不追製程、不靠HBM、不復制GPU，東方算芯首顆AI芯片有哪些新招數

AI運算的競賽維度正在出現明顯分化。過去幾年，業界幾乎依循同一條路徑前進：更先進的製程、更大的GPU集群、更高的算力。然而隨著模型從訓練走向推理應用，遊戲規則開始改變，推理成本、Token吞吐量與部署效率成為更關鍵的指標。與此同時，能源消耗、製造工藝與供應鏈的限制也日益凸顯。當單純堆疊算力愈來愈困難、提升效率成為新競爭方向時，國產AI晶片是否還有其他可能性？東方算芯試圖給出自己的解答。今年7月，東方算芯在首屆產品發表會上正式推出國內首顆採用軟體定義近存計算的3D AI晶片DF1000。

更值得關注的是這顆晶片所完成的一系列工程驗證：全程在國產供應鏈完成晶圓流片與製造，128卡集群已在真實業務場景中穩定運行，全端軟體生態也同步搭建完成。一套從晶片到系統的國產AI算力方案初步成形。香港工程院院士鄭光廷在會中指出，AI的發展正受到物理世界的約束。根據國際能源署（IEA）數據，2025年AI專用資料中心的用電量成長50%，遠高於整體資料中心17%的增幅。Gartner更預測，到2030年為止，針對AI負載最佳化的伺服器預計將消耗資料中心近一半的電力。鄭光廷認為，未來真正稀缺的資源未必是算力，而可能是能源。如何在有限的能源與資源限制下釋放出更多有效算力，已成為整個產業共同面對的課題。

東方算芯副總裁郭煒則從當前最熱門的應用場景「AI Agent」出發，指出智慧體時代需要更聰明的模型與更低成本的應用，這意味著訓練必須更高效，推理必須更便宜。他進一步分析，預訓練約占訓練總計算量的70%，本質上屬於計算密集型任務，因此晶片的運算能力仍是決定訓練效率的核心。然而推理場景對晶片的要求截然不同，當模型參數固定後，系統必須不斷讀取模型權重與KV Cache，再逐個生成Token；換句話說，晶片競爭的重點正從「算得快」轉向「搬得快」。郭煒解釋，推理過程中的Decode階段占據大部分時間，其Token吞吐量高度依賴記憶體頻寬，也就是計算單元與儲存單元之間的資料傳輸效率。

當AI需求同時走向成長與分化，問題進一步延伸：訓練時代的「王者」GPU還能勝任這個更複雜的新週期嗎？對國產GPU而言，供應鏈是最直接的一道門檻。從訓練側看，提升運算能力愈來愈依賴先進製程、更大的計算單元規模與更高的電晶體密度。郭煒坦言，目前國際領先晶片製造製程已進入3奈米，而國內能取得的先進製程仍以14奈米級為主，製程代差直接限制了國產AI晶片的提升空間。推理側的瓶頸則轉向儲存與互連：先進HBM決定單卡記憶體頻寬的上限，但其供應同樣受制；高速I/O介面的密度與性能也受到製造製程的影響，進而限制卡間互連頻寬。更根本的問題在於，傳統GPU本身未必是AI時代的最優解。

北京超弦儲存器研究院執行副院長趙超指出，傳統馮紐曼架構將處理器與儲存器分離，在AI算力高度成長的現在，兩者之間的資料交換效率已愈來愈難跟上計算效率。重新思考計算、儲存與系統之間的關係成為必然選擇。東方算芯創始人、董事長兼CEO魏少軍因此直言，當前國產晶片行業真正需要思考的不是簡單複製既有的GPU發展路徑，而是走出一條屬於自己的道路——以架構自主、技術原創、生態自立與供應鏈安全可控，重新構建適合AI時代的晶片體系。東方算芯給出的答案具體而明確。DF1000是該公司首顆大算力AI晶片，同時面向訓練與推理場景。

在產品發表會上，東方算芯同步推出基於DF1000的完整產品矩陣，包含加速卡、超節點、伺服器、智算集群以及軟體棧。其中，「巔峰1000」AI加速卡單卡可提供520T BF16算力與6.4TB/s的記憶體頻寬，支援AFD分散式推理；「拓域64」超節點進一步擴大系統規模，可實現33P BF16算力與近900GB/s的Scale up頻寬；「慧算」集群採用fullmesh多晶片互連結構與全銅纜連接，因應更大規模的算力部署；「擎元100」一體機則瞄準中小型客戶，提供預裝模型、開箱即用的快速部署方案。

軟體生態方面，東方算芯推出CAAP全端軟體棧，涵蓋編譯器、運算子庫、集合通訊庫、分散式訓練框架及工具鏈，並支援主流深度學習框架與開源模型生態。支撐這條完整產品鏈的核心，是該公司從成立之初便鎖定的「軟體定義晶片」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。傳統GPU中，大量計算資源按照固定方式運作，資源浪費難以避免。東方算芯選擇採用粗粒度計算架構，透過資料流驅動不同計算單元協同工作，結合任務空間平行與資源分時多工，使同一套硬體能根據不同模型動態分配計算資源，在不增加晶片面積的情況下大幅提升整體資源利用率。

面對記憶體頻寬瓶頸，東方算芯選擇近存計算路線，透過3D混合鍵合技術直接堆疊邏輯晶圓與儲存晶圓，使計算單元與儲存單元幾乎「貼在一起」。根據現場公布的數據，相較於傳統HBM方案，3D DRAM能提供數十倍TSV連接數量，訪存頻寬可達同容量HBM的5倍以上；同時還能透過增加晶圓堆疊層數進一步擴充記憶體容量。這種3D堆疊帶來的效益不限於儲存性能，更釋放出封裝空間，原本HBM占用的封裝面積與互連介面被重新分配給計算單元與互連資源。郭煒指出，在相同封裝尺寸下，東方算芯選擇的3.5D Plus封裝比傳統2.5D封裝能同時獲得更大的算力規模、更高的網路頻寬與更強的互連能力，也為未來擴展晶片規模預留了空間。

基於這條技術路線，東方算芯已確立「量產一代、研發一代、預研一代」的產品策略。郭煒透露，下一代DF2000預計在今年第四季發表，整體性能參數將在DF1000基礎上實現翻倍；DF3000則計劃於明年推出。從晶片架構創新到系統級驗證，從硬體產品矩陣到完整軟體生態，東方算芯在國產AI晶片的另一條道路上踏出了第一步，也為產業提供了更多想像空間。