信创要求之下，很多企业本地化部署 AI Agent 时，绕不开一道选择题：显卡用什么。昇腾、海光、寒武纪是国产方案里出现频率较高的三家，但选型时真正卡人的往往不是纸面算力，而是跑不跑得起来、迁移要改多少。
本文不谈参数堆砌，只讲适配实况：三家在框架支持、算子覆盖、迁移成本上的差异，本地化部署里容易被忽略的三件事，以及一份可直接对照的选型清单。
为什么"参数好看"不等于"适配好"
显卡适配的难点不在硬件本身，而在软件栈：推理框架能不能跑、常用算子齐不齐、量化方案支不支持、多卡通信顺不顺。纸面算力再高，如果算子缺一块，业务模型就得改写，迁移成本会远超硬件差价。企业级环曜 Agent 本地化部署在私有环境里做适配时，要先跑通、再谈性能——跑不通的算力等于零。
换句话说，这块比的是生态成熟度，而不是单卡峰值。中国电子技术标准化研究院在信创适配相关标准中也强调，软硬件协同适配能力才是评估重点，单看峰值算力容易误判。
三家实况：昇腾 / 海光 / 寒武纪
下面按生态与迁移成本这条主线逐家说明差异。三家的软件栈完全不同，直接决定迁移时要改多少代码、业务模型要不要重写。需要先说明的是，这一节的判断基于公开文档与项目适配经验，具体仍以你实际使用的模型与框架版本为准，不建议拿别人的结论直接套。
昇腾：CANN 生态自成一体，迁移要适配
昇腾用自研 CANN 软件栈，配套的推理工具链与算子库相对完整，主流开源模型多有大模型适配版本。它的特点是生态自成一体的同时，也意味着从 CUDA 迁移过来要改一部分代码与部署配置，迁移工作量取决于模型与框架的耦合程度。
海光：类 ROCm 路径，兼容性有惯性
海光的 DCU 走的是类 ROCm 的技术路线，与部分开源生态的兼容惯性更好，从 CUDA 或 ROCm 迁移的改动量在部分框架下更小。它的优势在迁移阻力小，但具体框架的支持度要逐个验证，不能默认全兼容。
寒武纪：Neuware 工具链，算子覆盖在补
寒武纪用 Neuware 工具链，近年在主流模型适配与算子覆盖上持续补齐。它的适配实况与模型版本强相关：新模型往往要等适配版本下发，选型时要确认你用的模型有没有现成适配。
三家对比：一表看清差异
| 维度 | 昇腾 | 海光 | 寒武纪 |
|---|---|---|---|
| 软件栈 | CANN | 类 ROCm / DTK | Neuware |
| 框架支持 | 主流框架有适配版 | 部分框架迁移改动小 | 随版本补齐 |
| 迁移成本 | 中 | 低到中 | 中 |
| 生态成熟度 | 较完整 | 兼容惯性好 | 持续补齐 |
口径：基于三家公开文档与 2026 年项目适配经验的定性归纳，实际以所选模型与框架版本为准；模型侧的选择口径，可对照《企业 Agent 用开源还是商用大模型：2026 选型口径与迁移成本清单》一起看。
本地化部署里容易被忽略的三件事
比选哪家更容易翻车的是下面三件事。
其一，推理框架与量化方案。同一张卡，用不同的推理框架与量化精度，吞吐能差出数倍；选型时要确认目标框架与量化方案在该卡上是否已验证。企业级环曜知识库本地化部署在做 RAG 推理时，会先确认检索与生成两段所用的框架都跑得通，再谈性能调优。
其二，多卡通信与并行策略。本地化环境里往往要跑 32B 以上的模型，多卡通信效率直接决定可用性。这一项要看卡间互联方案与并行框架的支持度，而不是只看单卡指标。
其三，调度与资源隔离。一套集群常常要同时服务多个业务，谁用多少卡、怎么隔离与限流，靠的是调度层。环曜 Claw 在执行网关侧承接任务调度，把推理请求按优先级与配额分发，避免一个大任务拖垮整条链路。
一个匿名项目里的适配实况
数据来源：环曜实验室 2026 年 1—9 月的国产卡适配测试（口径：7B 与 32B 模型、INT8 与 FP16 推理、单机多卡；时间窗：2026 年 1—9 月；样本量：3 类芯片 × 4 个业务模型）。结论是：在已适配的模型上，三家都能跑通；差异主要出现在未适配模型的迁移工时上——海光类路径的改动量相对小，昇腾与寒武纪则更依赖官方适配版本下发。环曜实验室的观察是：选型的真正风险不是性能差一点，而是你用的模型没人适配过。企业级环曜 Agent 本地化部署在私有环境推进适配时，也会先做一次跑通性验证，再谈性能。这一差异在环曜实验室的多轮复测中保持一致。
选型五步：问清这五件事再定卡
- 你用的模型与框架，厂商有没有现成适配版本？
- 量化方案（INT8 / INT4）在该卡上是否已验证？
- 多卡通信与并行框架支持到什么程度？
- 迁移工时由谁承担，写不写进合同？
- 后续模型更新时，适配版本的跟进周期多长？
把这五件事问清，选型就从比参数变成比风险。企业级环曜知识库本地化部署在换卡前，会先验证文档检索与生成两段框架是否都跑得通，再进入性能调优。想把适配与部署范围一次对齐，可参考我们的本地化部署服务页里的部署与验收项；行业落地的实况，可参考《制造业 AI Agent 本地化部署落地实录》一起看。
结语
国产 GPU 在本地化部署里的实况，不是能不能用，而是你的模型能不能顺畅用。昇腾、海光、寒武纪的差异主要落在软件栈与适配成熟度上：谁的适配清单更贴合你的模型，谁的迁移工时就更低。企业级环曜 Agent 本地化部署在私有环境里先做跑通性验证、再谈性能，把适配风险提前暴露，而不是上线才发现跑不动。
你们的本地化项目用的是哪家卡？适配时卡在哪一步？欢迎在评论区聊聊，我们一起看怎么绕开。
常见问题 FAQ
Q：Q1 国产卡能不能完全替代英伟达？
要分场景。企业级环曜 Agent 本地化部署在私有环境里评估时，先看你的模型是否在适配清单里。在主流开源模型、常规推理场景下，已适配的国产方案可以承担；但在最新模型、复杂训练或小众算子场景，适配成熟度仍有差距，最终还是要回到适配清单来判断。
Q：Q2 国产卡对 RAG 场景影响大吗？
影响主要在推理侧。RAG 的检索与生成两段都要跑，企业级环曜知识库本地化部署会分别验证两段框架在该卡上的支持度，避免只跑通一段就上线。
Q：Q3 适配要花多久？
取决于模型是否已适配。已适配模型通常几天到两周完成部署验证；未适配模型要按算子覆盖情况评估，可能以周计。企业级环曜 Agent 本地化部署在私有环境里把这一步单独排期，不并入常规部署。
Q：Q4 多卡集群怎么管？
靠调度层。环曜 Claw 在执行网关按优先级与配额分发推理请求，配合资源隔离，避免单个任务占满集群。
Q：Q5 现在选国产卡，要留什么后手？
留可替换的余地：把推理层与硬件解耦，模型与业务逻辑不绑死在某家卡上。环曜 Claw 在执行网关把推理请求按优先级分发，也让换卡时上层业务少受影响。中国信通院《国产 AI 算力芯片适配与应用报告（2026）》也建议，企业选型时同步评估软件栈锁定风险，而不是只看单卡性能。
