昇思

定义

昇思是华为研发的开源深度学习框架，官方英文名为 MindSpore，定位为面向端、边、云全场景的 AI 计算框架，同时提供训练与推理能力^[4]。其设计目标可概括为易开发、高效执行与全场景覆盖三项：前端提供 Python 编程接口，后端则通过统一中间表达对接不同硬件^[5]。框架与昇腾系列 AI 处理器做了软硬件协同优化，同时也支持 GPU 与 CPU 等其他处理器^[6]。

在人工智能软硬件栈中，昇思处于算法与芯片之间：下层是 CPU、GPU、神经网络处理器等计算硬件，上层是各类 AI 应用与算法，框架负责把算法调度到硬件上执行并做性能优化^[7]。华为方面将人工智能框架类比为 AI 时代的操作系统与软件底座^[8]。

原理

昇思整体架构分为模型层、表达层、编译优化层与运行时四部分。模型层提供预置模型与领域套件；表达层即 MindExpression，给出 Python 前端接口并支持函数式与面向对象两种编程范式；编译优化层以统一中间表达 MindIR 为核心，完成与硬件无关和与硬件相关的各类优化；运行时层负责对接底层硬件算子，并支持端、边、云协同部署^[9]。

自动微分是训练神经网络的基础。主流框架有两种实现路线：一种是操作符重载法，在运行时记录算子执行轨迹并依链式法则求导；另一种是代码变换法，在编译阶段把函数整体转换为微分形式^[4]。昇思采用基于源码转换（Source Code Transformation，SCT）的自动微分机制，函数被转换为中间表达，进而构成可在不同设备解析执行的计算图，因而动态图与静态图之间切换较为直接^[5]。

在分布式训练方面，框架支持数据并行、模型并行与混合并行，可手工配置切分策略，也提供自动并行能力，在策略空间中搜索较优的并行方案^[5]。按华为公开的技术说明，其自动并行采用算子切分的细粒度策略，将图中算子划分到不同设备上并行执行，开发者只需保证顶层接口的计算语义正确^[4]。此外，2.0 版本引入整图下沉执行，可将整个训练迭代编译为一张计算图下发到设备侧闭环执行，从而减少主机与设备之间的交互开销^[10]。

以单步训练为例，前向计算得到输出与损失，反向传播借自动微分求出各参数梯度，优化器再据此更新参数，三部分可被编译进同一张计算图：$\theta_{t+1} = \theta_t - \eta \nabla_\theta L(\theta_t)$。

发展历程

2019 年 8 月 23 日，华为在深圳发布 AI 处理器昇腾910，同时推出与之配套的全场景 AI 计算框架 MindSpore，当时宣布计划在 2020 年第一季度实现开源^[6]。发布会同时说明，该框架除昇腾处理器外也支持 GPU 与 CPU 等硬件。

2020 年 3 月 28 日，华为在开发者大会上宣布昇思 MindSpore 正式开源，代码托管于码云，昇思开源社区随之成立。此后版本按年度迭代：2020 年推出 1.0 版本，2021 年推出原生支持大模型开发的 1.5 版本，2022 年发布侧重易用性提升的 1.8 版本^[11]。

2022 年华为全联接大会上，昇思 MindSpore 2.0 升级为 AI 融合框架，原生支持科学智能^[12]。2023 年 6 月 16 日，昇思 MindSpore 2.0 正式发布，同期成立昇思开源社区理事会，并启动上海昇思 AI 框架与大模型创新中心^[13]。2024 年 12 月 14 日，昇思人工智能框架峰会在北京召开，会上 18 家单位发布了基于昇思原生开发的大模型成果^[14]。

应用

昇思被用于大模型开发与训练。按 2024 年 12 月峰会公布的数据，昇思已孵化并支持 50 多个国内外主流大模型，开源版本累计下载 1100 万次，覆盖 130 多个国家和地区，社区开发者超过 3.7 万名^[3]。配套的大模型套件包括面向训练的 MindSpore Transformers、支持低参微调的 MindSpore PET，以及用于强化学习对齐的 MindSpore RLHF 等^[15]。

在工业与科研场景中，流体仿真套件被用于气动设计。中国商飞与昇思团队合作的三维超临界机翼流体仿真大模型“东方·翼风”，可在翼型几何与来流参数变化时快速预测流场及升阻力，用于辅助飞机气动设计^[7]。科学计算方向还推出了电磁仿真套件 MindSpore Elec、分子模拟套件 MindSpore SPONGE 与流体仿真套件 MindSpore Flow^[16]。

行业侧的应用集中在金融、工业、互联网、电信、能源与交通等领域，昇思方面称联合生态伙伴形成了超过 2000 个解决方案^[3]。人才培养方面，昇思与多所高校合作开设课程与暑期学校，例如 2021 年联合国深圳湾实验室、北京大学等单位开设了基于人工智能的分子模拟课程^[8]。

局限

昇思的性能优化与昇腾硬件绑定较深，在非昇腾平台上优势有限，部分特性还需要对应的驱动与软件栈支持^[17]。其静态图执行方式在带来编译优化空间的同时，也使调试和动态控制流的处理相对复杂^[17]。

生态规模是另一项约束。与长期积累的主流框架相比，昇思的社区规模、第三方库与预训练模型数量较少，细分领域的模型可能需要自行实现^[17]。由于框架自有独立的模型定义、算子扩展与调试工具链，已有工程迁移时需评估算子覆盖度与持续跟随成本^[18]。

学术生态方面，有第三方统计显示昇思在论文代码库中的占比低于 PyTorch 与 TensorFlow，产业与学术影响力仍在积累中^[19]。也有研究对主流深度学习框架的缺陷报告做过分析，指出在支撑大语言模型时，框架普遍存在分布式训练失败、显存溢出与数值误差等问题^[20]。

参见

• 昇腾 —— 昇思主要适配的华为 AI 处理器系列，两者做了软硬件协同优化。

• PyTorch —— 另一主流深度学习框架，采用操作符重载式自动微分，常被用于与昇思对比。

• TensorFlow —— 较早推出的主流深度学习框架，工业部署积累较多。

• 自动微分 —— 昇思训练能力的核心技术机制，采用基于源码转换的实现方式。

• 大语言模型 —— 昇思重点支持的一类模型，涉及分布式并行与推理优化。

• 科学计算 —— 昇思 2.0 起原生支持的方向，配套有多个仿真与分子模拟套件。