从Ascend C算子开发入门到进阶的全流程。
在实战演练上，通过CANN训练营、昇腾AI算子挑战赛等活动以赛代练，比如CANN训练营已经开展了12季。
在文档支持上，开源社区提供了从单任务到场景化的知识体系，包括100+专题课程和10+场景化文档……
路径二：“放权”给开发者，人人都能参与，每个人都可以是贡献者。
打一个比方：CANN构建了一套颗粒度极细的“全栈积木系统”，让开发者不再是被动的“使用者”，而是拥有不同构建权限的“架构师”。
模型开发者可以直接调用封装好的算子库和通信库，省去打磨细节的时间，专注于上层建筑的宏伟设计。
算子开发者可以根据特殊需求，自行设计并制造出形状各异的高性能“异形砖”，解决通用件无法解决的难题。
深度发烧友可以对Runtime等底层资源管理能力进行极致调优，夯实最底层的“地基”，彻底释放硬件性能。
结果有何不同？
我们找到了两个有代表性的开发者故事。
第一个是哈尔滨工业大学的苏统华教授，他的团队基于CANN的Ascend C打造了昇腾NPU原生Numpy——AsNumpy，在Python层完全兼容Numpy API，用户无需额外学习成本，即可在昇腾NPU上实现高效的科学计算。
第二个是杭州天宽科技有限公司，依托CANN开发的“智能巡检场景算子库”，让巡检效率提升了3倍、停电事故率下降了30%、应急响应与维修效率提升了20%，打破了传统巡检模式安全、效率与成本的“不可能三角”。
倘若是封闭的体系，开发者大概率只能做调用接口的应用创新，无法对算子进行自定义扩展。
但在CANN的生态里，创新不再完全依赖平台，开发者能更充分地释放硬件潜能，千行万业的开发者都能成为生态的贡献者。即使是人数不多的高校科研团队、初创公司，也能参与到底层的创新和优化。
03 当“透明”成为前提，计算产业的运行规则正在改变
权力的重构往往伴随着规则的重塑。
CANN的全面开源开放，不只是“另一种实现路径”，也在悄然改变计算产业默认的运行规则。
在新一轮的AI浪潮中，竞争的焦点早已不是单纯的算力或算法，而是围绕软件、开发者与生态的博弈。CANN的全面开源，掀起了一场透明度革命，将对技术、生态、产业方向等产生深远影响。
在技术层面，从“黑盒”到“白盒”，将彻底改变AI开发模式。
站在开发者的立场上，底层机制不透明，只能依赖官方文档了解，在很大程度上被束缚了拳脚。
CANN的全面开源开放，让编译器、算子库、运行时等核心组件完全可见，开发者可以直接洞察硬件的运行逻辑，进行更深层次、更精准的性能优化，等于将创新的主动权交还到了每一位开发者手中。
相对应的就是开发门槛的降低。
以算子开发为例，过去的门槛高到不敢用，CANN开源了CATLASS算子模板库后，只需简单的参数配置，即可快速生成适配不同形状和精度的矩阵乘算子，大大提升了开发效率和灵活性。
在生态层面，从“封闭独奏”到“开放共治”，构建最大公约数。
一个计算生态的长期生命力，源于开放、透明和集体智慧。CANN的全面开源开放，正是遵循了这一逻辑。
譬如前面提到的天宽科技，除了AI智能巡检方案，还开源了具身智能巡检行业标准算子库，完成了从“使用者”到“贡献者”的转变。对于电力、工业等有具身智能巡检需求的开发者来说，有了开源的行业算子库，将进一步降低了软硬件适配的成本和难度。
当越来越多企业把自身的工程实践转化为可被复用的公共能力，计算生态的演进就不再依赖单点突破，而是通过不断扩大的最大公约数，推动整个产业走向成熟与繁荣。
在产业层面，从“平台主导”到“多元协作”，释放行业生产力。
创新的节奏不再被单个平台主导，产业分工或将从“上下游依附关系”，自发形成一个“能力协作网络”。
比如在能源、制造、交通等领域，瓶颈往往不在模型本身，而是算子效率、数据流转、实时调度等工程细节。CANN的全面开源开放，让行业可以围绕自身场景，对关键路径进行定制优化，不必等待平台版本演进，让算力更高效地转化为生产力。
开源开放的终极目的，无外乎为产业提供探索和创新空间。就这一点而言，CANN正在和千行万业双向奔赴。
毕竟一个计算生态的核心价值，不是限制开发者，而是赋能开发者，放大创新的杠杆效应；一个健康的计算生态，取决于能否降低创新的边际成本，能否让创新转化为产业生产力。
04 写在最后
一个计算体系被用于长期、关键、不可中断的生产场景时，不透明本身，就是最大的风险。
CANN的全面开源开放，本质上在做一件事，即消除“黑盒”，让底层机制可审视、可验证、可优化，把原本隐性的、不确定的风险，转化为工程上可定位、可控制、可协同解决的问题。
也让我们有理由相信，封闭终将让渡于开放，只有打破封闭的藩篱，形成创新合力，才能构建起坚固的数智化根基。
