国产GPU（昇腾、寒武纪）软件生态现状：能不能直接用？
一、核心答案
国产 GPU 能不能用，卡在软件生态：框架适配、算子支持、驱动稳定性。昇腾、寒武纪、沐曦等各有适配清单，选型前先验证自己的模型能不能跑通，再谈采购。
二、为什么软件生态是国产GPU的关键问题
GPU 好不好用，一半看硬件，一半看生态。NVIDIA 的 CUDA 发展了近二十年，PyTorch、TensorFlow 官方默认支持，所有模型开箱即跑，出了 bug 满世界都是资料。国产 GPU 走的是兼容路线：提供 CUDA 兼容层，让已有代码尽量不改就跑。
兼容层解决"能不能跑"，但跑得好不好是另一回事。算子覆盖不全、性能没优化到位，都会导致某些模型跑不动或者效率低。这就是大家说的"适配"问题。
三、具体怎么看适配情况
评估适配情况看三层：框架层、算子层、驱动层，三层都过了才算真正可用。
看框架支持
昇腾有 CANN 和 MindSpore，也支持 PyTorch 2.x 的 torch_npu 插件；寒武纪有 PyTorch 适配版。优先选官方维护的适配版本，社区第三方适配要谨慎。
看模型适配列表
确定你要跑的模型，先查适配列表。主流大模型大多有官方或厂商适配，小众模型、最新模型往往落后几个月。
看性能对比
别只看"能不能跑"，要看同样任务的吞吐和延迟。拿你的真实业务跑 benchmark，比听宣传实在。
四、不同场景下怎么选
不同需求对生态要求不同：合规项目优先适配清单，性能项目做实际测试。
信创合规需求
政策要求国产化的场景，昇腾等是主流选择。提前做 PoC（概念验证），把核心模型跑通、性能测出来再规模化。
普通 AI 业务
没有合规压力的话，先把模型适配难度和性能差距算进成本里。如果团队没有适配经验，直接用 NVIDIA 生态更快更省。
混合部署
很多企业走"英伟达为主、国产为辅"的路线，核心业务跑 NVIDIA，合规或试点场景跑国产。租赁市场也提供这种混合选择。
如果已经在评估国产算力，可以先在 JYGPU 上看看昇腾 910B 等机型的实际配置和适配说明，做小规模测试再决定。查看 JYGPU 算力机型
五、常见问题
大部分不用大改，装上 torch_npu 并把设备改成 npu 就行。但个别算子可能不支持或性能差，需要针对性改写。建议先跑通再评估性能。
硬件算力上差距在缩小，但实际性能要看软件优化程度，不同模型差异很大。别信单点宣传，拿自己的任务实测。