劍指博通,這家國產互連芯片公司藏不住了
作者 | 陳駿達 編輯 | 漠影 AI算力的競爭,不只發生在芯片內部,也發生在芯片與芯片之間。一顆芯片的峰值算力再高,也不意味著數百顆、數千顆芯片組成的集群就能發揮出相應的性能。數據能否高速傳輸,計算、存儲與網絡能否高效協同,都會影響整套系統的實際表現。隨著AI集群規模愈發龐大,互連已不再只是連接硬件的配套環節,而是決定算力能否充分釋放的重要一環。面臨這一挑戰,國產互連廠商究竟應該如何破局?今天,在國產互連芯片賽道深耕6年、相對低調的無錫廠商眾星微,在品牌及全棧產品發佈會上首次集中展示其全場景高性能互連芯片平臺。
該平臺圍繞通用計算互連與智能計算互連展開佈局,覆蓋存儲、網絡、IO擴展及AI集群互連等多個關鍵場景。目前,眾星微的產品累計出貨量超80萬顆,已進入浪潮、聯想、新華三、中興通訊等企業的產品與解決方案中。發佈會現場,眾星微還與麒麟、統信、騰訊雲、浪潮、新華三、中興、聯想七家產業夥伴戰略簽約,攜手推動互連芯片與操作系統、整機平臺協同適配,共同加快國產高性能互連方案落地。在海外廠商長期佔據優勢的高端互連市場,這家國產廠商憑什麼獲得頭部客戶認可?
作為國內少數具備從核心IP、芯片研發到軟硬件及系統適配全棧佈局的互連芯片企業之一,眾星微的發展,也為觀察國產廠商如何突破海外企業在高端互連市場的優勢,提供了一個值得關注的樣本。一、算力系統選型,不能只看單點性能 對於算力基礎設施建設者而言,選購互連芯片並不是簡單地比較帶寬、時延等參數,而是要判斷產品能否滿足實際業務需求,並在複雜系統中穩定運行。在AI集群中,算力硬件負責執行計算任務,但訓練和推理過程中產生的數據,需要在計算設備、存儲系統和網絡之間不斷流動。如果互連帶寬不足、傳輸時延過高,或者多個設備之間的通信效率不夠理想,就可能導致計算資源等待數據,影響硬件的利用效率。
眾星微將集群有效算力概括為單點算力×規模×互連效率。這一公式從集群整體出發,呈現了算力基礎設施的多重性能影響因素,也為企業評估互連方案提供了一個參考視角。不同應用場景對互連產品的要求也各有側重。在AI集群中,設備間的通信效率直接關係到大規模計算任務的執行;在雲計算和存儲系統中,網絡吞吐量、IO性能與響應時延則分別影響數據傳輸、存儲訪問和業務處理效率。場景不同,企業選型時關注的性能指標也會有所區別,但最終都需要將產品放到實際系統中進行綜合評估。性能指標之外,還有三項因素影響著互連產品能否真正進入企業級應用。首先是運行可靠性。
對於企業級算力基礎設施而言,芯片在實驗室中達到性能指標,只是滿足需求的第一步。面對複雜負載和長時間運行,產品能否保持穩定、保障數據傳輸,同樣是客戶選型時的重要考量。其次是兼容適配能力。互連芯片不僅要滿足相應的接口和協議要求,還需要與不同CPU平臺、操作系統、硬盤、光模塊、通信庫及整機架構協同工作。適配範圍越廣、驗證越充分,客戶將產品集成到現有系統中的難度就越低。第三是量產成熟度與持續交付能力。對於服務器整機廠商和基礎設施建設者來說,芯片完成設計和點亮,並不意味著已經具備規模應用條件。能否穩定量產、持續供貨,並提供後續技術支持與產品迭代,關係到客戶能否持續部署和升級系統。
由此來看,高性能互連芯片的競爭,既涉及芯片本身的性能,也涉及產品在真實系統中的可靠性、適配效率與持續供貨能力。對於客戶而言,最終需要評估的不是某一項參數是否領先,而是整套互連方案能否滿足業務需求,並支撐系統長期運行。二、從單點產品到全場景供給,眾星微如何回應不同需求?要回應算力系統在性能、可靠性、兼容適配與持續交付等方面的需求,互連芯片廠商需要具備覆蓋不同應用場景的產品能力。眾星微將產品佈局劃分為通用計算互連與智能計算互連兩大方向:前者覆蓋服務器和存儲系統中的存儲、網絡及IO擴展需求,後者則面向新一代AI基礎設施,佈局高速PCIe交換、InfiniBand網絡及多協議AI網卡等產品。
從基礎互連到AI集群高速互連,眾星微已經推出了12款量產產品,覆蓋算力系統不同層級的數據傳輸需求。在通用計算場景中,眾星微已經圍繞存儲、網絡和IO擴展打造了HBA卡、RAID卡、RoCE網卡及PCIe交換芯片等產品。其中,HBA卡主要面向主機與存儲設備之間的連接需求,RAID卡則涉及存儲組織、IO處理和數據保護等環節。發佈會上,眾星微披露,其RAID產品採用自研芯片與固件,通過數據算法、智能IO中斷聚合等策略進行協同優化,面向數據庫、高冗餘存儲等應用場景。這款產品的讀取性能與國際頭部互連廠商博通的方案持平,在16盤RAID5配置、256KiB順序寫測試中,其寫入帶寬實現了最高47%的性能優勢。
其多模RAID芯片的性能參數也在發佈會上披露:數據傳輸帶寬和IOPS均提升至上一代產品的8倍左右,是海外先進產品性能的2倍左右。網絡方面,眾星微已推出了從10G、25G、100G網卡,面向高吞吐、低時延及RDMA網絡需求。在IO擴展方面,眾星微的PCIe交換芯片採用自研CrossBar架構,支持無阻塞交換,並適配NCCL、RCCL、MCCL、ECCL等通信庫,實測性能可以平替博通的PEX89104芯片。這些產品分別對應存儲訪問、網絡傳輸和設備擴展等需求,共同構成眾星微在通用計算互連領域的產品組合。在智算互連領域,眾星微已佈局PCIe交換芯片、400G IB網卡與IB交換芯片等產品。
其中,PCIe交換芯片用於擴展多GPU之間的連接與數據交換能力,400G IB網卡與IB交換芯片則面向高帶寬、低時延的集群網絡。此次發佈會上,眾星微進一步推出PCIe 6.0 Switch和800G多協議AI NIC,將產品佈局延伸至更高帶寬的設備互連與網絡通信場景。眾星微此次發佈的C82-4G芯片是首顆國產PCIe 6.0 Switch。該產品最多支持144 Lane PCIe 6.0,單Lane傳輸速率達到64 GT/s,較PCIe 5.0翻倍。隨著AI服務器中GPU等計算設備數量增加,系統不僅需要更高帶寬的設備連接,也需要更靈活的互連架構。
C82-4G在提升單Lane帶寬的同時,還支持通過Fabric組網和CXL內存池化能力,為多GPU擴展及更復雜的算力系統架構提供支持。另一款重點新品是800G多協議AI NIC,同樣也是國產首顆。該產品集成48 Lane PCIe Gen6 Switch,深度適配海光CPU和下一代超節點Compute Tray架構,支持RoCE v2、VeRoCE等協議卸載,並具備硬件級逐包噴灑、亂序重組、選擇性重傳和可編程擁塞控制等能力。
與既有的400G IB網卡和IB交換芯片相比,這款新品進一步將網絡帶寬提升至800G,同時支持IB和RoCE雙模式,並可以將PCIe交換能力集成其中,面向下一代超節點對高帶寬、低時延通信的需求。從通用計算到智能計算,不同場景對互連性能、協議和系統架構有著不同要求。對整機廠商而言,如何讓存儲、網絡與計算設備高效協同,同時滿足不同客戶的硬件配置和部署需求,是系統設計中的重要課題。眾星微覆蓋多個互連環節的產品,也為整機設計和系統集成提供了更多選擇。
對於雲計算和AI基礎設施客戶而言,這意味著可以結合自身的算力規模、系統架構和業務需求,選擇更匹配的互連方案,在滿足當前部署需求的同時,為後續擴容和架構升級預留空間。三、一年出貨超40萬顆芯片,核心IP實現自主可控 從已有產品的規模化出貨到新一代高帶寬芯片的佈局,眾星微正在不斷拓展自身的產品邊界。支撐這套佈局的,不僅是持續的研發投入,還有經過市場檢驗的產品、規模化交付經驗,以及面向不同軟硬件平臺的生態適配能力。此前,眾星微在行業中一直相對低調。實際上,眾星微已建立起規模較大的研發體系,擁有1000餘名研發人員,技術人員佔比超過90%。
在無錫、天津、合肥、長沙、成都、深圳、西安等地設有8個研發中心。技術研發上,眾星微堅持核心IP與架構自研,圍繞高速接口、低時延轉發架構、高速SerDes等關鍵技術持續投入,不斷推動產品迭代。在可靠性方面,眾星微構建了覆蓋全鏈路的RAS機制,並通過端到端數據保護、冗餘設計和故障自動倒換等技術,提升產品的穩定性與可靠性。同時,其產品採用國產工藝製造,從核心IP、芯片架構到供應鏈,已形成自主可控的技術體系。面向下一代算力基礎設施建設,眾星微還佈局了光互連、高速SerDes和存儲池化等關鍵技術,推動國產高性能互連向更高帶寬、更低時延方向演進。
不過,技術積累能否轉化為市場競爭力,還要看產品能否經受規模化應用的檢驗。眾星微披露的數據顯示,2025年其全產品累計出貨量超過40萬顆,銷售額超過10億元。自成立以來,其全產品累計發貨量已超過80萬顆,其中網卡超過10萬片、存儲卡超過40萬片、Switch芯片超過30萬顆。在行業應用中,眾星微的HBA和網卡產品已在運營商相關業務中規模部署近10萬片,並在相關網絡雲場景穩定運行18個月以上;基於RAID產品實現的存儲架構能夠滿足金融行業微秒級延遲、百萬級IOPS併發處理能力, 憑藉全棧國產化優勢,已規模化部署5萬餘片。
眾星微透露,其芯片產品的DPPM(每百萬顆缺陷數)低於100,即每100萬顆芯片中退貨數量不足100顆。對這些芯片進行分析後,他們發現,所有問題均非芯片本身所致。與此同時,互連芯片需要與服務器、CPU、操作系統及存儲、網絡等配套組件協同工作,平臺兼容性和生態適配能力同樣影響產品的部署效率。眾星微目前已經完成七大主流CPU平臺適配,並與15+主流算力芯片、15+主流雲平臺、50餘個操作系統夥伴、超300家硬盤及光模塊夥伴展開合作,建立了覆蓋多類軟硬件環節的生態合作網絡。
對於國產高性能互連芯片行業而言,核心技術自主可控是基礎,規模化出貨、穩定運行和複雜軟硬件環境下的兼容適配,則決定著產品能否真正進入算力基礎設施。眾星微已形成覆蓋自主研發、可靠性設計、規模化交付和生態適配的完整能力體系,既能提供自主可控的互連芯片產品,也有規模出貨和實際部署經驗作為支撐。在國內能夠同時具備上述能力的廠商並不多見,這也構成了眾星微在國產高性能互連芯片市場中的差異化優勢。結語:國產互連芯片,能否走出一個“中國博通”?放眼全球,博通等全球頭部互連廠商的競爭力,不僅來自單款芯片,更來自長期積累的產品體系、技術能力與客戶生態。
對眾星微而言,要成為中國算力產業鏈中具有代表性的高性能互連廠商,仍需要在更先進的產品迭代、複雜場景驗證和大規模商業應用中持續接受檢驗。但從全棧佈局到規模交付,眾星微已經展現出向這一方向發展的基礎與潛力。國產互連芯片能否成長出一傢俱有博通式綜合競爭力的企業,也將成為中國算力產業鏈自主化進程中值得關注的看點。
Related
相關文章
Google 開源 Harness²:遞迴代理程式框架,無需新模型也能提升效能
Google Cloud AI Research 開源了 Harness²,這是一個遞迴代理程式框架,透過改良凍結模型周圍的程式碼與檔案來增強效能。對開發者而言,重點很簡單:你的代理程式無需更強大的模型也能進步。重點摘要:規模為框架而非模型,訓練參數為0,包含8個可編輯的框架元件,版本0.1.0。執行環境為Linux、Python 3.12或3.13搭配uv,模型呼叫則透過Vertex AI。GPU需求未公開。效能方面:一次改良步驟即可在3個基準測試中,提升所有4個模型與框架組合的表現。最佳成果:GLM-5搭配OpenCode在WorkBuddy-Bench上從64.2提升至75.7(+11.5點);最差表現:GLM-5搭配Codex在JobBench上僅提升1.2點(23.6至24.8)。什麼是Harness²?它是Google研究推出的即插即用框架。
如何利用NVIDIA結構化資料模型進行零訓練表格預測
In this tutorial, we implement Structured Data Models, NVIDIA’s new library that puts several pretrained foundation models for tables behind one PyTorch interface, and use it to make predictions without training.
認識 Kyutai REKI:2.4B VLA 模型為機器人操控帶來高效記憶
Kyutai 與 Inria 及 École des Ponts 合作,推出了 REKI——一個用於機器人操控的 2.4B 參數視覺-語言-動作模型(VLA)。該模型僅使用公開數據進行預訓練,並配備了輕量級的近期記憶功能。在三個分佈外基準測試中,僅有規模約為其兩倍的模型能超越它。所有模型權重已於今日在 Hugging Face 上公開。核心資訊:規模:2.4B 參數(2.2B Qwen3.5-2B VLM + 0.2B 流匹配動作專家)。記憶涵蓋最近 3 幀,間隔 1 秒。運行環境:在 1 張 NVIDIA H100 上進行基準測試。從兩個 256×256 攝像頭輸入,編譯後每個動作區塊耗時 21.8 毫秒。權重以 BF16 格式提供,暫無量化版本。性能:在 LIBERO-Plus 和 RoboTwin Clean2Rand 基準測試中,為公開數據預訓練的 VLA 模型中最優;在 LIBERO-Plus 上達到 90.4% 的最高分。
DeepSeek 發布 V4.1-Flash-1017,DeepSWE 得分 77.0,並開放搜尋 API
DeepSeek 剛發布 DeepSeek-V4.1-Flash-1017,這是其 V4.1-Flash 模型的新檢查點,現已在 DeepSeek 網站、應用程式及 API 上線。DeepSeek 宣稱該版本在性能、任務完成速度與輸出簡潔度上均優於 9 月發布的 V4.1-Flash,並稱之為性能與成本的帕累託改進。同時,DeepSeek 也向所有開發者開放了搜尋與擷取 API。對代理建構者而言,這意味著更便宜的編碼模型加上單一 API 金鑰即可使用的第一方網路層。重點摘要:骨架參數 552B,另加 196B 的 Engram 參數;預填充階段每 token 啟用 8B 參數,解碼階段啟用 16B 參數;上下文長度達 1M tokens,最大輸出 384K tokens。運行於 DeepSeek API 的 deepseek-flash 模型。9 月版的 V4.1-Flash 權重(763B 參數,FP8)採 MIT 授權。
2026年20款Jev替代方案:挑戰TypeSafe的決策模型
TypeSafe於2026年9月15日推出Jev,這是一款決策模型而非聊天機器人。使用者可定義允許的答案,Jev將回傳標籤、分數或是否的機率。約4週內,至少20款Jev替代方案相繼問世,來自Cloudflare、OpenAI、Perplexity、Liquid AI、AWS的Strands Labs及獨立開發者。本指南比較各方案在規模、授權、硬體、價格、Jev API相容性及已發布基準測試的表現。重點摘要:規模範圍從287M(GLiNER2.5-multi-Decide)到35B-A3B(Mapika Decider),Jev規模未公開。執行環境:Von和Laya等編碼器可在CPU上運行,4B適配器適用24 GB GPU或32 GB Mac。效能:多數開源模型在困難推理上落後Jev,但在狹窄分類任務上數款與之匹敵或超越。最佳表現:Cloudflare Clef在BANKING7取得94.20分。
長鑫科技市值兩月內跌去1萬億;阿里加碼AI硬件品牌,天貓、速賣通聯動;國行版蘋果AI有望12月上線,百度、阿里參與合作丨雷峰早報
要聞提示1.長鑫科技市值兩月內跌去1萬億2.年內已至少18次故障!DeepSeek發放宕機補償,有人拿到3000元3.阿里加碼AI硬件品牌,天貓、速賣通聯動4.國行版蘋果AI有望12月上線,百度、阿里參與合作5.可靈AI新一代模型Kling 4.