当算力竞赛进入深水区：昇腾为何拒绝“捷径”？

AI 行业的浪潮从未停歇。从大模型的爆发到 Agent 应用的井喷，技术热点的切换速度令人目不暇接。然而，在表层喧嚣之下，一个底层趋势愈发清晰：模型规模的指数级增长、调用频率的持续提升以及应用复杂度的不断攀升，正合力推高对算力的渴求。当单纯依靠堆叠硬件已难以为继，开发者开始寻求一套成熟、稳定、覆盖全链路的体系作为支撑——这正是 CUDA 在过去十余年里构建起的坚固护城河。它不仅提供算力，更定义了从编程模型到部署流程的完整标准。

在这样的背景下，一个关键问题浮出水面：面对 CUDA 生态的闭环优势，后来者究竟该选择兼容并蓄，还是另起炉灶？华为昇腾团队给出了自己的答案：不做 CUDA 兼容层，坚持构建自主体系。

从“能跑起来”到“体系重构”：底层逻辑的质变

在 AI 基础设施发展的早期，核心目标是“能不能跑起来”。那时的评判标准相对简单：框架是否可用、性能指标是否达标。但随着大模型进入工程化与规模化阶段，系统瓶颈已从“单点能力不足”转向“整体链路是否匹配真实负载”。

以 DeepSeek V4 的首发适配为例，其背后反映的正是这一深层转变。面对长序列带来的访存压力、低精度训练成为主流、MoE 等复杂架构的涌现，传统的软件优化或算子补丁已无法根本解决问题。昇腾团队意识到，若底层结构不改变，上层生态便难以真正建立。

这一认知促使昇腾在 2025 年前后“痛下决心”，不再围绕局部问题修修补补，而是从芯片与系统底层重新设计。最新一代昇腾 950 芯片在多个维度实现突破：编程模型更贴近主流并行计算范式，降低开发迁移成本；引入细粒度访存机制，减少大模型场景下的无效带宽消耗；提前支持 FP8 等低精度计算，提升吞吐能力以支撑更大模型规模。有客户在测试不到一周后便做出下单决策，足见其实际效能已获市场认可。

为何不选择“CUDA 兼容层”？一场关于自主权的博弈

面对 CUDA 生态的成熟与稳定，最现实的路径似乎是构建兼容层——通过接口对齐与生态复用，降低开发者迁移门槛。这是一条常见且高效的路，但昇腾却选择了另一条更艰难的道路。

华为张良在分享中直言：“如果基于 CUDA 来做，那我们做的一切生态发展，都无法彻底自主。”这句话揭示了问题的本质：技术依附意味着主动权的丧失。一旦核心体系建立在他人的标准之上，无论投入多少工程资源，最终强化的仍是原有系统，而非自身能力。

更深层的问题在于技术演进的主动权。当关键能力受限于既有框架，新特性难以落地，长期积累更无从谈起。张良指出：“一旦出现危机的时刻，这一套体系做不到，你的特性在里面就没了。”这里的“特性”，不仅是具体功能，更是体系持续演进的空间与可能性。

因此，昇腾采取了一种“分层处理”的策略：在虚拟指令集、编译器、运行时等底层关键环节坚持自研，确保技术自主；而在开发接口与使用方式上，则主动适配主流框架（如 PyTorch、TensorFlow），使开发者能在熟悉的环境中无缝使用昇腾系统。这种“底层独立、上层对齐”的思路，既避免了生态割裂，又保障了长期演进的自主性。

通用架构的远见：不止于“跑得更快”

在专用加速芯片兴起的背景下，针对特定场景深度优化往往能带来短期效率优势。但昇腾团队明确表示，并未沿此路径推进，而是坚持通用架构方向。原因在于：如果系统能力被限定在特定场景中，就很难形成外溢效应，也无法支撑多样化应用的持续增长。

这一选择背后，是对 AI 发展规律的深刻理解。模型形态持续演化，负载类型不断扩展，开发范式也在快速迭代。一套真正有生命力的基础设施，必须能够承载这些变化，而非仅服务于当下。昇腾的目标，不是让模型“跑得更快”，而是构建一个能够随 AI 演进不断成长的体系。

从 DeepSeek V4 的首发适配可见，昇腾正在用实际行动证明：放弃兼容 CUDA 的“捷径”，并非退而求其次，而是一次围绕“体系”的重构。这场竞争，早已超越算力性能的比拼，进入生态自主与长期演进的深水区。

标签： AI基础设施 昇腾生态 CUDA替代 自主架构 大模型算力