目录

MindSpore：全场景 AI 框架的技术突破

核心技术架构与创新

从科研到产业的全场景适配

CANN：异构计算的效能引擎

技术架构与核心能力

从云端训练到端侧推理的全场景支持

软硬协同：构建昇腾生态的技术闭环

技术栈的深度协同

应用场景的协同价值

生态价值与技术展望

---

在人工智能技术快速迭代的今天，框架与底层计算架构的协同优化成为释放硬件算力的关键。华为昇腾生态通过 MindSpore 全场景 AI 框架与 CANN 异构计算架构的深度协同，构建了从算法设计到硬件执行的全栈技术体系。这两大核心组件不仅各自实现了技术突破，更通过 "软件定义算力" 的理念，为大模型训练与推理提供了高效、灵活且自主可控的技术底座。

MindSpore：全场景 AI 框架的技术突破

MindSpore 是华为自主研发的全场景深度学习框架，旨在为 AI 开发者提供从科研探索到产业落地的端到端支持。作为昇腾生态的上层软件核心，MindSpore 以 "易用性、高效性、安全性" 为设计原则，构建了兼具开发灵活性与运行高效性的技术体系。

核心技术架构与创新

MindSpore 的技术核心体现在其独特的自动微分机制与编译优化能力上。不同于主流框架基于运算符重载或静态图转换的自动微分方案，MindSpore 采用基于源码转换的自动微分技术，通过对中间表达（IR）进行即时编译（JIT）变换，实现了可编程性与性能的双重优势。这种技术不仅能自然支持复杂流程控制、高阶函数和闭包等编程范式，还能复用现代编译器的优化能力，在保持动态图开发体验的同时获得静态图的执行效率。

编译优化模块（MindCompiler）是 MindSpore 性能的另一核心支撑。该模块以全场景统一中间表达（MindIR）为媒介，实现了硬件无关优化与硬件相关优化的深度融合。在硬件无关层面，通过自动微分、代数化简等技术优化计算逻辑；在硬件相关层面，则通过图算融合、算子生成等手段适配特定硬件特性。这种分层优化策略使 MindSpore 能够在昇腾 NPU、CPU、GPU 等多种硬件上高效运行。

针对大模型训练的核心需求，MindSpore 提供了丰富的高阶函数支持，如 vmap（向量化变换）、shard（分布式并行切分）等。这些函数经过内部编译优化后，能够自动生成针对用户函数的优化版本，大幅降低分布式训练的编程门槛。开发者无需深入掌握并行计算细节，即可实现复杂的分布式训练策略，这为大模型的普及应用提供了关键支撑。

从科研到产业的全场景适配

MindSpore 的全场景能力体现在其对端、边、云全场景部署的支持，以及从模型开发到部署的无缝衔接。在医疗健康领域，深圳大学智睡芯安团队基于 MindSpore 构建了阻塞性睡眠呼吸暂停综合征的辅助诊断系统，通过创新的多位点分割和气道模拟仿真技术，实现了 CT 影像中腺样体肥大区域的精准分割。该团队结合 CNN 和 Transformer 架构，在 MindSpore 框架下设计了三维分割网络，针对边界模糊的医学影像难题，最终在验证集上实现了 91.89% 的分割精度（DSC），为医生提供了量化的术前规划依据。

在科研创新领域，MindSpore 通过动态图与静态图的统一编程范式，解决了传统框架 "动态图易调试但性能低，静态图性能高但开发难" 的痛点。开发者可以在调试阶段使用动态图模式快速验证算法思路，在部署阶段切换至静态图模式获得最优性能，这种 "一键切换" 能力显著提升了研发效率。

针对产业级应用需求，MindSpore 提供了完善的模型安全与隐私保护机制。通过联邦学习、差分隐私等技术，在保障数据安全的前提下实现模型协同训练，这在金融、医疗等数据敏感领域具有重要价值。太保科技的保险大模型案例中，MindSpore 的安全训练能力与高效推理支持，为智能保顾场景的商业化落地提供了关键技术支撑。

CANN：异构计算的效能引擎

如果说 MindSpore 是昇腾生态的 "大脑"，那么 CANN（Compute Architecture for Neural Networks）就是连接大脑与肌肉的 "神经中枢"。作为华为面向 AI 推出的端云一致异构计算架构，CANN 承担着将高层算法意图高效映射到底层硬件的核心职责，是释放昇腾 NPU 算力的关键技术底座。

技术架构与核心能力

CANN 的核心价值在于其硬件抽象与资源协同调度能力。该架构构建在底层硬件驱动和优化计算库之上，面向华为自研的达芬奇架构 NPU 计算核心，提供了统一的编程接口与工具链。通过 Ascend C 自定义算子编程语言，开发者可以实现一次开发、多端运行的跨设备部署，大幅降低了异构计算的开发门槛。

算子优化是 CANN 性能的核心支撑。2025 年推出的 MLAPO（MlaPreprocessOperation）算子是这一能力的典型代表，针对 DeepSeek 系列模型的 MLA（Multi-Head Latent Attention）架构，将预处理阶段的 13 个小算子融合为一个超级大算子，通过 Vector 和 Cube 计算单元的并行处理及流水优化，将计算耗时从 109us 缩减至 45us，带来整网性能 20%+ 的提升。这种算子融合技术通过消除小算子的调用开销和数据传输成本，显著提升了计算密集型任务的执行效率。

CANN 的自适应调度能力使其能够智能应对复杂的计算环境。该架构能自动识别运行环境的计算能力，对神经网络进行自适应子图拆分和设备协同调度，在 NPU、CPU 等不同硬件间合理分配计算任务。在没有 NPU 的环境中，也能通过 CPU 提供基础计算能力，保证了算法的广泛适用性。

模型轻量化技术是 CANN 面向端侧场景的重要创新。通过校准或重训练等方式，CANN 能自动将预训练模型优化为满足业务精度要求的更小更快模型，在提升推理速度的同时降低内存和电量消耗。这一能力使 AI 模型能够高效运行在手机、物联网设备等资源受限的端侧环境中。

从云端训练到端侧推理的全场景支持

在云端大模型推理场景中，CANN 通过深度优化的算子库与内存管理策略，为超大规模模型提供了高效运行环境。针对 DeepSeekV3-671B 等超大参数模型，CANN 通过 PagedAttention 算子适配和 MLAPO 算子融合等技术，显著降低了 KV Cache 开销，使模型能够更好地适应长上下文任务并提高推理准确性。这种优化不仅提升了单一模型的推理效率，更为大模型的产业化应用提供了可行性。

在端侧智能场景中，CANN 为鸿蒙生态设备提供了统一的 AI 运行环境。通过协同调度设备的 NPU、CPU 等硬件资源，CANN 在提升计算效率的同时尽可能降低资源消耗，使智能手表、智能家居等设备能够本地运行 AI 模型。这种端侧智能能力不仅减少了对网络的依赖，还保障了用户数据的隐私安全，为智能交互提供了快速响应的技术支撑。

在医疗影像分析等 precision-critical 场景中，CANN 与 MindSpore 的协同优化发挥了关键作用。深圳大学的腺样体分割系统通过 MindSpore 定义的网络结构，经 CANN 优化后在昇腾硬件上实现了高效推理，其三维分割精度达到临床应用标准，验证了昇腾软硬件协同的技术实力。这种协同优化能力使复杂的医学影像分析任务能够在本地高效完成，为医疗设备的智能化升级提供了可能。

软硬协同：构建昇腾生态的技术闭环

MindSpore 与 CANN 并非孤立存在，而是通过多层次的协同机制形成了完整的技术闭环。这种协同不仅体现在接口兼容层面，更深入到技术理念与优化策略的深度融合，共同构成了昇腾生态的核心竞争力。

技术栈的深度协同

在算子优化层面，MindSpore 的图算融合能力与 CANN 的算子库形成了互补优化。MindSpore 在高层识别可融合的计算子图，CANN 则在底层实现硬件级的算子融合，如将卷积、池化、激活等操作合并为单一指令序列，减少数据在内存中的往返传输。这种跨层次的算子优化在 DeepSeek 模型中实现了 20% 以上的性能提升，充分体现了软硬协同的优势。

在内存管理方面，MindSpore 的内存复用策略与 CANN 的异构内存管理技术协同工作。MindSpore 在训练阶段通过参数分片、张量切片等技术优化内存使用，CANN 则在底层实现昇腾 NPU 的 HBM 内存与片上缓存的高效调度，两者结合使万亿参数模型的训练成为可能。在多模态超长序列生成场景中，这种协同机制支持了 230k + 序列长度的高效计算，计算效率（MFU）保持在 36% 以上。

针对分布式训练场景，MindSpore 的并行策略与 CANN 的通信优化形成了端到端解决方案。MindSpore 支持数据并行、张量并行、流水线并行及混合并行等多种策略，CANN 则通过灵衢高速互联协议优化节点间通信，将多机多卡通信延迟降低 50% 以上。这种协同使昇腾集群在超大规模 MoE 大模型训练中实现了 30% 以上的计算效率，解决了稀疏模型 "专家闲置" 的行业难题。

应用场景的协同价值

在大模型全生命周期管理中，MindSpore 与 CANN 的协同构建了从训练到推理的无缝衔接。MindSpeed 训练加速库基于 MindSpore 构建的模型，可直接通过 CANN 的模型转换工具链生成推理格式，无需额外的格式转换步骤。在 Qwen3 等模型的 0Day 适配中，这种原生兼容性实现了 "训练完成即部署可用" 的高效开发流程。

医疗健康领域的应用充分体现了这种协同价值。深圳大学团队基于 MindSpore 开发的腺样体分割算法，通过 CANN 的离线编译优化后，在昇腾硬件上实现了高效推理。CANN 将神经网络算子编译成 NPU 专用 AI 指令序列，并对数据和权重进行重新排布，使模型在保持 91.89% 分割精度的同时，实现了满足临床需求的实时响应性能。

在强化学习闭环场景中，MindSpore 的 veRL 框架与 CANN 的推理加速形成了高效迭代机制。MindSpore 在训练阶段将 RLHF（人类反馈强化学习）步数压缩至传统方案的 1/10，训练完成的模型经 CANN 优化部署后，可快速收集用户反馈数据回流至训练环节，形成 "训练 - 推理 - 反馈" 的完整闭环。这种机制在智能对话系统等场景中，大幅缩短了模型迭代周期。

生态价值与技术展望

MindSpore 与 CANN 的协同发展不仅推动了昇腾生态的完善，更在国产 AI 技术自主可控方面具有战略意义。不同于国外生态中框架与硬件的强绑定关系，昇腾生态通过 MindSpore 的开源开放与 CANN 的硬件抽象，为开发者提供了更灵活的技术选择。

在大模型技术快速演进的背景下，这两大组件持续迭代创新。MindSpore 正不断增强对动态控制流、大规模分布式训练的支持，而 CANN 则通过 MLAPO 等创新算子持续提升推理效率。随着昇腾 950 等新一代硬件的推出，MindSpore 与 CANN 的协同优势将进一步放大，为万亿参数模型的训练与推理提供更强大的技术支撑。

从产业应用角度看，MindSpore 与 CANN 的组合正在赋能越来越多的行业创新。在金融领域，通过两者协同优化的风险预测模型实现了更高的预测精度与计算效率；在制造领域，基于昇腾生态的视觉检测系统提升了产品质量控制的准确性；在智慧城市领域，端云协同的 AI 解决方案通过 CANN 的异构计算能力实现了边缘设备的高效智能分析。

MindSpore 与 CANN 作为昇腾生态的双支柱，通过软件与硬件的深度协同，构建了从算法设计到硬件执行的全栈技术体系。这种协同不仅实现了各自技术优势的最大化，更通过 "1+1>2" 的生态效应，为人工智能的科研创新与产业落地提供了高效、灵活且自主可控的技术底座，推动国产 AI 生态迈向新的高度。