<mark id="oztn4"></mark>
0
| 本文作者： 陳悅琳 | 2026-07-17 10:24 |
AI算力仍在狂奔，但芯片的競爭維度卻發生明顯的分化。
過去幾年，AI芯片的發展幾乎遵循著同一條路徑：更先進的制程、更大的GPU集群、更高的算力。
但推理時代的到來，開始改變這套游戲規則。模型不再只追求訓練速度，更關注推理成本、Token吞吐和部署效率等指標。與此同時，能源、制造工藝和供應鏈的制約也在日益凸顯。
當堆算力越來越難、提升效率成為新的競爭方向時，國產AI芯片是否還有另一種可能？
東方算芯試圖給出自己的答案。7月舉行的首屆產品發布會上，東方算芯正式推出國內首顆采用軟件定義近存計算3D AI芯片DF1000。
相比單顆芯片的參數，更值得關注的是它所完成的一系列工程驗證：全國產供應鏈完成流片和制造，128卡集群在真實業務場景中穩定運行，全棧軟件生態同步搭建。
一套從芯片到系統的國產AI算力方案，初步成型。
從“算得快”到“搬得快”，AI芯片的新范式
一邊是持續膨脹的算力需求，另一邊則是不斷攀升的能源和資本投入。在香港工程院院士鄭光廷看來，AI的發展正在受到物理世界的約束。
國際能源署（IEA）數據顯示，AI專用數據中心的用電量在2025年增長了50%，遠高于數據中心整體17%的增速。Gartner則預測，直至2030年，面向AI負載優化的服務器預計將占所有數據中心電力消耗的近一半。
基于此，鄭光廷指出，未來真正稀缺的資源未必是算力，而可能是能源。如何在有限的能源和資源約束下，釋放更多有效算力，已經成為整個AI產業共同面對的問題。
而解題的第一步，需要先厘清訓練和推理真正消耗的是什么。
東方算芯副總裁郭煒從當前最火爆的應用Agent出發，指出AI智能體時代需要更聰明的模型和更低成本的應用，這意味著訓練必須更高效、推理必須更便宜。
結合大模型訓練流程，郭煒分析，占據訓練計算量約70%的預訓練，本質上屬于計算密集型任務，因此芯片計算能力仍然是決定訓練效率的核心指標。
而推理場景對芯片要求的邏輯與訓練截然不同。當模型參數相對固定后，系統需要不斷讀取模型權重和KV Cache，再完成Token生成。這意味著，芯片競爭的重點正從“算得快”轉向“搬得快”。
郭煒進一步解釋，推理中的Decode階段占據時間大頭，其Token吞吐能力高度依賴訪存帶寬——計算單元與存儲單元之間的數據傳輸。
當AI需求同時走向增長與分化，問題進一步延伸：訓練時代的“王者”GPU，還能否適配這個更復雜的新周期？
對于國產GPU而言，供應鏈是必須直面的第一道坎。
從訓練側來看，計算能力的提升越來越依賴先進制程、更大的計算單元規模以及更高的晶體管密度。
郭煒坦言，目前國際領先芯片制造工藝已經進入3納米，而國內能夠獲取的先進工藝仍以14納米級為主，工藝代差直接限制了國產AI芯片的提升空間。
而推理側的瓶頸則轉向存儲與互聯。先進HBM決定了單卡存儲帶寬的上限，但其供應同樣受限；與此同時，高速I/O接口的密度與性能也受到制造工藝的制約，進而影響卡間互聯帶寬。
但更本質的問題在于，傳統GPU本身也未必是AI時代的最優解。
北京超弦存儲器研究院執行副院長趙超指出，傳統馮·諾依曼架構將處理器與存儲器分離，在AI算力高度增長的當下，兩者之間的數據交換效率已經越來越難跟上計算效率。
重新思考計算、存儲與系統之間的關系成為必然選擇。
也正因如此，東方算芯創始人、董事長兼CEO魏少軍直言，當下國產芯片行業真正需要思考的已經不是簡單復制既有GPU的發展路徑，而是走出一條屬于自己的道路——以架構自主、技術原創、生態自立和供應鏈安全可控，重新構建適合AI時代的芯片體系。
用軟件定義硬件，重組計算、存儲與封裝
東方算芯給出了它的答案。
作為東方算芯首顆大算力AI芯片，DF1000同時面向訓練與推理場景。在首次產品發布會上，東方算芯還基于DF1000芯片，推出了完整的產品矩陣，包含加速卡、超節點、服務器、智算集群以及軟件棧。
其中，巔峯1000 AI加速卡單卡可實現520T BF16算力、6.4TB/s顯存帶寬，支持AFD分布式推理；拓域64超節點進一步擴大系統規模，可實現33P BF16算力，近900GB/s Scale up帶寬；慧算集群則采用fullmesh多芯互聯結構和全銅纜連接，面向更大規模算力部署；擎元100一體機則針對中小體量客戶，提供預裝模型、開箱即用的快速部署方案。
聚焦軟件生態，東方算芯同步推出的CAAP軟件棧覆蓋編譯器、算子庫、集合通信庫、分布式訓練框架以及工具鏈，支持主流深度學習框架和開源模型生態。
支撐這一完整鏈條的核心，是東方算芯從成立之初就錨定的“軟件定義芯片”路線。郭煒介紹，這一路徑首先改變的是計算資源的組織方式。
在傳統GPU中，大量計算資源的工作模式按照固定方式組織，資源浪費難以避免。而東方算芯選擇采用粗粒度計算架構，通過數據流驅動不同計算單元協同工作，并結合任務空間并行和資源時分復用，讓同一套硬件能夠根據不同模型動態分配計算資源。在不增加芯片面積的情況下，整體資源利用率實現大幅提升。
面對存儲墻，東方算芯選擇近存計算路線，通過3D混合鍵合的技術手段將邏輯晶圓和存儲晶圓直接堆疊，使計算與存儲之間幾乎“貼在一起”。
根據現場披露數據，相比傳統HBM方案，3D DRAM能夠提供數十倍TSV連接數量，使訪存帶寬達到同容量HBM的5倍以上；同時，還能夠通過增加晶圓堆疊層數繼續擴展顯存容量。
這種3D堆疊帶來的不僅是存儲性能的提升，更釋放了封裝空間。省下的HBM封裝面積和互聯接口，被重新分配給計算單元與互聯資源。
在郭煒看來，相比傳統2.5D封裝，在相同封裝尺寸下，東方算芯選擇的3.5D Plus能夠同時獲得更大的算力規模、更高的網絡帶寬和更強的互聯能力，也為未來繼續擴展芯片規模預留了空間。
基于這條路線，東方算芯已經明確“量產一代、研發一代、預研一代”的產品戰略。郭煒透露，下一代DF2000預計在今年四季度發布，整體性能參數將在DF1000基礎上實現翻倍提升；DF3000則計劃于明年推出。
國產AI芯片的更多可能將被持續驗證，而東方算芯的第一筆，已經落下。
雷峰網(公眾號：雷峰網)
雷峰網原創文章，未經授權禁止轉載。詳情見轉載須知。
