发帖
雷达卡
AI for Science：科学研究的第五范式
随着人工智能技术的迅猛进步，科学探索正经历一场深刻的范式转变。从早期依赖实验观察与归纳，到理论推导、计算仿真，再到以大数据为基础的研究方式，科学方法不断演进。如今，一种全新的科研模式——AI for Science（科学智能），正在全球范围内掀起变革浪潮，被视为继上述四种之后的“第五科研范式”。
1.1 什么是 AI for Science？
AI for Science 并非仅仅是将AI作为辅助工具使用，而是将其深度整合进整个科研流程中，构成一套全新的科学研究方法论。根据权威定义，它指的是将机器学习、特别是深度学习和大模型技术，嵌入科学发现的六大核心环节：问题提出、假设构建、实验设计、数据采集、分析验证以及持续迭代优化。
这一新范式的最大优势在于显著提升科研的效率、广度与精度。典型代表是荣获2024年诺贝尔化学奖的AlphaFold项目，其成功解决了长期困扰生物学界的蛋白质三维结构预测难题，使原本需要数年完成的任务缩短至几分钟内即可实现，极大推动了药物研发与靶点筛选进程。
import mindspore as ms
from mindspore import nn, ops
import mindspore.numpy as mnp
# 设置运行环境（CPU/GPU/Ascend）
ms.set_context(mode=ms.GRAPH_MODE, device_target="GPU")
# 基础张量操作示例
def tensor_operations():
# 创建张量
x = ms.Tensor([1.0, 2.0, 3.0])
y = ms.Tensor([4.0, 5.0, 6.0])
# 数学运算
z = x + y # 张量相加
w = mnp.sin(z) # 数学函数
# 自动微分
grad_fn = ms.grad(lambda x: mnp.sum(mnp.sin(x)))
gradients = grad_fn(x)
return z, w, gradients
# 执行示例
result_z, result_w, result_grad = tensor_operations()
print(f"张量相加结果: {result_z}")
print(f"正弦函数结果: {result_w}")
print(f"梯度计算结果: {result_grad}")1.2 大模型在科研中的三重角色演进
大型语言模型（LLM）在现代科学研究中已逐步承担起多样化职能，依据其自主性高低可划分为三个层次：
| 角色层级 | 核心功能 | 自主程度 | 典型应用 |
|---|---|---|---|
| 工具（Tool） | 执行特定且明确的任务 | 低 | 文献摘要生成、代码自动编写、数据清洗预处理 |
| 分析师（Analyst） | 进行多步骤的数据建模与综合分析 | 中 | 实验结果解读、跨文献知识挖掘、科学假设生成 |
| 科学家（Scientist） | 独立完成端到端的科研闭环 | 高 | 自主提出假说、设计实验方案并验证发现 |
这种角色的跃迁体现了大模型在复杂推理、任务规划与指令理解方面的重大突破。它们不再只是被动响应指令的自动化组件，而是逐渐具备“类科研主体”的特征，成为科研团队中的智能协作代理，重塑了人机协同的新形态。
import mindspore as ms
from mindspore import nn, ops
from mindspore.common.initializer import XavierUniform
# 定义物理信息神经网络
class PINN(nn.Cell):
def __init__(self, input_dim=1, hidden_dim=50, output_dim=1):
super(PINN, self).__init__()
self.net = nn.SequentialCell(
nn.Dense(input_dim, hidden_dim, weight_init=XavierUniform()),
nn.Tanh(),
nn.Dense(hidden_dim, hidden_dim, weight_init=XavierUniform()),
nn.Tanh(),
nn.Dense(hidden_dim, output_dim, weight_init=XavierUniform())
)
def construct(self, x):
return self.net(x)
# 定义物理约束损失函数
class PhysicsInformedLoss(nn.Cell):
def __init__(self, model, source_term):
super(PhysicsInformedLoss, self).__init__()
self.model = model
self.source_term = source_term
def construct(self, x_domain, x_bc, u_bc):
# 边界条件损失
u_pred_bc = self.model(x_bc)
loss_bc = ops.reduce_mean((u_pred_bc - u_bc)**2)
# 物理方程残差（自动微分）
x_domain.requires_grad = True
u = self.model(x_domain)
u_x = ops.grad(u, x_domain)
u_xx = ops.grad(u_x, x_domain)
# 泊松方程残差
residual = u_xx - self.source_term(x_domain)
loss_pde = ops.reduce_mean(residual**2)
return loss_bc + loss_pde
# 使用示例
pinn_model = PINN()
source_fn = lambda x: -mnp.sin(mnp.pi * x) # 源项
loss_fn = PhysicsInformedLoss(pinn_model, source_fn)
print("PINN模型和损失函数定义完成")1.3 AI for Science 的深层科学价值
AI for Science 的影响远不止于技术提速，更触及科学本质的变革。上海人工智能实验室主任周伯文教授指出，当通用人工智能（AGI）应用于科学时，AI 不再是边缘化的辅助手段，而成为拓展科学认知边界的核心驱动力。它赋予研究人员处理高维、异构、海量数据的能力，助力探索交叉学科前沿，甚至可能催生全新的自然规律认知。
值得注意的是，人们对技术演进常存在“短期高估、长期低估”的认知偏差（即阿玛拉定律）。AI for Science 的真正潜力或许并不体现在当前引人注目的成果上，而在于其对基础科学体系产生的持久性、系统性重塑。正如 AlphaFold 所示，它的意义不仅在于解决一个具体问题，更在于彻底改变了生命科学研究的基本路径与工作范式。
2 昇思MindSpore：支撑AI for Science的关键基础设施
作为华为推出的全场景AI计算框架，昇思MindSpore自2020年3月开源以来，迅速成长为国内最具创新活力的AI开源生态之一。截至最新统计，该框架累计下载量已超过687万次，服务企业超5500家，覆盖高校合作达360所，基于其开发并发表于顶级会议的论文数量逾1200篇，在中国排名第一、全球排名第二，展现出强大的学术与产业影响力。
2.1 MindSpore 2.3 版本的技术革新
最新发布的 MindSpore 2.3 在支持科学计算与大模型训练方面实现了多项关键突破，主要体现在以下三个方面：
- 卓越的并行计算能力：通过自主研发的多副本机制、多流水线交织等八种并行策略，集群扩展线性度可达90%，远高于业界普遍不足60%的水平。这意味着在大规模分布式训练中，MindSpore能高效利用硬件资源，有效避免因规模扩大带来的性能衰减。
- 领先的算力利用率：借助整图优化与下沉执行技术，实际算力利用率达到55%，显著优于行业平均低于40%的表现。对于高度依赖算力的科研任务而言，这大幅降低了研究成本与准入门槛。
- 高效的容错恢复机制：针对大规模集群运行中常见的故障频发与恢复缓慢问题，采用编译快照与确定性检查点（CKPT）技术，可在20分钟内完成系统恢复，远优于行业平均水平，保障长时间科学模拟任务的稳定性与连续性。
# 简化的科学模拟示例
class ScientificSimulator(nn.Cell):
def __init__(self, dt=0.01):
super(ScientificSimulator, self).__init__()
self.dt = dt
def differential_equation(self, t, y):
"""定义微分方程 dy/dt = -k*y"""
k = 0.5 # 衰减系数
return -k * y
def solve_ode(self, t_range, y0):
"""求解常微分方程"""
t = mnp.arange(t_range[0], t_range[1], self.dt)
y = mnp.zeros(len(t))
y[0] = y0
# 使用欧拉法求解
for i in range(1, len(t)):
dy_dt = self.differential_equation(t[i-1], y[i-1])
y[i] = y[i-1] + dy_dt * self.dt
return t, y
# 执行模拟
simulator = ScientificSimulator(dt=0.01)
t, solution = simulator.solve_ode([0, 10], 1.0)
print(f"模拟完成，时间步长: {len(t)}")
print(f"最终值: {solution[-1]:.4f}")2.2 面向科研场景的专用工具集
为更好地服务于AI for Science的发展，MindSpore提供了一系列专为科学计算打造的工具模块：
- MindSpore Flow：流体力学专用套件，集成完整的数值算法库与通用模型接口，支持复杂流场模拟；
- MindSPONGE：分子动力学模拟框架，融合AI加速技术，提升原子级仿真的效率与精度；
- AI生物计算套件：涵盖蛋白质结构预测、序列生成等20余种先进模型，全面支持生命科学领域的智能研究。
这些专业化工具的引入，使得科研人员能够聚焦于科学问题本身，无需过多关注底层实现细节，从而显著降低AI for Science的应用门槛。
2.3 深厚的产学研协同生态体系
MindSpore的优势不仅体现在技术创新上，更在于其构建了一个开放、活跃、深度融合的生态系统。截至2024年3月，平台已累计开源超过500个模型项目，原生或适配支持的大模型数量超过40个，在“百模大战”背景下，已成为国产主流大模型的重要技术底座。
尤为突出的是，MindSpore致力于推动开源社区建设，通过四大核心举措促进学术交流与生态繁荣：
- 开放高质量模型仓库，促进成果共享；
- 建立校企联合实验室，深化产教融合；
- 举办开发者大赛与学术论坛，激发创新活力；
- 提供完善的文档与教学资源，降低学习曲线。
这一系列行动有效连接了学术界与产业界，形成了良性循环的创新生态，为AI for Science的可持续发展提供了坚实支撑。
未来3年，学术论文基金2.0计划将联合全球50多个AI研究团队，共同推进前沿科学研究，推动人工智能与基础科学的深度融合。
在硬件应用层面，开发板应用创新行动依托香橙派开发板，提供系统化案例支持与技术指导，助力开发者实现从概念到原型的快速转化。
为促进原生大模型生态发展，原生大模型孵化支持项目通过专项激励和技术扶持，帮助合作伙伴完成从模型迁移适配向原生开发的关键跨越。
同时，开源社区实习活动鼓励开发者通过实际代码贡献提升能力，推动人才成长与社区共建。
3 创新实践：MindSpore在AI for Science中的突破性进展
3.1 气动外形设计的范式革新
在中国科学院唐志共院士的带领下，基于昇思MindSpore构建的生成式气动设计大模型平台，实现了气动外形设计方式的根本性变革。该平台将传统需耗时数月的设计流程压缩至分钟级，显著提升了概念设计阶段的效率。
技术上，该平台整合了大语言模型、气动外形建模模块、气动性能预测模型以及风雷软件等非AI工具，形成闭环设计体系。在模型研发阶段，借助MindSpore框架和其配套的流体力学计算套件MindSpore Flow，提供了完整的科学计算算法库与通用接口；训练过程中，利用MindSpore的多维分布式并行能力，并依托成都智算中心的强大算力，实现了数据与模型的高效扩展；部署环节中，通过昇思大模型套件，将领域专业知识深度嵌入到整个气动设计系统中。
这一平台具备广泛的应用潜力，未来可拓展至航空、航天、船舶、高铁、能源及汽车等多个工业领域，有望推动大型装备设计与制造能力实现跨越式升级。
import mindspore as ms
from mindspore import nn, ops
import mindspore.numpy as mnp
# 设置运行环境（CPU/GPU/Ascend）
ms.set_context(mode=ms.GRAPH_MODE, device_target="GPU")
# 基础张量操作示例
def tensor_operations():
# 创建张量
x = ms.Tensor([1.0, 2.0, 3.0])
y = ms.Tensor([4.0, 5.0, 6.0])
# 数学运算
z = x + y # 张量相加
w = mnp.sin(z) # 数学函数
# 自动微分
grad_fn = ms.grad(lambda x: mnp.sum(mnp.sin(x)))
gradients = grad_fn(x)
return z, w, gradients
# 执行示例
result_z, result_w, result_grad = tensor_operations()
print(f"张量相加结果: {result_z}")
print(f"正弦函数结果: {result_w}")
print(f"梯度计算结果: {result_grad}")3.2 生物计算领域的AI前沿探索
MindSpore在AI生物计算方向也取得了重要成果。其与顶尖科研机构合作推出的AI生物计算套件，集成了包括蛋白质结构预测与生成在内的20余项先进模型，正在加速生命科学领域的技术创新。
特别是在生物医学研究中，科学大型语言模型（Sci-LLMs）展现出深远影响。最新研究表明，Sci-LLMs的发展经历了四个关键阶段：从迁移学习，到规模化训练，再到指令遵循，最终迈向“代理科学”阶段。这标志着模型正从被动的知识检索工具，演变为能够主动参与科学发现的智能体。这一演进路径已在MindSpore支撑的生物计算实践中得到充分验证。
3.3 多学科交叉融合的广泛应用
除气动设计与生物计算外，MindSpore在计算化学、材料科学、电磁仿真等多个AI for Science领域均表现出强大的适应性和扩展性。其统一的技术架构与专用工具链，使科研人员能够在不同学科间实现方法复用与知识迁移。
| 应用领域 | 关键突破 | 性能提升 | 科学价值 |
|---|---|---|---|
| 计算生物 | 蛋白质结构预测与生成 | 大幅缩短筛选时间 | 加速药物研发流程 |
| 计算化学 | 分子动力学模拟 | 提高模拟精度与规模 | 推动新材料设计 |
| 计算物理 | 流体力学仿真 | 月级到分钟级设计提速 | 变革工程设计范式 |
| 材料科学 | 新材料智能筛选 | 高通量计算与实验验证 | 加速能源材料开发 |
这些跨学科成功案例，凸显了MindSpore作为AI for Science基础平台所具备的通用性与可扩展性，为多学科协同研究提供了坚实的技术底座。
4 实战探索：基于MindSpore的AI for Science代码实践
4.1 环境配置与核心概念
MindSpore在科学计算方面的能力，建立在其高效的自动微分机制和灵活的张量操作之上。以下为环境搭建与基础使用的代码示例：
import mindspore as ms
from mindspore import nn, ops
from mindspore.common.initializer import XavierUniform
# 定义物理信息神经网络
class PINN(nn.Cell):
def __init__(self, input_dim=1, hidden_dim=50, output_dim=1):
super(PINN, self).__init__()
self.net = nn.SequentialCell(
nn.Dense(input_dim, hidden_dim, weight_init=XavierUniform()),
nn.Tanh(),
nn.Dense(hidden_dim, hidden_dim, weight_init=XavierUniform()),
nn.Tanh(),
nn.Dense(hidden_dim, output_dim, weight_init=XavierUniform())
)
def construct(self, x):
return self.net(x)
# 定义物理约束损失函数
class PhysicsInformedLoss(nn.Cell):
def __init__(self, model, source_term):
super(PhysicsInformedLoss, self).__init__()
self.model = model
self.source_term = source_term
def construct(self, x_domain, x_bc, u_bc):
# 边界条件损失
u_pred_bc = self.model(x_bc)
loss_bc = ops.reduce_mean((u_pred_bc - u_bc)**2)
# 物理方程残差（自动微分）
x_domain.requires_grad = True
u = self.model(x_domain)
u_x = ops.grad(u, x_domain)
u_xx = ops.grad(u_x, x_domain)
# 泊松方程残差
residual = u_xx - self.source_term(x_domain)
loss_pde = ops.reduce_mean(residual**2)
return loss_bc + loss_pde
# 使用示例
pinn_model = PINN()
source_fn = lambda x: -mnp.sin(mnp.pi * x) # 源项
loss_fn = PhysicsInformedLoss(pinn_model, source_fn)
print("PINN模型和损失函数定义完成")代码示例1：MindSpore基础张量操作与自动微分
4.2 物理信息神经网络（PINN）的实现
物理信息神经网络是AI for Science的重要分支之一，其核心思想是将物理规律以微分方程形式融入神经网络训练过程。下述代码展示了如何使用MindSpore求解一维泊松方程：
# 简化的科学模拟示例
class ScientificSimulator(nn.Cell):
def __init__(self, dt=0.01):
super(ScientificSimulator, self).__init__()
self.dt = dt
def differential_equation(self, t, y):
"""定义微分方程 dy/dt = -k*y"""
k = 0.5 # 衰减系数
return -k * y
def solve_ode(self, t_range, y0):
"""求解常微分方程"""
t = mnp.arange(t_range[0], t_range[1], self.dt)
y = mnp.zeros(len(t))
y[0] = y0
# 使用欧拉法求解
for i in range(1, len(t)):
dy_dt = self.differential_equation(t[i-1], y[i-1])
y[i] = y[i-1] + dy_dt * self.dt
return t, y
# 执行模拟
simulator = ScientificSimulator(dt=0.01)
t, solution = simulator.solve_ode([0, 10], 1.0)
print(f"模拟完成，时间步长: {len(t)}")
print(f"最终值: {solution[-1]:.4f}")代码示例2：物理信息神经网络实现
4.3 简化的科学模拟实例
以下代码演示了如何利用MindSpore进行轻量级科学模拟，展现其在计算效率方面的优势：
代码示例3：科学模拟示例
4.4 实验结果与性能评估
通过上述实践可以看出，MindSpore在科学计算中具备多项突出优势：
- 简洁的自动微分机制：基于源码转换的自动微分方式，使得构建如PINN等复杂模型更加直观，避免了繁琐的手动导数推导。
- 卓越的计算性能：结合图算融合与硬件感知优化策略，MindSpore能充分发挥底层硬件的加速潜力，显著提升模拟速度。
- 灵活的编程接口设计：兼顾动态图的易用性与静态图的高性能，既保障开发灵活性，又保留充分的优化空间。
下表总结了MindSpore与传统科学计算框架在关键特性上的对比：
| 特性 | MindSpore | 传统科学计算框架 | 优势 |
|---|---|---|---|
| 自动微分 | 基于源码转换 | 数值微分或符号微分 | 精确高效 |
| 硬件加速 | 全场景支持 | 有限支持 | 最佳性能 |
| 分布式训练 | 8种并行技术 | 传统MPI | 线性度90%+ |
| 开发效率 | 高阶API丰富 | 需要底层编码 | 快速原型 |
这些特性使MindSpore成为处理大规模科学计算任务和复杂系统仿真的理想选择，为AI for Science的研究与发展提供了强有力的技术支撑。
5 未来展望：AI for Science的发展路径与挑战
5.1 当前面临的主要技术难题
尽管AI for Science展现出广阔前景，但其深入发展仍面临诸多挑战。从技术角度看，主要体现在以下几个方面：
数据质量与多模态融合：高质量、标注完善的科学数据仍然稀缺，且来自不同来源的数据格式多样、标准不一，导致跨模态数据融合困难，限制了模型泛化能力。
科学数据往往表现出稀疏性、高噪声以及多尺度的特征，且采集成本高昂。不同学科间在数据格式、标准和质量方面存在显著差异，这对模型的泛化能力提出了更高要求。科学大型语言模型（Sci-LLMs）必须能够处理异构、多源、不确定性高的科学语料库，这就需要其表示方法具备领域不变性，并支持跨模态推理能力。
在模型可解释性与物理一致性方面，科学研究不仅追求预测精度，更强调机制层面的理解。当前多数深度学习模型仍为“黑箱”结构，难以提供具有科学意义的解释。更为关键的是，部分AI模型输出结果可能违背已知物理规律，缺乏物理一致性。因此，将物理约束直接嵌入模型架构被视为实现可靠科学推理的重要路径。
import mindspore as ms
from mindspore import nn, ops
import mindspore.numpy as mnp
# 设置运行环境（CPU/GPU/Ascend）
ms.set_context(mode=ms.GRAPH_MODE, device_target="GPU")
# 基础张量操作示例
def tensor_operations():
# 创建张量
x = ms.Tensor([1.0, 2.0, 3.0])
y = ms.Tensor([4.0, 5.0, 6.0])
# 数学运算
z = x + y # 张量相加
w = mnp.sin(z) # 数学函数
# 自动微分
grad_fn = ms.grad(lambda x: mnp.sum(mnp.sin(x)))
gradients = grad_fn(x)
return z, w, gradients
# 执行示例
result_z, result_w, result_grad = tensor_operations()
print(f"张量相加结果: {result_z}")
print(f"正弦函数结果: {result_w}")
print(f"梯度计算结果: {result_grad}")大规模AI驱动的科学计算依赖大量算力资源，这使得资源有限的研究机构面临巨大挑战。同时，领域科学家需掌握AI技术，而AI研究人员也需深入理解具体科学问题，这种复合型人才极为稀缺。提升框架易用性、降低技术门槛，是推动AI for Science广泛应用的核心环节之一。
5.2 MindSpore的应对策略与创新实践
面对上述挑战，MindSpore通过多项核心技术突破提供了系统性解决方案。在物理信息融合方面，该框架支持将哈密顿网络、拉格朗日网络等物理机理直接构建于神经网络结构中，确保模型演化过程符合基本物理定律。其内置的符号计算能力进一步实现了从数值模拟向符号推理的跃迁，增强了对科学规律的挖掘潜力。
针对计算资源瓶颈，MindSpore设计了跨平台协同计算架构，支持端、边、云一体化部署，实现边缘侧数据实时采集与云端高效训练的联动。联邦学习功能则允许多个科研机构在不共享原始数据的前提下联合建模，在保障数据隐私的同时促进科学模型共建。
为降低使用门槛，MindSpore推出了面向科研场景的专用工具集——MindScience套件。其中包括如MindSpore Flow（用于计算流体力学）、MindSPONGE（用于分子动力学模拟）等模块化组件，使非AI背景的科研人员无需深入编程即可应用先进人工智能方法进行研究工作。
5.3 未来发展趋势展望
AI for Science的发展正朝着以下几个方向演进：
专业化与跨学科融合并行的科学大模型：未来的Sci-LLMs将逐步从通用基础模型转向特定科学领域的专用模型，同时保留跨学科知识迁移的能力。最终目标是构建支持多模态输入与跨领域推理的智能科学系统。
自主科学发现系统的兴起：基于AI的自动化科研系统正在迈向全流程闭环，涵盖假设生成、实验设计、数据采集到结果分析的完整链条。正如周伯文教授提出的AGI for Science愿景所示，AI将不再只是辅助工具，而是具备复杂推理与创造性思维的“虚拟科学家”。
人机协同的新科研范式：未来科研模式将形成人类科学家与AI系统深度协作的格局。研究人员专注于提出核心科学问题、构建理论框架和解读成果意义，而AI则承担数据预处理、模型优化与大规模仿真任务。
5.4 推动AI for Science生态发展的建议
技术进步：持续增强AI框架在科学计算方面的底层能力，重点提升模型可解释性与物理一致性水平；建设统一的跨学科数据集与标准化评估基准，促进模型比较与复现。
产学研深度融合：加强高校、研究机构与企业的合作，推动AI算法与具体科学问题的紧密结合。MindSpore通过设立学术基金、开放开源社区等方式建立的协同生态，为行业提供了可借鉴的范例。
交叉人才培养：构建覆盖AI技术和专业科学知识的课程体系，搭建实践导向的教学与研究平台，加快培养兼具双重素养的复合型人才。
伦理规范体系建设：制定AI for Science的伦理准则与操作规范，确保研究成果可验证、可重现，并符合科研诚信与社会伦理要求。
结语
AI for Science标志着科学研究范式的根本性转变。昇思MindSpore作为一款高性能AI计算框架，正在为这一变革提供坚实的技术支撑。
首先，AI for Science代表了一种全新的方法论革新，它融合了数据驱动与理论推导两种路径，催生出前所未有的科学发现方式。无论是在蛋白质结构预测还是气动外形优化中，AI都展现出颠覆传统研究流程的巨大潜力。
其次，MindSpore凭借自动微分机制、全场景部署能力以及卓越的并行效率（集群线性度超过90%），结合高达55%的算力利用率，为复杂科学计算提供了强大运行基础。
再次，从空气动力学设计到分子级模拟，MindSpore已在多个实际科研场景中落地应用，将原本耗时数月的任务压缩至几分钟内完成。这些案例充分证明，AI for Science不仅具备理论价值，更能切实解决工程与科研中的关键难题。
尽管目前仍面临数据质量、模型可解释性等方面的挑战，但借助物理信息嵌入、分布式协同计算等技术创新，AI for Science的发展前景广阔。随着技术迭代和生态系统不断完善，有望在未来催生更多重大科学突破。
展望未来，“人工智能+”战略的深入推进将使AI for Science在科技创新与产业升级中发挥更加核心的作用，成为发展新质生产力的重要驱动力。我们正处于科研新范式来临的前夜，这是一个充满机遇与挑战的时代，而以MindSpore为代表的AI框架，将成为探索自然规律与未知世界的关键工具。
import mindspore as ms
from mindspore import nn, ops
import mindspore.numpy as mnp
# 设置运行环境（CPU/GPU/Ascend）
ms.set_context(mode=ms.GRAPH_MODE, device_target="GPU")
# 基础张量操作示例
def tensor_operations():
# 创建张量
x = ms.Tensor([1.0, 2.0, 3.0])
y = ms.Tensor([4.0, 5.0, 6.0])
# 数学运算
z = x + y # 张量相加
w = mnp.sin(z) # 数学函数
# 自动微分
grad_fn = ms.grad(lambda x: mnp.sum(mnp.sin(x)))
gradients = grad_fn(x)
return z, w, gradients
# 执行示例
result_z, result_w, result_grad = tensor_operations()
print(f"张量相加结果: {result_z}")
print(f"正弦函数结果: {result_w}")
print(f"梯度计算结果: {result_grad}")2025年昇腾CANN训练营第二季正式启动，依托CANN开源开放的全场景能力，精心打造面向不同开发阶段人群的系列课程。课程涵盖零基础入门指南、码力全开进阶特辑以及真实开发者案例分享等多个专题，帮助参与者系统化掌握Ascend C算子开发技能。
学员在完成学习任务后，可通过考核获得Ascend C算子中级认证，并领取专属精美证书。积极参与社区任务还有机会赢取华为手机、平板设备及昇腾开发板等丰富奖品。
import mindspore as ms
from mindspore import nn, ops
import mindspore.numpy as mnp
# 设置运行环境（CPU/GPU/Ascend）
ms.set_context(mode=ms.GRAPH_MODE, device_target="GPU")
# 基础张量操作示例
def tensor_operations():
# 创建张量
x = ms.Tensor([1.0, 2.0, 3.0])
y = ms.Tensor([4.0, 5.0, 6.0])
# 数学运算
z = x + y # 张量相加
w = mnp.sin(z) # 数学函数
# 自动微分
grad_fn = ms.grad(lambda x: mnp.sum(mnp.sin(x)))
gradients = grad_fn(x)
return z, w, gradients
# 执行示例
result_z, result_w, result_grad = tensor_operations()
print(f"张量相加结果: {result_z}")
print(f"正弦函数结果: {result_w}")
print(f"梯度计算结果: {result_grad}")本次训练营致力于降低AI开发门槛，提供从理论到实践的一站式学习路径，助力开发者在昇腾生态中快速成长。更多详情及报名信息请访问官方页面。
京公网安备 11010802022788号
