NumPy代码零改动跑GPU

做科学计算的团队之前切GPU通常要重写PyTorch或手写CUDA kernel，迁移成本极高。CuPy的drop-in设计让你import cupy as np就能跑，但真正的陷阱在内存管理和CPU-GPU数据传输——盲目迁移反而可能更慢。

跟PyTorch比，CuPy更适合已有大量NumPy/SciPy代码库且不需要自动求导的场景；跟JAX比，CuPy学习曲线几乎为零但分布式能力弱。如果你在做传统数值模拟、信号处理或图像处理，代码库里numpy调用遍地都是，花一天做CuPy迁移的ROI通常很高。注意先profile确认瓶颈确实在计算而非IO。