大家好，我是小林。
聊到昇腾，很多人先想到的是芯片和超节点。但要把这些硬件的算力真正用起来，还离不开软件。
CANN 就是其中关键的一层，负责连接 PyTorch 等 AI 框架与昇腾硬件，让模型的计算任务在硬件上运行。
从 2018 年发布首个版本到现在，CANN 已经有了八年的技术积累。它开放了运行调度、算子开发、通信等核心组件和调优工具，开发者可以使用、修改，也能把优化成果贡献回社区。
这个社区如今发展到了什么程度？
据公开的信息，CANN 月活开发者突破 5200 多名，开源仓下载量超过六千万。超过一半的活跃贡献来自昇腾之外，社区活跃度位居国内 AI 开源社区第一。
这里更值得关注的是，越来越多外部开发者开始参与维护和优化，其他团队也能用上这些改进。开放的代码，正在变成大家一起建设的软件生态。
在这次华为全联接大会2026上，昇腾又带来了新一代超节点，以及 CANN 与 Mind 系列软件的新进展。
算力更强、代码更开放之后，开发者能不能更轻松地把这些算力用起来？环境能不能少折腾，算子开发和性能调优能不能更顺手？
今天就来看看，昇腾从「好用」走向「易用」，具体变在哪里。
────01｜AI 越强，开发体验为什么越重要？────
先说一个容易被忽略的问题，今天开发一个大模型应用，最费时间的环节到底是什么？
如果只是写一段业务代码，AI 编程工具已经能帮上不少忙。但项目进入训练和推理阶段以后，开发者很快就会碰到底层问题。框架版本、驱动、运行环境需要配套，模型中的新结构需要算子支持，集群跑起来以后还要定位通信、内存和性能问题。
这些工作单独看都不新鲜，麻烦在于它们连在了一起。前面一个版本没对上，后面可能连环境都跑不通。算子功能做出来了，性能又未必过关。到了百卡、千卡集群，日志和性能数据更是会迅速膨胀。
看到这里，估计有同学会问，底层技术本来就复杂，要求它「易用」会不会只是把复杂度藏起来？
我觉得不能这么理解。
「好用」更关注能力本身，比如模型能不能跑、性能够不够、结果稳不稳定。「易用」则把人的成本也算了进去，开发者需要学多少新知识，要做多少重复适配，出了问题能不能快速找到原因。
而且，这些工作很少做一次就结束。模型和算法不断迭代，新结构可能带来新的算子与适配需求。模型在本地部署之后，业务对响应速度、并发量和资源成本的要求，也会推动开发者继续调优。如果每次变化都要重新摸索，迭代的时间就会耗在这些基础工作上。这也是基础软件需要更易用的原因。
复杂度没有凭空消失，只是被工具、组件和经过验证的工作流接住了。开发者不必每次从零摸索，才算真正降低了门槛。
这也解释了为什么基础软件会成为这次昇腾开源开放的重点。算力再强，如果开发者要先穿过一片版本、算子和调优的丛林，硬件能力就很难快速变成模型和应用。
────02｜昇腾超节点为什么离不开基础软件？────
那昇腾超节点解决的是什么问题？
简单来说，大模型尤其是 MoE 模型越来越大，一张卡装不下，也算不过来，就要让更多计算节点一起工作。问题是，卡多不等于效率一定高。数据在不同节点之间来回传输，通信时延、内存分配和任务调度都可能拖慢整套系统。
超节点要做的，是把多个物理节点紧密连接起来，通过高速互联和跨节点统一内存编址，让它们在逻辑上更像「一台计算机」。开发者面对的不再是一堆彼此割裂的设备，系统也能统一管理计算、内存和通信资源。
这次华为全联接大会2026中，Atlas 950 SuperPoD 面向液冷数据中心和大规模模型训练、推理场景，继续抬高大规模算力的上限。
那已有的通用风冷机房怎么办？Atlas 850E 采用风冷形态，让企业无需先做液冷改造，也能部署超节点，降低了基础设施改造的门槛。
但硬件连在一起，只完成了第一步。
模型真正运行时，算子怎样调用计算单元，数据怎样搬运，任务怎样调度，训练与推理怎样协同，都需要基础软件共同配合。昇腾的基础软件包括 CANN、AI 框架和 Mind 应用使能层。开发者通过熟悉的 AI 框架组织模型计算，Mind 系列提供训练、推理和开发工具等支持，CANN 则负责连接框架与底层硬件。
CANN 可以理解成这套基础软件的基座。它向上支持 PyTorch 等主流 AI 框架，向下把计算任务交给昇腾硬件执行，覆盖驱动、运行时、算子编程、算子库、通信库和开发工具等环节。这次 CANN 开源开放的关键，也在这里。底层运行调度到上层编程开发的核心组件被打开以后，开发者和伙伴才有机会理解、使用和继续优化这些能力。
所以我更愿意把昇腾超节点和整套基础软件放在一起看。超节点解决「算力能做到什么」，基础软件解决「开发者怎样把它做出来」。少了后者，前面的统一内存和高速互联很容易停留在参数表里。
────03｜从好用到易用，具体变在哪里？────
说到「易用」，最怕的就是只剩下一句口号。
那不如沿着一个开发任务往下看。开发者刚接触一套计算平台时，第一道门槛往往不是写代码，而是找到正确的资料和版本组合。昇腾这次把资料入口按照训练、推理、推荐和算子等场景重新组织，同时提供智能搜索与版本配套查询。
这些变化听起来没有算力数字那么亮眼，但做过环境配置的同学应该懂。很多时候，真正消耗人的不是一个高难度问题，而是十几个「这个版本到底能不能配那个版本」的小问题。
现在不少开发者会把环境配置交给 Agent，但 Agent 也需要清楚的资料作为依据。昇腾把资料按场景组织起来，理清版本配套关系和操作步骤，既方便开发者查找，也有助于 Agent 读取、理解，并用于环境准备。资料设计对 Agent 更友好，也是在帮助开发者减少配置环境时的摸索。
再往下，就是更专业的算子开发。
算子可以理解成大模型计算里的基础积木。模型中的矩阵计算、激活函数和通信操作，最后都要落成硬件能够执行的算子。算法更新得越快，新的算子开发和适配就越频繁，这类工作过去又很依赖底层硬件知识和工程经验。
昇腾为 Agent 辅助开发提供了可复用的 CANNBot skills（ https://gitcode.com/cann/cannbot-skills），把算子开发等任务需要的专业知识和操作流程组织成技能模块。
开发者准备好相应运行环境，在 AI 编程工具中加载所需 Skills，就可以用自然语言描述算子需求，让 Agent 调用对应技能，参与需求分析、代码生成和迭代优化。
这类开发过程也不只留下最后一份代码。算子设计文档帮助开发者理解方案，生成的代码可以继续检查和修改，Agent 做过哪些优化也可以追溯。
你看，这里真正发生变化的，并不是把一个「生成代码」按钮放到开发工具里。
算子开发原本依赖专家脑中的经验。现在，这些经验开始被拆成模板、插件和 Skills，Agent 再按照任务去调用。开发者面对的入口从底层指令和复杂配置，变成了需求描述与过程确认。
这有点像 AI 编程从应用层继续往下走。以前 Agent 帮我们写接口、补测试，现在它开始参与环境配置、算子设计、编译和调优。越靠近底层，对结果可控性的要求就越高，所以只会生成还不够。
设计文档让开发者知道方案准备怎么做，代码可以继续检查和修改，优化过程能够追溯。说实话，我更在意这些能力，因为它们决定了 Agent 是一个黑盒代劳工具，还是一个可以协作的工程助手。
当然，易用也不等于所有人都能跳过专业知识。算子最终能不能正确运行，性能是否达到要求，仍然需要测试和验收。变化在于，开发者不用再从空白页面开始，也不用把时间都耗在重复操作上。
同样的思路也出现在工具链里。MindStudio Agent 用于算子、训练和推理场景的问题定位与调优，InSight 2.0 把 Agent 与可视化性能分析结合起来。百卡、千卡集群里的性能问题，过去要靠工程师逐条看日志、逐帧分析，现在工具开始帮助开发者从海量数据中定位瓶颈。
到这里，「从好用到易用」就不再抽象了。开发者可以沿用熟悉的框架，通过文档和版本工具减少准备成本，再让 Agent 参与高门槛任务，同时保留检查、修改和验收结果的入口。
────04｜开源共建，为什么比开放代码更进一步？────
看到这里，还有一个问题，工具做好了，跟开源共建有什么关系？
代码仓库公开，当然是开源的第一步。但开发者真正需要的，是这些代码能进入自己熟悉的框架和工具链，版本有人持续维护，遇到新模型、新算法时也能继续演进。
Mind 系列向开源社区贡献能力的三个例子，正好能把这件事讲清楚。
训练侧，MindSpeed 把 「AsyncFlow 异步流式RL 」特性贡献给强化学习框架 verl。据昇腾介绍，这一优化带来了近 2 倍的训练性能提升。这里沉淀下来的不只是一段实现代码，还包括昇腾在训练调度和并行优化上的经验。
推理侧，MindIE 把 PCP/DCP 算法贡献给 vLLM，昇腾给出的优化结果是首 Token 时延，也就是 TTFT，降低 50%。对推理服务来说，用户发出请求以后多久看到第一个 Token，会直接影响交互感受。这项优化进入 vLLM 以后，开发者可以沿着熟悉的推理框架使用它。
工具侧，MindStudio 把 Profiling 和可视化能力贡献给 verl，补上强化学习开发中缺少易用性能分析工具的环节。算法能跑是一回事，出了性能问题能不能看见、能不能定位，又是另一回事。
这三个例子分别落在训练、推理和开发调优，刚好构成了一条完整链路。
更值得关注的是能力流动的方向。过去讲生态适配，通常是让一套硬件支持更多框架。现在，昇腾也在把经过验证的亲和能力贡献回上游社区。开发者不必先离开原来的技术栈，再重新学习一套封闭工具，很多能力可以在熟悉的开源项目中直接获得。
这才是开源共建对「易用」的长期价值。
一个团队解决过的问题，经过整理、测试和上游贡献，可以变成其他团队的起点。框架、算法和工具在社区里持续被使用，问题也更容易暴露，改进结果还能继续回到下一轮开发。专业经验不再只留在少数专家和单个项目里。
据昇腾介绍，CANN 已累计开源 79 个仓库，开源代码超过 3700 万行。数字能说明社区规模，但我觉得更关键的指标，还是外部开发者能否用起来、改起来，并把改进继续贡献回来。
昇腾与 PyTorch 的合作也能看到类似方向。从单向支持适配框架，到 Ascend NPU上线 PyTorch 官网，再到测试与 CI/CD 全量共建，关系开始从单向适配走向深度共建。对开发者来说，这意味着昇腾能力已融合成日常使用的技术栈。
────最后────
回到开头那个问题，开发者要花多大力气，才能把算力真正用起来？
这次华为全联接 2026 上，昇腾超节点展现了更强的计算能力，而 CANN 与 Mind 系列软件的进展，让我们有机会从开发者的角度衡量这些能力。准备环境时能不能少走弯路，开发算子时有没有现成的模板和工具，遇到性能问题时能不能找到原因，这些都应该算进一套计算系统的竞争力里。
我觉得，昇腾从「好用」走向「易用」，最值得关注的就是这种变化。开发者可以借助已有的组件、Skills 和社区经验推进任务，把更多精力留给模型和应用本身。专业知识依然重要，但获得这些知识、把它们用到项目里的方式，正在变得更方便。
开源开放让这种变化有了持续积累的可能。一个团队做出的算子优化、一套调优方法，经过验证和社区共建，可以被下一个项目接着使用和改进。
对开发者来说，这样的生态才值得长期投入。今天解决的问题，能成为明天的起点，下一次面对新模型、新需求时，就能少做一些重复工作，多试一些自己的想法。
