2026年5月22日，以“心怀挚爱，共绽光芒”为主题的鲲鹏昇腾开发者大会2026在北京中关村国际创新中心举办。作为面向开发者和产业伙伴的重要年度会议，本次大会围绕Agentic AI时代的算力底座、基础软件、开源生态和开发者成长体系展开，集中呈现了昇腾在AI计算基础设施、CANN软件栈、Mind系列软件、Agent工具链以及开发者生态建设方面的最新进展。

在大模型训练、推理部署和智能体应用加速落地的背景下，AI开发者面对的不再只是单一框架适配或单点算子优化问题。模型规模持续增大，序列长度不断拉长，Agent应用又带来多轮推理、低时延交互、复杂工作流编排等新需求，算力平台的易用性、生态兼容性和工程化支撑能力，正在成为开发者选择技术路线的重要因素。围绕这些变化，昇腾在本次大会上传递出一个清晰方向：继续把“降低AI开发和落地门槛”作为长期投入重点，推动昇腾从“可用”进一步走向“好用、易用”。

开源开放持续深化，CANN生态从可用走向易用

在昇腾生态建设中，CANN是连接硬件能力与上层AI应用的关键底座。大会期间，昇腾围绕CANN开源开放、分层解耦、独立部署和生态兼容等方向释放出更明确的信号：未来昇腾基础软件不只是由厂商单向提供能力，而是要通过开源社区与开发者共同迭代，把问题闭环、特性开发和生态适配放到更加开放的协作体系中。

去年以来，昇腾持续推进全面开源开放战略。进入2026年，这一战略继续向更深层次展开。CANN在兼容、解耦、分层独立安装部署和升级等方面持续优化，开发者可以围绕自身场景更灵活地调用底层能力，而不必被一套封闭的软件交付方式限制。对于大型模型厂商、行业客户和中小开发团队来说，这种变化的意义在于，昇腾软件栈的使用方式正在向主流开源生态靠拢，开发者可以更容易地把已有算法、模型和应用迁移到昇腾平台上。

生态兼容是CANN易用性提升的核心方向之一。面向算子开发，昇腾兼容Triton、TileLang等开发者熟悉的生态语言和工具；面向AI框架，昇腾持续支持PyTorch生态；在训练加速领域，昇腾全面拥抱强化学习开源生态，从组件到框架与开源社区保持深度协同。目前，昇腾在强化学习方向已和8+社区建立官方合作，包含verl、slime等，同时积极参与社区贡献，围绕设备支持、特性支持、模型支持等累计合入超过万行代码，并获得多个社区maintainer名额；通过MindSpeed、PyTorch支持训练后端，通过vLLM Ascend、SGLang支持推理后端，并与社区共建CI/CD和recipe，构建更加完善的工程能力。在推理部署环节，vLLM、Mistral以及xLLM等生态软件也成为昇腾持续支持的重点。这样的布局并不是简单扩大适配名单，而是为了让开发者尽量保持原有开发习惯，减少从其他算力平台迁移到昇腾时的心智成本和工程改造成本。

对AI开发者来说，真正影响效率的往往不是某一个接口是否可用，而是整个开发链路是否顺手。模型能否快速跑通，算子缺口能否快速补齐，训练和推理性能是否有稳定的优化路径，出了问题能否找到案例和排查方法，这些都会影响平台是否能在真实业务中长期使用。围绕这些开发者关心的问题，昇腾今年在资料体系、开放案例和场景化优秀实践方面也进行了补强，面向预训练、推理部署、强化学习后训练、模型和算子调试调优等场景提供更多参考路径，让开发者在遇到问题时有资料可查、有案例可对照、有社区可反馈。

CANN底座做深，模型迁移的工程化路径更加清晰

随着大模型走向更复杂的训练和推理场景，算力平台能否承接主流模型，已经不再是单纯的硬件算力问题。算子覆盖、精度泛化、框架兼容、分布式训练能力、推理引擎适配以及性能调优经验，都会影响模型在平台上的真实落地效率。围绕这一点，昇腾在CANN底座上持续补齐工程化能力，为模型厂商和企业开发团队提供更清晰的迁移路径。

在模型运行链路中，底层算子是绕不开的基础能力。昇腾持续丰富CANN算子库，优化不同算子在性能和精度上的泛化性，使其能够覆盖更多类型模型的运行需求。与此同时，昇腾也在提升算子开发效率。对于需要深入底层进行精细控制的开发者，Ascend C仍然提供接近硬件的编程能力；对于希望快速完成自定义算子开发的团队，Triton、TileLang等生态语言的支持，则让他们能够沿用更加熟悉的开发方式，缩短从需求到可运行算子的时间。

在推理生态方面，昇腾持续加强对vLLM、Mistral、xLLM等主流推理软件的适配和贡献。对于许多大模型团队而言，这些软件已经是日常部署中的重要工具。如果算力平台能够在这些生态组件上保持较高特性支持度，并与社区形成稳定连接，模型迁移的阻力就会明显降低。开发者不需要重新搭建一套陌生的推理链路，也不需要把原有工程体系大幅推倒重来，而是可以在保留主要使用习惯的基础上，逐步释放昇腾硬件的加速能力。

性能优化是模型迁移能否真正进入生产环境的另一道门槛。大会期间，昇腾围绕并行策略组合、融合算子、MTP优化、计算通信并行、KV Cache管理等工程实践进行了介绍。这些能力不是停留在概念层面，而是被提前沉淀到软件版本和典型场景中，并经过研发团队持续验证。对于模型厂商而言，平台方能否提前洞察模型规模、序列长度、推理模式等技术变化，并在软件栈中准备好对应能力，直接影响模型发布后的适配效率和运行表现。

以万亿参数模型和长序列场景为例，模型规模扩大和上下文长度增长会带来更高的通信、访存和KV Cache管理压力。昇腾围绕超节点和CANN基础软件提前做技术储备，正是为了让这类模型在训练和推理阶段获得更高吞吐和更低时延。对于行业客户来说，这类工程化经验也具有参考价值：AI应用落地并不是把模型搬到新硬件上这么简单，背后需要从算子、框架、并行策略、调优工具到部署链路形成完整支撑。

Mind系列软件栈与Agent Skills升级，开发范式从手工调试走向智能辅助

如果说CANN承担的是基础软件底座角色，那么Mind系列软件栈则更多面向开发者的实际开发体验。围绕训练、推理、开发调试和工具链协同，MindSpore、MindSpeed、MindIE、MindStudio等组件持续升级，目标是在充分发挥昇腾硬件能力的同时，让开发者更容易获得平台加速能力。

在大模型开发中，开发者经常遇到的问题并不只是一段代码能否运行，而是如何定位算子不匹配、如何分析性能瓶颈、如何处理分布式训练问题、如何让推理链路更稳定。这些问题往往需要丰富的工程经验，以往更多依赖资深工程师手工排查。随着Agent技术进入开发工具链，昇腾开始把模型迁移、算子开发、训练推理调优等经验沉淀为可复用的Agent Skills，并将其与MindStudio等工具结合，让开发者能够通过更自然的任务描述和流程建议完成复杂开发操作。

这背后反映的是开发范式的变化。过去，很多底层适配和调优工作高度依赖开发者逐行阅读代码、理解底层接口和手工定位问题。对于经验不足的中小企业团队或行业客户来说，这种门槛往往较高。Agent Skills的价值在于，把昇腾内部研发经验、社区贡献经验和典型问题处理路径标准化，让智能化工具在开发者操作过程中给出更清晰的建议，例如哪些步骤优先执行，哪些参数需要检查，哪些调优动作更适合当前模型或部署场景。

在算子开发、模型迁移和调试调优过程中，Agent并不替代开发者做所有判断，而是把过去分散在专家经验、文档和案例中的知识，转化为更容易调用的工作流。开发者仍然掌握业务目标和工程决策，但可以减少重复搜索资料、手工比对案例和低效试错的时间。对于复杂环境，这种智能辅助的价值会更加明显，因为系统能够帮助开发者把问题拆成更清楚的步骤，并结合既有经验给出处理路径。

面向Agent应用本身，昇腾也在从另一个方向进行适配：让Agent在昇腾上运行得更好。智能体应用通常需要长上下文、多轮推理和频繁交互，一次任务可能包含多次模型调用，对时延和吞吐都有更高要求。随着强化学习后训练、工具调用、规划执行等能力成为Agent效果提升的重要环节，算力平台需要面向这类新负载做更有针对性的训练和推理优化。昇腾围绕Agent场景开放相关方法和工具，既是在帮助开发者利用Agent提升开发效率，也是在面向Agentic AI应用本身构建更适合的运行底座。

超节点面向大模型与Agent负载，支撑低时延和高吞吐需求

Agentic AI时代的算力基础设施，正在从单纯追求峰值算力，转向更加重视系统级协同。模型参数规模、上下文长度、KV Cache规模和多轮推理频次共同抬高了对互联带宽、内存容量、访存效率和调度能力的要求。昇腾超节点正是在这样的背景下被放到更重要的位置。

昇腾超节点的核心优势在于高带宽、低时延和系统级协同能力。面向万亿参数模型、兆级长序列以及Agent多轮推理场景，单卡能力已经难以独立解决全部瓶颈，卡与卡之间、节点与节点之间的通信效率会直接影响训练和推理表现。昇腾通过超节点架构、专家并行、内存语义、分级内存、计算通信并行等技术组合，试图在通信和访存两个关键瓶颈上持续突破。

在昇腾950代际产品上，昇腾进一步围绕带宽、容量和互联结构进行优化。相关信息显示，昇腾950在芯片能力上继续提升带宽和容量，并在系统层面优化超节点结构，提高卡间通信带宽和带宽利用率。超节点规模方面，昇腾支持64、128等不同规模形态，并可面向更大规模系统扩展。对于大模型训练而言，这类系统能力有助于提高并行训练效率；对于推理和Agent应用而言，高带宽与低时延则关系到响应速度和用户交互体验。

新代际产品对MXFP8、FP4等格式的支持，也体现了昇腾面向推理量化和效率提升的考虑。在大模型推理成本持续受到关注的情况下，更高效的数据格式和算力利用方式，有助于降低模型部署和运行成本。与此同时，昇腾950围绕带宽、容量、互联结构和编程支持持续优化，使开发者在新代际产品上能够获得更灵活的工程选择。

Agent负载对低时延的要求尤其突出。智能体不是单次问答，而是可能在一个任务中反复规划、调用工具、读取上下文并多次推理。每一次推理延迟都会叠加到最终用户体验中。大会交流中提到，部分客户已经把推理时延要求压到20毫秒甚至10毫秒以下，这对算力平台和软件栈都是挑战。昇腾希望借助超节点高带宽能力和内存语义等技术，更好地支撑这类低时延推理场景。

开发者生态升级，社区、认证、大赛和激励形成组合支持

开发者生态是本次大会昇腾释放信息最集中的方向之一。与过去更多依赖企业合作和商业交付不同，昇腾今年更加强调面向社区开发者的直接协同。随着软件全面开源，开发、问题反馈、代码贡献和社区治理都需要在开源社区中形成闭环。开发者不再只是工具使用者，也会成为生态能力共建者。

以CANN社区为例，去年底实现全面开源后，社区活跃度快速提升。目前，CANN开源社区月活开发者数量已超过3000，外部开发者参与度和贡献活跃度持续提升。这说明，昇腾开源并不是停留在代码开放层面，而是已经开始形成真实的外部开发者参与。对于基础软件社区而言，外部开发者能否持续参与问题反馈、代码贡献和社区治理，越来越能体现社区是否具备持续生长能力。

围绕开发者成长，昇腾今年推出了更系统的组合支持。开发者认证体系并不是简单发放证书，而是把“如何使用昇腾”整理成知识体系，帮助开发者以更清晰的路径学习平台能力。对于高校学生、个人开发者、企业工程师和伙伴技术团队来说，认证体系可以降低入门的不确定性，也方便企业识别和培养相关人才。

赛事体系也被重新整合。过去昇腾相关开发者比赛较为分散，今年则将区域、全国、全球赛事串联起来，形成更完整的系列赛机制，并面向海外开发者开放参与。赛事奖金池超过500万元，重点面向算子性能提升、加速库优化等方向，鼓励开发者把真实工程问题转化为可验证、可复用的创新成果。对于开源生态而言，大赛不只是展示能力的舞台，也是一种把开发者引入底层技术共建的有效方式。

在激励权益方面，昇腾也从过去更多面向企业的支持方式，扩展为对社区个人开发者的直接激励。开发者可以通过社区任务、持续提问、代码提交和绿色贡献等方式获得支持。单个任务最高可获得10万元激励，首批创新激励基金规模为2000万元；对于持续活跃并形成稳定贡献的开发者，还将结合月度活跃度和年度贡献给予相应支持。

这些举措如果只被理解为“资金补贴”，反而会低估其生态意义。真正关键的是，开发者的贡献能够在社区中被记录、被评价、被复用，并且与个人收益、技术影响力和产业价值形成连接。对于个人开发者来说，参与社区任务不仅意味着获得激励，也意味着其代码、问题和方案会进入开源体系，被更多企业和开发者看见。对于昇腾生态而言，这种机制能够推动更多外部力量参与算子、加速库、工具链和实践案例建设。

产业协同与社区治理，推动开源生态共同成长

AI基础软件的生态建设，离不开产业链上下游的协同。昇腾在推进CANN开源社区建设时，把外部企业和高校纳入治理体系。社区技术指导委员会中，外部成员参与社区发展方向讨论；Skills相关小组也吸收外部成员共同参与技术和工具体系建设。这种治理方式有助于减少单一厂商视角，让社区需求更贴近真实开发者和产业伙伴。

在企业协同层面，昇腾正在与互联网企业开展开源软件的双向适配。一方面，许多互联网公司拥有大量开源软件和工程实践，希望其软件能够支持昇腾；另一方面，昇腾也需要主动适配这些软件，并把相关特性放到伙伴社区中验证和贡献。通过在对方社区建立开发流水线、进行版本测试和特性验证，双方能够把适配工作从一次性项目变成持续协同机制。

面向运营商、云厂商和RSV软件伙伴，昇腾则更多通过社区治理、激励活动和生态孵化平台开展协同。行业客户在推进AI应用时，常常面临场景不清晰、数据准备困难、工程能力不足等现实问题。昇腾与头部行业客户、RSV软件伙伴共同建设生态孵化平台，帮助客户探索应用场景、准备数据、形成可复制方案，也帮助软件伙伴获得更多商业项目机会。

在一些创新性较强的行业场景中，单靠平台厂商或行业客户自身经验并不足够。昇腾也在推动行业专属高校和头部高校参与课题创新，通过产学研协同解决技术难题。这种方式的价值在于，把算力平台、行业数据、应用需求和学术研究连接起来，让AI应用不只是停留在通用能力展示，而是逐步进入具体行业问题的解决过程。

面向企业伙伴的“淬火行动”，从资料交付走向实操使能

除了面向个人开发者的激励和社区任务，昇腾今年也加强了对企业伙伴的技术使能。面对AI技术快速变化，仅靠会议宣讲或文档交付，很难帮助伙伴真正跟上模型、框架和工具链的更新节奏。为此，昇腾面向伙伴推出全年11场“淬火行动”，把最新技术、资料、工具和开发方式以更系统的方式传递到企业一线。

与常规培训不同，“淬火行动”更强调实操。每场培训持续数天，课程讲解只占一部分时间，更多时间留给上机操作。依托社区算力资源和最新软件工具，伙伴工程师能够在实际环境中体验模型迁移、算子开发、Agent工具链和调试调优流程。对于需要承担客户项目交付的RSV伙伴和企业技术团队来说，这种训练方式比单纯阅读产品文档更接近真实工作场景。

昇腾今年还对文档和案例体系进行了升级。过去，产品资料更偏向完整性和规范性，适合查接口、查参数、查安装步骤；但企业开发者在真实问题面前，更需要“别人怎么做、类似问题如何解决、某个场景如何优化”这类参考资料。围绕这一变化，昇腾提供更多场景化优秀实践和开放案例，覆盖预训练、推理部署、强化学习后训练、模型调试、算子调优等方向，让开发者可以通过案例快速定位思路。

从“给资料”到“给方法”，再到“给实操环境”，这是企业使能方式的变化。AI技术迭代很快，伙伴如果不能及时掌握新工具和新开发方式，就很难在客户项目中保持交付效率。昇腾希望通过持续培训和上机实践，把最新工程经验传递给伙伴，使其不仅会使用昇腾产品，也能理解如何在具体行业场景中完成优化和交付。

知识产权和开源选择也是开发者和企业伙伴关注的问题。围绕合作伙伴基于昇腾形成的解决方案和技术成果，昇腾释放出的态度较为清晰：是否开源由开发者和企业自行决定，平台不强求底层代码开放。对于愿意放到昇腾社区展示的解决方案，社区可以提供推广渠道；如果涉及源代码开源，则遵循开源社区协议和贡献规则。这样的安排在一定程度上降低了企业参与生态建设的顾虑，也为开源贡献和商业方案之间留出了空间。

面向Agentic AI时代，共建更开放的AI算力生态

从本次鲲鹏昇腾开发者大会2026释放的信息来看，昇腾的生态建设正在进入一个新阶段。过去，算力平台更多被理解为芯片、板卡、服务器和配套软件；现在，面向大模型和Agentic AI应用，算力平台必须同时回答几个问题：能否支撑更大模型和更长上下文，能否兼容主流开源生态，能否降低开发门槛，能否让开发者参与共建，能否帮助行业客户把AI真正落到业务场景中。

昇腾给出的路径，是从硬件架构、基础软件、开发工具、开源社区和产业协同多线推进。超节点和昇腾950代际产品面向通信、访存和低时延推理持续演进；CANN全面开源开放并强化主流生态兼容；Mind系列软件栈和Agent Skills提升模型迁移、算子开发和调试调优效率；开发者认证、大赛和激励计划把个人开发者、企业团队和高校力量纳入生态共建；淬火行动和生态孵化平台则进一步面向企业伙伴和行业客户补齐落地能力。

面向Agentic AI时代，智能体应用将带来新的算力需求，也会倒逼基础软件和开发工具继续演进。随着开源社区持续活跃、工具链持续智能化，以及超节点等基础设施能力不断完善，昇腾正在与开发者和产业伙伴共同构建面向智能时代的AI算力生态。对于开发者而言，这不仅是一次平台能力升级，也意味着AI工程化落地正在获得更开放、更具体、更可参与的支撑体系