AI 算力仍在狂奔，但芯片的竞争维度却发生明显的分化。

过去几年，AI 芯片的发展几乎遵循着同一条路径：更先进的制程、更大的 GPU 集群、更高的算力。

但推理时代的到来，开始改变这套游戏规则。模型不再只追求训练速度，更关注推理成本、Token 吞吐和部署效率等指标。与此同时，能源、制造工艺和供应链的制约也在日益凸显。

当堆算力越来越难、提升效率成为新的竞争方向时，国产 AI 芯片是否还有另一种可能？

东方算芯试图给出自己的答案。7 月举行的首届产品发布会上，东方算芯正式推出国内首颗采用软件定义近存计算 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：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。

一套从芯片到系统的国产 AI 算力方案，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 的发展正在受到物理世界的约束。

国际能源署（IEA）数据显示，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，直至 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，已经成为整个 AI 产业共同面对的问题。

而解题的第一步，需要先厘清训练和推理真正消耗的是什么。

东方算芯副总裁郭炜从当前最火爆的应用 Agent 出发，指出 AI 智能体时代需要更聪明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，郭炜分析，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。

而推理场景对芯片要求的逻辑与训练截然不同。当模型参数相对固定后，系统需要不断读取模型权重和 KV Cache，再完成 Token 生成。这意味着，芯片竞争的重点正从 " 算得快 " 转向 " 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——计算单元与存储单元之间的数据传输。

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，还能否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经进入 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。

而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 算力高度增长的当下，两者之间的数据交换效率已经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核心，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，使计算与存储之间几乎 " 贴在一起 "。

根据现场披露数据，相比传统 HBM 方案，3D DRAM 能够提供数十倍 TSV 连接数量，使访存带宽达到同容量 HBM 的 5 倍以上；同时，还能够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 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 芯片的更多可能将被持续验证，而东方算芯的第一笔，已经落下。

雷峰网 ( 公众号：雷峰网 )

雷峰网原创文章，未经授权禁止转载。详情见转载须知。