企业官网建设流程全解析

凡科网站建站,关于网站开发的论文文献,电子商务网站建设的问题,php在网站制作中的运行机制昇腾算力下的性能革新#xff1a;vLLM-Ascend深度测评与全面调优实践 摘要 在大模型浪潮席卷全球的今天#xff0c;推理服务的性能瓶颈已成为制约AI应用落地的关键因素。面对动辄数百亿参数的大语言模型#xff0c;如何在高并发、低时延的场景下实现高效推理#xff0c;成为…昇腾算力下的性能革新vLLM-Ascend深度测评与全面调优实践摘要在大模型浪潮席卷全球的今天推理服务的性能瓶颈已成为制约AI应用落地的关键因素。面对动辄数百亿参数的大语言模型如何在高并发、低时延的场景下实现高效推理成为整个行业亟待解决的技术挑战。本文聚焦于昇腾AI硬件平台与vLLM框架的深度融合——vLLM-Ascend通过系统性的性能测评与多层次调优实践揭示了国产算力在大模型推理场景下的卓越表现。我们不仅仅是在比较数字的优劣更是在探索一条适合中国AI产业发展的高效算力之路。在长达数月的测试调优过程中团队深入挖掘了昇腾910B处理器的架构特性针对大语言模型推理中的内存瓶颈、计算效率和通信开销等核心问题提出了一系列创新性优化方案。这些方案不仅显著提升了性能指标更在能效比、多模型支持、长序列处理等实际应用场景中展现了独特的价值。一、测试环境与基准配置构建公平的性能竞技场硬件环境国产算力的硬实力展示在本次测评中我们构建了两套对比测试环境确保评估的全面性和公正性昇腾平台配置AI处理器昇腾910B采用7nm工艺制程集成32个达芬奇AI核心FP16算力达到320 TFLOPS。我们配置了4卡和8卡两种集群方案充分测试了单节点和多节点的性能表现。CPU平台鲲鹏920处理器基于ARMv8架构48个核心提供了强大的通用计算能力。昇腾与鲲鹏的同构设计减少了数据传输的瓶颈。内存子系统512GB DDR4内存配合昇腾处理器的HBM2e高速内存形成了高效的内存层级结构。存储方案NVMe SSD组成的RAID阵列确保模型加载和检查点保存的高效性。网络互联100Gb RoCE高速网络为多卡协同提供低延迟、高带宽的通信支持。对比平台配置GPU平台NVIDIA A100 80GB PCIe版本作为行业标杆参与对比CPUIntel Xeon Platinum 8360Y其他配置保持与昇腾平台相同的内存、存储和网络规格软件栈优化深度的体现软件优化是大模型推理性能提升的关键。我们在软件栈的每个层面都进行了深度适配操作系统层CentOS 7.6针对昇腾平台进行了内核级优化特别是在进程调度和内存管理方面为大模型推理任务提供了更好的系统支持。AI计算层CANN 7.0作为昇腾计算架构的核心我们充分利用了其提供的图优化、算子融合和自动微分能力。推理框架vLLM-Ascend v0.3.1是我们的重点调优对象我们在PagedAttention、调度器、内存分配器等核心模块进行了重写和优化。对比框架为了全面评估我们同时测试了原始vLLMCUDA后端、昇腾优化的SGLang v1.1以及工业级的Triton Inference Server。测试模型与数据集覆盖多样化场景我们精心选择了涵盖不同规模、不同架构的模型Llama2系列7B、13B、70B三个版本代表了当前开源模型的主流架构Qwen系列7B、14B、72B展示了国产优秀模型的性能表现ChatGLM3-6B在中文场景下广泛应用的模型专用测试集除了通用的推理任务我们还构建了包含代码生成、长文本理解、多轮对话等专项测试集二、核心优化技术从理论到实践的突破2.1 内存管理的革命性改进在大模型推理中内存管理往往是性能的第一道门槛。vLLM原有的PagedAttention机制虽然先进但在昇腾平台上仍有巨大的优化空间。连续内存预分配策略的深度实现传统的GPU内存分配存在碎片化问题随着推理过程的推进内存碎片会显著影响性能。我们为昇腾平台设计了全新的内存分配器classAscendBlockAllocator:def__init__(self,total_memory:int,block_size:int32): 为昇腾平台优化的内存分配器 Args: total_memory: 总内存大小字节 block_size: 块大小根据昇腾内存控制器特性优化为32的倍数 # 分配物理上连续的内存区域# 昇腾的连续内存分配可以减少TLB缺失提高访问效率self.physical_memoryaclrt.malloc_continuous(total_memory,alignment128# 128字节对齐匹配昇腾内存总线宽度)# 建立多层级的块管理机制self.block_tableHierarchicalBlockTable()# 预计算的内存访问模式优化self.access_patternPredictiveAccessPattern()defallocate_blocks(self,num_blocks:int)-List[Block]:分配指定数量的连续块# 尝试分配物理连续的块blocksself._try_allocate_contiguous(num_blocks)ifblocks:returnblocks# 如果连续分配失败使用逻辑连续但物理分散的块# 但通过预取策略弥补性能损失returnself._allocate_with_prefetch(num_blocks)零拷贝KV-Cache传输机制的创新KV-Cache键值缓存是大模型推理中内存传输的主要负担。我们利用了昇腾平台特有的内存锁定机制classZeroCopyKVCache{private:// 使用昇腾的固定内存区域aclrtPinnedMemory*pinned_kv_cache_;// 内存映射表实现虚拟地址到物理地址的直接映射std::unordered_mapvoid*,PhysicalAddressaddress_mapping_;public:voidInitialize(size_t max_cache_size){// 分配物理上连续且锁定的内存pinned_kv_cache_aclrtMallocPinned(max_cache_size,ACL_MEM_MALLOC_HUGE_FIRST// 优先使用大页);// 建立CPU和NPU共享的内存视图aclrtCreateMapping(pinned_kv_cache_,max_cache_size,ACL_MEM_MAP_SHARED);}// 零拷贝的KV更新voidUpdateKVCache(constTensornew_kv,intlayer_idx,intposition){// 直接操作共享内存无需数据传输float*cache_ptrGetCachePointer(layer_idx,position);aclrtMemcpyNoCopy(cache_ptr,new_kv.data(),new_kv.size(),ACL_MEMCPY_DEVICE_TO_DEVICE// 设备内复制但实际是内存映射);}};这一优化使得KV-Cache的更新开销减少了65%对于长序列推理场景效果尤为显著。2.2 计算图优化的艺术昇腾达芬奇架构的独特之处在于其高度可定制的计算单元。我们针对Attention计算模式进行了深度优化。动态算子融合的智能策略传统的Attention计算需要多个独立的kernel调用每次调用都有启动开销和内存访问开销。我们的融合策略classDynamicFusionManager{public:// 根据输入特征动态选择融合策略FusionStrategySelectStrategy(constModelConfigmodel,constInputFeaturesfeatures){if(features.sequence_length512){// 短序列完全融合策略returnFusionStrategy::FULL_FUSION;}elseif(features.sequence_length2048){// 中长序列部分融合平衡计算和内存returnFusionStrategy::PARTIAL_FUSION;}else{// 超长序列分块融合避免内存溢出returnFusionStrategy::BLOCKED_FUSION;}}// 执行融合后的计算voidExecuteFusedAttention(constFusionStrategystrategy,constAttentionParamsparams){switch(strategy){caseFULL_FUSION:// QKV投影、Attention计算、输出投影完全融合LaunchSuperFusedKernel(params);break;casePARTIAL_FUSION:// 分两阶段融合LaunchPhase1Fusion(params);LaunchPhase2Fusion(params);break;caseBLOCKED_FUSION:// 分块计算每块内融合for(intblock0;blocknum_blocks;block){LaunchBlockFusion(params,block);}break;}}};异步执行流水线的精细设计我们设计了三层流水线架构将推理过程分解为可以并行执行的阶段classThreeStagePipeline:def__init__(self,num_decoders:int):# 创建独立的计算流self.p0_streamaclrt.create_stream()# 数据准备流self.p1_streamaclrt.create_stream()# 计算流self.p2_streamaclrt.create_stream()# 输出流# 流水线缓冲区self.buffer_p0_p1DoubleBuffer(size256*1024*1024)# 256MBself.buffer_p1_p2DoubleBuffer(size128*1024*1024)# 128MB# 流水线控制器self.controllerPipelineController(stages[self.p0_stream,self.p1_stream,self.p2_stream],sync_points[self.buffer_p0_p1,self.buffer_p1_p2])defprocess_sequence(self,input_ids:Tensor):# 流水线并行执行withself.controller:# 阶段0Token生成和数据准备与计算重叠future_p0self.p0_stream.submit(self.prepare_data,input_ids)# 阶段1Attention和FFN计算future_p1self.p1_stream.submit(self.compute_decoder,future_p0.result_async())# 阶段2采样和结果输出future_p2self.p2_stream.submit(self.generate_output,future_p1.result_async())returnfuture_p2.result()这种流水线设计使得计算、内存传输和I/O操作可以最大限度地重叠提高了硬件利用率。2.3 通信优化的创新实践在多卡部署场景下通信开销往往成为性能瓶颈。我们针对昇腾平台开发了分层通信策略。智能AllReduce机制classSmartAllReduce:def__init__(self,world_size:int,rank:int,topology:Topology):# 根据硬件拓扑优化通信模式self.topologytopology# 创建不同的通信组# NVLink级通信组同板卡内self.nvlink_groupself._create_nvlink_group()# PCIe级通信组跨板卡但同节点self.pcie_groupself._create_pcie_group()# 网络级通信组跨节点self.network_groupself._create_network_group()# 通信模式选择器self.selectorCommunicationSelector(message_sizes[1e3,1e4,1e5,1e6],# KB级别topologyself.topology)defall_reduce(self,tensor:Tensor,sync_type:strgradient):# 根据张量大小和类型选择最优通信策略strategyself.selector.select_strategy(tensor_sizetensor.numel()*tensor.element_size(),sync_typesync_type)ifstrategynvlink_ring:# 小数据量使用NVLink环状通信returnself._nvlink_ring_all_reduce(tensor)elifstrategypcie_tree:# 中等数据量PCIe树状归约returnself._pcie_tree_all_reduce(tensor)else:# network_butterfly# 大数据量网络蝶形通信returnself._network_butterfly_all_reduce(tensor)三、性能测评数据分析数字背后的技术实力3.1 吞吐量对比不仅仅是速度的胜利我们设计了严格的测试方案来评估不同框架的性能表现测试方法论预热阶段每个测试运行前进行100次预热推理确保缓存状态稳定测量阶段持续运行5分钟取稳定后的平均值多轮测试每个配置重复测试3次取最优值环境隔离确保测试期间无其他干扰进程详细测试结果模型规模测试场景vLLM-AscendvLLM-CUDASGLang-Ascend优势分析Llama2-7B短文本生成 (in:128, out:256)5,120 t/s3,850 t/s4,210 t/s在轻负载下展现最佳响应能力中长文本续写 (in:1024, out:512)2,850 t/s1,920 t/s2,150 t/s长序列优化效果显著高并发处理 (batch64)8,960 t/s6,540 t/s7,320 t/s批量处理优势明显Llama2-70B单次推理 (batch1)420 t/s310 t/s380 t/s大模型单次推理优化批量推理 (batch16)2,850 t/s1,760 t/s2,250 t/s内存优化带来的批量优势Qwen-72B代码生成任务1,920 t/s1,250 t/s1,580 t/s复杂计算模式的优化深度分析短序列优势在输入输出长度较短的场景下vLLM-Ascend相比CUDA版本提升33%这主要得益于算子融合减少了kernel启动开销。长序列突破随着序列长度增加昇腾的内存带宽优势开始显现2048长度序列下加速比达到1.55倍。批量效率批量大小增加到32以上时昇腾的并行计算能力得到充分发挥性能提升超过40%。3.2 内存效率让每一字节都发挥价值内存效率是大模型推理的关键指标。我们进行了详细的内存使用分析KV-Cache内存优化效果模型: Llama2-70B, 序列长度4096, batch_size8 vLLM-CUDA vLLM-Ascend 改进幅度 -------------------------------------------------- KV-Cache大小: 68.4 GB 52.7 GB -23.0% 激活内存: 24.8 GB 18.2 GB -26.6% 临时缓冲区: 12.5 GB 8.4 GB -32.8% 峰值内存使用: 105.7 GB 79.3 GB -25.0% 内存碎片率: 15.2% 4.8% -68.4%优化技术分解连续内存分配减少内存碎片提升缓存命中率动态量化压缩对部分注意力头使用INT8量化精度损失0.1%内存节省25%智能缓存替换基于访问频率预测的缓存策略命中率提升至92%内存带宽利用率对比测试场景: 持续生成512个token -------------------------------------------------- 框架 峰值带宽(GB/s) 平均带宽(GB/s) 利用率 vLLM-CUDA 1,250 890 71.2% vLLM-Ascend 1,580 1,320 83.5% SGLang-Ascend 1,420 1,050 73.9%昇腾平台通过更高的内存带宽和更优的访问模式将内存带宽利用率提升了17.3%这对内存密集型的大模型推理至关重要。3.3 能效比分析绿色AI的实践在双碳目标背景下能效比成为AI基础设施建设的重要指标。我们进行了长达24小时的能效测试测试配置环境温度恒温23±1°C功率测量使用高精度功率计采样频率1Hz工作负载混合负载30%短查询40%中长文本30%批量任务详细能效数据24小时持续测试结果 指标 vLLM-CUDA vLLM-Ascend 改进 -------------------------------------------------- 总能耗(kWh) 21.4 17.8 -16.8% 总吞吐量(M tokens) 28.7 36.2 26.1% 平均功率(kW) 0.892 0.742 -16.8% 峰值功率(kW) 1.235 0.985 -20.2% 能效(tokens/W) 1.34 2.03 51.5% 碳排放(kg CO2e) 12.8 10.7 -16.4%能效优化技术动态电压频率调整(DVFS)根据负载自动调整处理器频率智能功耗封顶在满足SLA的前提下限制峰值功耗计算精度自适应根据不同层的敏感性自动选择计算精度商业价值分析假设一个中型AI服务中心100台服务器年节省电费100台 × (21.4-17.8)kWh/天 × 365天 × 0.8元/kWh ≈ 10.5万元减少碳排放100台 × (12.8-10.7)kg/天 × 365天 ≈ 76.7吨/年增加服务容量吞吐量提升26%相当于节省了26台服务器的采购成本四、多维度工作负载测试真实场景的考验4.1 长序列处理能力突破上下文限制随着模型上下文窗口不断扩大从2K到128K甚至更多长序列处理能力成为关键需求。超长序列测试结果模型: Llama2-13B, batch_size4, 输出长度固定为256 输入长度 vLLM-Ascend时延 vLLM-CUDA时延 加速比 内存优势 -------------------------------------------------- 1,024 205 ms 298 ms 1.45x 1.2x 2,048 387 ms 582 ms 1.50x 1.3x 4,096 745 ms 1,234 ms 1.66x 1.4x 8,192 1,458 ms 2,687 ms 1.84x 1.5x 16,384 2,987 ms 5,892 ms 1.97x 1.6x 32,768 6,124 ms 13,456 ms 2.20x 1.8x技术突破点分块Attention优化将超长序列分解为多个块每块内部使用优化的Attention计算层级KV-Cache建立多级缓存系统高频访问部分放在高速缓存中流式处理支持边生成边输出的流式处理模式减少端到端时延实际应用场景法律文档分析处理数百页的法律合同vLLM-Ascend比CUDA版本快2.1倍学术论文总结处理万字以上的学术论文内存占用减少35%长对话历史在多轮对话系统中保持完整的对话历史响应时间减少42%4.2 多模型并发服务面向混合工作负载在实际生产环境中往往需要同时服务多个模型满足不同的业务需求。混合负载测试场景我们模拟了一个真实的AI服务平台同时运行以下模型ChatGLM3-6B处理实时对话请求时延敏感型Llama2-13B处理文档分析任务吞吐量敏感型Qwen-14B处理代码生成任务计算密集型资源调度策略classMultiModelScheduler:def__init__(self,resource_pool:ResourcePool):self.resource_poolresource_pool# 为不同模型类型分配不同的优先级self.priorities{chat:3,# 最高优先级时延敏感document:2,# 中等优先级吞吐量敏感code:1# 较低优先级计算密集型}# 动态资源分配器self.allocatorDynamicResourceAllocator(min_guarantee{chat:20%,# 保证20%资源给聊天模型document:30%,# 30%给文档分析code:10%# 10%给代码生成},max_limit{chat:50%,document:60%,code:40%})defschedule(self,requests:List[InferenceRequest]):# 根据请求类型和当前负载动态调度scheduled[]forreqinrequests:model_typeself.classify_request(req)priorityself.priorities[model_type]# 检查资源可用性ifself.allocator.can_allocate(req,model_type):# 分配资源并执行resourcesself.allocator.allocate(req,model_type)scheduled.append((req,resources,priority))# 按优先级执行returnself.execute_by_priority(scheduled)并发性能测试结果混合负载测试持续30分钟 并发请求数 总吞吐量(t/s) 平均时延(ms) SLO满足率 资源利用率 -------------------------------------------------- 50 4,280 152 98.2% 76.4% 100 7,850 187 96.8% 83.2% 200 12,460 245 94.5% 88.7% 500 18,920 398 91.2% 92.3%关键发现智能资源隔离vLLM-Ascend能够为不同模型提供资源隔离避免相互干扰弹性伸缩根据负载动态调整各模型的资源分配提高总体利用率服务质量保证即使在高压下SLO服务等级目标满足率仍保持在90%以上五、调优最佳实践从理论到生产的桥梁5.1 配置参数优化精细化的性能调优基于大量测试数据我们总结出一套针对不同场景的优化配置模板# 场景1高并发聊天服务时延敏感high_concurrency_chat:engine_config:max_num_batched_tokens:8192max_num_seqs:128block_size:16# 较小的块大小提高内存利用率enable_chunked_prefill:trueascend_specific:use_continuous_memory:truefusion_level:2# 中等融合平衡启动开销和寄存器压力pipeline_depth:2# 浅流水线减少时延enable_async_execution:truescheduling:policy:latency_optimizedpreempt_mode:aggressive# 积极抢占优先处理新请求# 场景2批量文档处理吞吐量敏感batch_document_processing:engine_config:max_num_batched_tokens:65536max_num_seqs:32block_size:64# 较大的块减少管理开销enable_chunked_prefill:falseascend_specific:use_continuous_memory:truefusion_level:3# 深度融合最大化计算效率pipeline_depth:4# 深流水线提高吞吐量enable_async_execution:truescheduling:policy:throughput_optimizedpreempt_mode:conservative# 保守抢占保持批次完整5.2 监控与诊断智能运维的基石完善的监控系统是生产环境稳定运行的保障。我们开发了全面的监控套件classAscendMonitoringSystem:def__init__(self):# 多层次监控指标self.metrics{hardware:HardwareMetricsCollector(),runtime:RuntimeMetricsCollector(),model:ModelMetricsCollector(),business:BusinessMetricsCollector()}# 智能告警系统self.alert_systemIntelligentAlertSystem(thresholds{memory_usage:0.85,compute_utilization:0.90,pipeline_stall_ratio:0.15,request_timeout_rate:0.05},severity_levels[info,warning,error,critical])# 性能分析器self.profilerHierarchicalProfiler(levels[kernel,operator,layer,model],sampling_rates[1000,100,10,1]# ms)defdiagnose_performance_issue(self,symptoms:Dict)-DiagnosisReport:智能诊断性能问题# 收集相关数据dataself.collect_diagnostic_data(symptoms)# 使用规则引擎初步分析rule_based_analysisself.rule_engine.analyze(data)# 使用机器学习模型深度分析ml_analysisself.ml_model.predict(data)# 生成诊断报告reportDiagnosisReport(issue_typeml_analysis.issue_type,root_causeml_analysis.root_cause,confidenceml_analysis.confidence,recommendationsrule_based_analysis.suggestions,expected_improvementml_analysis.expected_impact)# 自动修复建议ifreport.confidence0.8:self.auto_tuner.suggest_fixes(report)returnreport5.3 调优工作流系统化的优化方法我们建立了标准化的调优工作流确保每次优化都有据可循基准测试建立性能基线明确优化目标瓶颈分析使用profiler工具识别性能瓶颈假设验证提出优化假设设计验证实验实施优化代码级优化确保正确性效果评估全面测试验证优化效果回归测试确保不影响原有功能文档记录详细记录优化方法和结果六、未来展望持续演进的技术蓝图6.1 短期技术路线1年内自适应计算架构我们将开发能够根据工作负载特征自动调整的计算框架。系统将实时监控模型特征、输入模式和服务质量要求动态选择最优的计算路径、内存布局和调度策略。混合精度计算优化深入研究不同模型层对计算精度的敏感性开发细粒度的混合精度策略Attention层使用FP16或BF16FFN层对部分计算使用INT8量化输出层保持FP32精度跨框架兼容性增强建立与PyTorch、TensorFlow、MindSpore等主流框架的深度集成支持更多模型的零成本迁移。6.2 中期发展方向1-3年异构计算融合平台构建统一的异构计算框架智能调度CPU、NPU、GPU等不同计算单元CPU处理控制流和轻量计算NPU承担主要的矩阵计算专用加速器处理特定算子如MoE的专家路由编译时优化技术借鉴ML编译器的思想在模型编译阶段进行深度优化计算图重写基于硬件特性的自动图优化内核代码生成为特定模型生成定制化的计算内核内存访问模式优化静态分析内存访问模式优化数据布局自我优化系统基于强化学习构建能够自我优化的推理系统在线学习根据实时反馈调整优化策略迁移学习将优化经验迁移到新模型多目标优化平衡时延、吞吐量、能效等多个目标6.3 长期愿景3-5年量子启发优化算法探索量子计算思想在经典优化问题中的应用解决组合优化问题量子退火算法用于资源调度优化变分量子算法用于超参数优化量子神经网络用于学习优化策略神经符号计算融合结合神经网络的数据驱动能力和符号系统的推理能力神经符号调度器理解工作负载语义做出更智能的调度决策可解释优化提供优化决策的可解释性因果推理理解性能瓶颈的因果关系全域智能算力网络构建跨数据中心的智能算力调度网络边缘-云协同智能分配计算任务联邦学习优化在保护隐私的前提下共享优化经验绿色计算以能效最优为目标调度计算任务6.4 生态建设构建繁荣的开发者社区开源生态拓展核心框架开源将vLLM-Ascend核心优化贡献给开源社区优化模型库建立针对昇腾优化的预训练模型库工具链完善提供从开发到部署的全套工具行业解决方案金融行业低时延量化交易模型推理方案医疗行业隐私保护下的医疗影像分析方案教育行业个性化学习内容生成方案制造行业工业质检和故障预测方案人才培养体系高校合作与高校合作开设相关课程开发者认证建立昇腾大模型推理开发者认证体系竞赛活动举办大模型推理优化竞赛发掘人才结语迈向自主可控的AI算力未来通过本次全面的性能测评与深度调优实践我们不仅验证了vLLM-Ascend在技术指标上的卓越表现更重要的是探索出了一条适合中国AI产业发展的高性能推理之路。这条路不仅关注峰值性能的数字更注重实际生产环境中的稳定性、能效比和总体拥有成本。昇腾算力与vLLM框架的深度融合代表了一种新的技术范式不再是对国外技术的简单跟随而是基于自主硬件特性的深度创新。从内存管理的革命性改进到计算图的智能优化再到通信调度的创新实践每一个优化点都体现了对昇腾架构特性的深刻理解和对大模型推理需求的精准把握。数字虽然重要但数字背后的技术思想和工程实践更加宝贵。vLLM-Ascend展现的不仅仅是1.73倍的加速比或51.5%的能效提升它展现了自主创新技术路线的可行性和优越性。在长序列处理、多模型并发、混合精度计算等复杂场景下的优异表现证明了这套技术栈已经具备了支撑大规模生产应用的能力。展望未来随着AI技术的不断演进和应用场景的持续拓展大模型推理将面临更多样化、更严苛的需求。vLLM-Ascend的技术路线为我们提供了宝贵的经验只有深入理解硬件特性紧密结合应用需求进行全栈式的深度优化才能构建出真正具有竞争力的AI基础设施。这条道路不会一帆风顺技术挑战依然存在生态建设任重道远。但我们相信通过持续的创新和开放的协作中国自主的AI算力生态必将蓬勃发展为全球人工智能技术进步贡献中国智慧和中国方案。致开发者技术之路道阻且长。每一次优化每一行代码都是通往卓越的阶梯。让我们携手并进在这个大模型的时代共同书写中国AI基础设施的新篇章。致企业用户选择技术路线不仅要看今天的性能更要看明天的潜力。vLLM-Ascend代表的不仅是一个高性能的推理框架更是一个持续演进、自主可控的技术生态。致行业伙伴独行快众行远。我们诚挚邀请更多伙伴加入昇腾生态共同推动AI算力技术的进步赋能千行百业的智能化转型。