01
CUDA生态全景
CUDA的统治地位、核心组件（驱动、运行时、库）、开发者生态与行业影响。
生态NVIDIA
02
国产芯片崛起
华为昇腾、寒武纪、海光、摩尔线程等厂商现状与产品线。
芯片国产
03
迁移的驱动力
地缘政治、供应链安全、国产替代政策、成本考量。
政策战略
04
技术鸿沟分析
CUDA vs 国产平台（编程模型、内存管理、算子库、调试工具）的差异。
对比架构
05
迁移策略总览
二进制兼容、源码级迁移、混合异构、重写优化四种路径的权衡。
策略路径
06
华为昇腾CANN
昇腾AI处理器的软件栈、AscendCL编程接口、ACL算子开发。
昇腾CANN
07
寒武纪Neuware
寒武纪MLU的软件栈、CNRT运行时、CNNL算子库。
寒武纪Neuware
08
海光DCU
海光DCU的HIP编程模型、与AMD ROCm的兼容性、迁移工具。
海光HIP
09
摩尔线程MTT
摩尔线程GPU的MUSA编程接口、兼容CUDA的MUSA Runtime。
摩尔线程MUSA
10
算子迁移实战
从CUDA Kernel到Ascend C/CNNL的映射与改写。
算子实战
11
内存管理迁移
cudaMalloc/cudaMemcpy到国产平台API的对应关系。
内存API
12
流与事件迁移
CUDA Stream/Event在昇腾/寒武纪上的实现与适配。
Stream同步
13
通信库迁移
NCCL到HCCL（昇腾）/CNCL（寒武纪）的迁移与性能调优。
通信NCCL
14
推理框架迁移
TensorRT到MindSpore Lite/寒武纪MagicMind的转换。
推理TensorRT
15
训练框架迁移
PyTorch CUDA到PyTorch for Ascend/寒武纪PyTorch的适配。
训练PyTorch
16
性能分析与调优
Nsight Systems到昇腾MindStudio/寒武纪NeuProfile的迁移。
调优Profiling
17
精度对齐与调试
CUDA与国产平台浮点运算差异、精度比对工具链。
精度调试
18
容器化与部署
Docker镜像构建、Kubernetes调度国产芯片的实践。
容器K8s
19
行业案例1：互联网推荐
互联网推荐系统从CUDA迁移到昇腾的实战经验。
推荐昇腾
20
行业案例2：安防视频
安防视频分析从CUDA迁移到寒武纪的踩坑记录。
安防寒武纪
21
行业案例3：科学计算
科学计算从CUDA迁移到海光DCU的性能对比。
科学计算海光
22
行业案例4：AI绘画
Stable Diffusion在摩尔线程上的适配与优化。
AIGC摩尔线程
23
混合异构编程
CUDA与国产平台协同工作、数据桥接与负载均衡。
异构协同
24
国产生态工具链
编译器（Bisheng/OneCCL）、调试器（gdb-cn/msprof）、性能库。
工具链编译器
25
标准化与兼容层
SYCL、OpenCL、HIP在国产平台上的支持现状。
标准兼容
26
迁移成本评估
人力、时间、性能损失、维护成本的量化模型。
成本ROI
27
国产芯片路线图
未来3-5年国产GPU/加速卡的技术演进方向。
路线图趋势
28
开发者社区与资源
昇腾社区、寒武纪开发者中心、摩尔线程论坛等。
社区资源
29
政策与合规
信创目录、安全审查、出口管制对迁移决策的影响。
信创合规
30
总结与展望
从CUDA依赖到多生态共存的未来趋势与个人职业建议。
展望职业