东方算芯首颗AI芯片不追制程不靠HBM不复制GPU新招数

先说几个核心判断。AI算力仍在高速增长，但芯片的竞争维度已经明显分化。

过去几年，AI芯片的发展路径几乎是沿着单一方向演进：更先进的制程工艺、更大的GPU集群、更高的峰值算力。

然而，推理时代的到来，正在改写原有的游戏规则。模型不再只关注训练速度，推理成本、Token吞吐量、部署效率等指标也变得同等重要。与此同时，能源消耗、制造工艺和供应链的约束也在日益凸显。

当堆砌算力变得越来越困难，提升效率成为新的竞争焦点时，一个关键问题摆上台面：国产AI芯片，是否还有另一条发展路径？

东方算芯试图给出自己的答案。在7月举行的首届产品发布会上，他们正式推出了国内首款采用软件定义近存计算路线的3D AI芯片DF1000。

相比单颗芯片的参数，更值得关注的是它所完成的一系列工程验证：依托全国产供应链完成流片和制造，128卡集群在真实业务场景中稳定运行，全栈软件生态同步搭建完成。

一套从芯片到系统的国产AI算力解决方案，初步成型。

从“算得快”到“搬得快”，AI芯片的新范式

一边是持续膨胀的算力需求，另一边则是不断攀升的能源和资本投入。在香港工程院院士郑光廷看来，AI的发展正受到物理世界的约束。

国际能源署（IEA）的数据很能说明问题：AI专用数据中心的用电量在2025年增长了50%，远高于数据中心整体17%的增速。Gartner则预测，到2030年，面向AI负载优化的服务器预计将占所有数据中心电力消耗的近一半。

基于此，郑光廷指出，未来真正稀缺的资源未必是算力，而可能是能源。如何在有限的能源和资源约束下，释放更多有效算力，已成为整个AI产业共同面对的挑战。

解题的第一步，需要先厘清一件事：训练和推理真正消耗的到底是什么。

东方算芯副总裁郭炜从当前最火爆的应用——Agent出发，指出AI智能体时代需要更智能的模型和更低成本的应用，这意味着训练必须更高效、推理必须更便宜。

结合大模型训练流程，他分析道，占据训练计算量约70%的预训练，本质上属于计算密集型任务，因此芯片计算能力仍然是决定训练效率的核心指标。

但推理不一样。模型参数固定后，系统大部分时间都在读取权重和KV Cache，然后生成Token。此时，瓶颈从“算得快”变成了“搬得快”。

郭炜进一步解释，推理中的Decode阶段占据时间大头，其Token吞吐能力高度依赖访存带宽——也就是计算单元与存储单元之间的数据传输速度。

当AI需求同时走向增长与分化，问题进一步延伸：训练时代的“王者”GPU，是否还能适配这个更复杂的新周期？

对于国产GPU而言，供应链是必须直面的第一道坎。

从训练侧来看，计算能力的提升越来越依赖先进制程、更大的计算单元规模以及更高的晶体管密度。

郭炜坦言，目前国际领先芯片制造工艺已进入3纳米，而国内能够获取的先进工艺仍以14纳米级为主，工艺代差直接限制了国产AI芯片的提升空间。

推理侧的瓶颈则转向存储与互联。先进HBM决定了单卡存储带宽的上限，但其供应同样受限；与此同时，高速I/O接口的密度与性能也受到制造工艺的制约，进而影响卡间互联带宽。

但更本质的问题在于，传统GPU本身也未必是AI时代的最优解。

北京超弦存储器研究院执行副院长赵超指出，传统冯·诺依曼架构将处理器与存储器分离，在AI算力高速增长的当下，两者之间的数据交换效率已越来越难跟上计算效率。

重新思考计算、存储与系统之间的关系，成为必然选择。

也正因如此，东方算芯创始人、董事长兼CEO魏少军直言，当下国产芯片行业真正需要思考的已经不是简单复制既有GPU的发展路径，而是走出一条属于自己的道路——以架构自主、技术原创、生态自立和供应链安全可控，重新构建适合AI时代的芯片体系。

用软件定义硬件，重组计算、存储与封装

东方算芯给出了它的答案。

作为东方算芯首颗大算力AI芯片，DF1000同时面向训练与推理场景。在首次产品发布会上，东方算芯还基于DF1000芯片，推出了完整的产品矩阵，包含加速卡、超节点、服务器、智算集群以及软件栈。

其中，巅峯1000 AI加速卡单卡可实现520T BF16算力、6.4TB/s显存带宽，支持AFD分布式推理；拓域64超节点进一步扩大系统规模，可实现33P BF16算力，近900GB/s Scale up带宽；慧算集群则采用fullmesh多芯互联结构和全铜缆连接，面向更大规模算力部署；擎元100一体机则针对中小体量客户，提供预装模型、开箱即用的快速部署方案。

聚焦软件生态，东方算芯同步推出的CAAP软件栈覆盖编译器、算子库、集合通信库、分布式训练框架以及工具链，支持主流深度学习框架和开源模型生态。

支撑这一完整链条的，是东方算芯从成立之初就锚定的“软件定义芯片”路线。郭炜介绍，这一路径首先改变的是计算资源的组织方式。

在传统GPU中，大量计算资源的工作模式按照固定方式组织，资源浪费难以避免。而东方算芯选择采用粗粒度计算架构，通过数据流驱动不同计算单元协同工作，并结合任务空间并行和资源时分复用，让同一套硬件能够根据不同模型动态分配计算资源。在不增加芯片面积的情况下，整体资源利用率实现大幅提升。

面对存储墙，东方算芯选择近存计算路线，通过3D混合键合的技术手段将逻辑晶圆和存储晶圆直接堆叠，让计算单元和存储单元几乎“贴在一起”。

根据现场披露的数据，相比传统HBM方案，3D DRAM能够提供数十倍TSV连接数量，访存带宽达到同容量HBM的5倍以上；同时，还可以通过增加晶圆堆叠层数继续扩展显存容量。

这种3D堆叠带来的不仅是存储性能的提升，更释放了封装空间。省下的HBM封装面积和互联接口，被重新分配给计算单元与互联资源。

在郭炜看来，相比传统2.5D封装，在相同封装尺寸下，东方算芯选择的3.5D Plus方案能够同时获得更大的算力规模、更高的网络带宽和更强的互联能力，也为未来继续扩展芯片规模预留了空间。

基于这条路线，东方算芯已经明确“量产一代、研发一代、预研一代”的产品战略。郭炜透露，下一代DF2000预计在今年四季度发布，整体性能参数将在DF1000基础上实现翻倍提升；DF3000则计划于明年推出。

国产AI芯片的更多可能性将被持续验证，而东方算芯的第一笔，已经落下。