专访高剑林：AI时代的CPU，要重新定义了

近日，面向 Agentic AI 需求的 RISC-V CPU 芯片企业恒一纪元，完成了由卓源亚洲、勤上股份、海松资本、北工投资、中科创星、力合基金、长沛资本、中科时代等多家机构和产业方联合支持的数亿融资，推动 CPU 走上新轨道。

过去两年，AI 芯片的叙事几乎被 GPU 垄断。但从 2025 年底开始，一件事正在变得清晰：

英伟达推出面向 AI 系统的 Vera CPU，并采用 Vera+Rubin 1:2 配比；谷歌 TPU V8 也搭配自研 Axion CPU，采用 1:2 配比。AMD CEO 苏姿丰与英特尔 CEO 均判断，AI 服务器的 CPU:GPU 配置将由训练时代的 1:4 逐步迈向 1:1，甚至出现 CPU 数量反超 GPU 的趋势；Arm 的新一代 Neoverse 平台也全面瞄准 AI 数据中心。TrendForce 数据显示，每 GW 算力所需 CPU 核心数已由 3000 万增至 1.2 亿，2026 年服务器 CPU 价格预计上涨 20% – 30%。

巨头们的集体转向不是偶然。当 AI 从 " 训练大模型 " 进入 " 运行智能体 " 的阶段，计算负载的底层逻辑已经变了。而 CPU，这个被认为 " 成熟到不需要再讨论 " 的品类，恰恰是变化最剧烈的地方。

恒一纪元创始人高剑林比大多数人更早看到了这一点。

作为腾讯前芯片研发负责人，他在过去 10 多年里完成了 FPGA、AI 加速芯片，以及 RISC-V 高性能核的交付，带领团队研发了数颗芯片并实现规模化上量。如今，他创立恒一纪元，目标只有一个：做一颗为 AI 时代设计的数据中心 CPU。

" 我们不是为了做一颗传统 CPU，而是面向 AI 时代 Infra 的全新需求，用全新的技术思路重新定义 CPU。" 高剑林表示。

CPU 的逻辑，正在被 Agent 重写

"Agent 场景下的 CPU workload 与云计算场景不同，与对话式 AI 也不同。" 高剑林认为。

在大语言模型时代，CPU 的角色很轻。用户发出 prompt，CPU 负责分词，转给 GPU 计算，GPU 生成完 token 再传回 CPU 解码，最后返回给用户。CPU 更像一个 " 传话筒 "，几乎从来不是瓶颈。

但 Agent 不一样。

Agent 是在 " 思考—决策—调用工具—运行—再思考 " 的持续循环，直到任务完成。这决定了 Agent 系统不等于 GPU 系统。Agent 的每一步都依赖上一步的输出：LLM 规划下一步动作，CPU 负责解析输出、路由工具、序列化参数、执行脚本、处理返回结果，然后再把结果交回 LLM 进行下一轮思考。这个循环可能重复几次到几十次，CPU 在其中承担的不是简单的数据搬运，而是整个任务链的控制中枢。它的每一次调度都带着状态，每一次都可能命中长尾延时。

长而宽的链，直接带来一个核心挑战——延时。Agent 的端到端响应时间等于每一步延时的总和，而每一步中 CPU 处理工具调用、系统调用和逻辑判断的时间占了大头。学术研究显示，在 RAG、代码执行、Web 操作等典型 Agent 工作流中，CPU 上的工具处理环节占端到端延迟的比例最高可达 90% 以上。换句话说，GPU 推理再快，如果 CPU 侧的工具执行和调度跟不上，用户感受到的整体响应依然很慢。

与此同时，CPU 与 GPU 的配比也在发生结构性变化。训练时代一台服务器可能是 1 颗 CPU 配 8 颗 GPU，但到了 Agent 场景，由于 CPU 需要同时处理大量并发的工具调用、沙箱执行和状态管理，配比正在向 1:2 甚至 1:1 收敛。这不是简单的 "CPU 用量变大 "，而是整个系统的算力分配逻辑在重构—— CPU 从配角变成了决定系统并发上限和响应速度的关键角色。

高剑林指出：" 这不仅仅是用量的变化。Agent 时代的 CPU 负载，在延时、带宽、线程和 IO 上，都和传统 CPU 负载有着本质区别。"

AI CPU 和传统 CPU，不是一回事

高剑林对 Agent 场景下 CPU 面临的技术挑战有清晰的拆解，核心集中在四个维度。智能体和传统的应用不同，传统应用的主导者是使用者。使用者在一个个应用之间切换，对应切换的频率较低以及周期较长，而智能体应用的主导者是智能体，它可以在短短数秒访问上百个网页，也可能访问数据库的几万条数据。这种高并发、高应用切换和跳转带来了新的挑战。

第一是延时。智能体的多步循环本质上是一个串行状态机：上一步的结果决定下一步的动作，任何一步的延迟抖动都会被整条链路放大。传统 CPU 追求的是平均性能和峰值吞吐，但 Agent 需要的是可预测的低延时——不是 " 平均很快但偶尔很慢 "，而是每一步都稳定在可预期的足够确定的范围内。少数的长尾延时，足以拖慢整条链路的端到端延时。这要求 CPU 在微架构层面减少不可预测的延迟来源，包括分支预测失败的惩罚、缓存未命中的抖动，以及多线程、多核心间资源争抢带来的长尾延迟。

第二是带宽。Agent 的多步跳转伴随着频繁的上下文切换和不规则内存访问：工具调用需要加载不同的代码段和数据，RAG 检索需要遍历大量索引。这些访问模式的随机性很强，传统 CPU 的缓存层次设计假设的是局部性良好的通用负载，面对 Agent 的稀疏遍历和指针长跳转，缓存命中率下降，流水线频繁等待内存。更复杂的是，Agent 的低延时负载和 AI 推理的高带宽负载往往在同一颗 CPU 上混跑，两者对内存的需求相互冲突——一个要低延时，一个要高带宽——导致 DRAM 访问随机性增强，整体延时上升、带宽利用率下降。恒一纪元的做法是在 CPU 上做垂直优化：总线和延时优化，System Cache 对不同 Workload 的自动感知和分流，以及写回 DRAM 时的访存流整形，从系统层面缓解两种负载的冲突。

第三是独立执行环境。Agent 场景通常是多个 Agent 同时运行，每个 Agent 都需要独立的执行环境。传统 SMT 让多个线程动态共享同一套前端、发射队列和执行端口，在负载均匀时能提升吞吐，但在 Agent 场景下，不同 agent 之间的应用和数据都不一样，会诱发问题：一个 Agent 的突发负载会挤占另一个 Agent 的硬件资源，导致尾部延迟不可控。更重要的是，多租户场景下 Agent 之间需要强隔离，动态共享的 SMT 不仅影响性能，还存在微架构侧信道的安全风险。因此，Agent CPU 需要在吞吐效率和延迟可预测性之间找到新的平衡，包括严格的硬件资源分区机制。

第四是 IO。Agent 的工作流涉及大量外部交互和内部决策：在 CPU 计算的同时反复通过 IO 调用 API、访问数据库、读写文件、网络请求。IO 开销相较传统 CPU 显著变大。同时，CPU 与 GPU 之间的数据搬运也是关键。这导致 Agent 的推理和逻辑交织在一起，如果 CPU 和 GPU 之间的互联带宽不够、延迟太高，频繁的数据交换又会成为瓶颈。因此，Agent CPU 需要更高带宽的片间互联、更高效的 IO 处理机制，以及 CPU 与 GPU 之间更紧密的内存协同。

很多 Agent 的特性并不能通过传统 benchmark 反映出来。SPECint 测的是单核整数峰值，STREAM 测的是内存带宽上限，但它们都测不出 " 多步循环下的端到端延时稳定性 "、" 异质负载混跑时的带宽利用率 "、" 高并发下的尾部延迟可控性 "。而这些，恰恰是 Agent 时代 CPU 最核心的竞争力。

自研 Core，不只是选择

理解了 AI CPU 的负载特征，就能理解为什么恒一纪元坚持从自研 Core 开始。

当 CPU 的负载从 " 通用计算 " 转向 "AI 原生 "，需要调整的不是 SoC 层面的外围设计，而是 Core 本身的微架构——取指宽度、发射宽度、ROB 大小、缓存层次、访存流水线以及指令集扩展。这些都在 Core 内部。

RISC-V 的开放性恰好提供了另一种可能。作为开放指令集架构，RISC-V 不由单一企业控制，任何企业都可以基于这一架构进行芯片设计、优化和创新。更重要的是，在 AI 时代，CPU 需要同时搞定推理加速、向量计算、内存访问优化、数据压缩、网络通信、存储处理和 Agent 任务调度，这些需求不同于以往，用过去的架构去套未必是最优解。RISC-V 的灵活性，给了芯片公司针对 AI 需求做深度优化的空间。

但开放只是前提，真正的门槛在于微架构的正向研发能力。

高剑林曾带领团队完成高性能 RISC-V 核的自主研发并完成芯片量产，单核性能跑分看齐 Arm Neoverse N 系列 IP 水平。创业后，恒一纪元将自研一颗全新云和 AI 场景的 Risc-V 核心，并交付全新 CPU 产品，规划性能比肩全球新一代数据中心 CPU 水平。

这种迭代节奏，建立在一套独特的研发方法论之上。

正向研发：先建模，再写代码

传统 CPU 研发的常见路径是：先定一个具体参数目标，然后写 RTL，跑完仿真看结果，不达标再回去改。这个循环周期长、成本高，而且很多微架构决策（比如 6 发射还是 8 发射、ROB 多大、缓存层次怎么搭）在写代码之前就应该确定。

恒一纪元的做法不同。高剑林在 RISC-V 及 AI 芯片方向能够做出领先水平，关键是一套独特的建模体系。

" 我们通过模型的快速仿真，指导微架构设计。" 高剑林解释，" 建模能力主要在于对微架构的完整理解和上层抽象能力，过去做核沉淀了这套方法论，我们能把核的建模与实际微架构性能表现的误差控制在 5%-10%。"

这套建模能力使团队在未写一行代码前就能确认性能目标、定位瓶颈、评估端到端收益。是做 6 发射还是 8 发射？ROB 设多大？L2 缓存怎么分配？这些决策不是靠经验拍脑袋，而是靠建模数据说话。更关键的是，建模可以用新的应用负载来驱动，而不是过去的 benchmark —— " 用真实 AI workload 驱动微架构决策，不是靠猜。"

" 我们不搞先做芯片再适配软件的路线。" 高剑林说。在他看来，软件和芯片的协同，以及根据业务使用去定义芯片，是大多数做芯片的人都知道的话术，却很难掌握实际落地的事。

这也解释了为什么高剑林不觉得此时从头开始太晚的原因。" 代码本身不是最核心的，真正宝贵的是正向迭代研发方法论——如何通过建模确定微架构方向，知其然和所以然，从而进入高效迭代状态。"

高性能只是入场券

在高剑林的规划中，Core 的高性能领先只是第一步。真正的竞争，在那些 benchmark 测不出来的地方。

传统 CPU 的评价体系围绕 SPECint、STREAM 等 benchmark 建立，这些指标衡量的是峰值性能和理论带宽。但 AI Agent 的真实负载对 CPU 的要求，远不止这些。

比如可预测的延迟。Agent 的每一步推理都依赖上一步的结果，延迟的波动比延迟的绝对值更致命——某一步突然变慢，整个任务链就会卡住。这要求 CPU 对总线、访存做出架构调整，保证在高并发下每个核心的延迟都是可预测的，而不是 " 平均延迟很低但偶尔飙高 "。为了降低延时和保障可预测性，微架构从发射宽度、分支预测、到预取方式都有很多专门的设计。

还有内置 AI 计算的需求。恒一纪元在 Core 内实现 AI 矩阵计算扩展指令和芯片级 "Agent 智能体加速引擎 "，支持静态调度 AI 计算，数据的计算模式和调度支持确定性流，支持确定的延迟和吞吐率。

" 高性能是必要条件，但不是充分条件。" 高剑林说，" 你能跑到 15、20 分，别人也终将能跑到。真正拉开差距的，是在 AI 真实负载下谁的延迟更稳、谁的端到端加速更快、谁能让软件定义硬件的能力更强。"

系统性思维的芯片人

高剑林不是单纯的 " 芯片人 "。他早年负责 Linux 内核优化和可靠性，曾出过一本书《Linux 内核探秘》；后来带领团队做芯片的同时，还需推进芯片的落地和应用。这种软硬件协同背景，让他对数据中心的真实需求和内部真实场景有深度理解，" 以实际业务牵引技术，而非纸上谈兵。很多实际的优化点你只有到了现场才深刻感知，它不会写在客户需求册里，也不会写在芯片公司的白皮书里。"

过去，高剑林曾通过软硬件协同优化的方式，协助应用部门在不更新芯片的情况下获得显著的性能提升。这种 " 从业务端倒推技术优化 " 的思路，贯穿了他的整个技术生涯。

目前，恒一纪元已经搭建了自研的云计算操作系统和软件迁移工具链。其中，面向 RISC-V 生态的软件迁移工具 " 云帆 "（YiMig），是恒一系统性思维的典型产物——企业的核心应用从 x86 迁移到 RISC-V，传统方式需要工程师逐行排查编译错误、手动修改、反复调试，一个迁移项目动辄数周甚至数月。云帆基于开源大模型，用多智能体协同的方式把迁移过程自动化。

这套工具的意义不止于效率。它意味着恒一纪元不是在 " 做一颗芯片然后等生态 "，而是主动把软件迁移这个生态瓶颈变成自己的工程能力。从芯片设计到操作系统，从迁移工具到应用优化，团队覆盖的是整个技术栈，而不是其中某一层。

这些系统性思维，核心在于创始人的思路和沉淀。

业务驱动架构，软件定义芯片

采访的最后，高剑林反复提到两句话。

一句是 " 业务驱动架构，软件定义芯片 "。这不是口号，而是恒一纪元整套技术路线的底层逻辑——先理解 AI Agent 的真实业务负载，再决定 CPU 架构怎么设计，最后用软件去定义和编排硬件的能力。从负载分析到微架构决策，从确定性执行到数据流编排，每一步都在践行这个思路。

另一句是 " 无限进步 "。

在 AI 这条路上，高剑林已经完成了多颗芯片的落地，如今再次出发，他认为进步没有终点，芯片也没有最高峰，只有不断求索、持续迭代。

当 AI Agent 从概念走向大规模部署，当 CPU 重新成为 AI 基础设施的核心变量，谁能真正理解 AI 负载、谁能从微架构层面做出差异化、谁能把软件和芯片的协同做到极致，谁就有可能成为这个新时代的定义者。

恒一纪元已经站在了起跑线上。而资本市场，也给出了相应的答案。

卓源亚洲创始合伙人林海卓表示：

Agentic AI 正在改变数据中心 CPU 的设计逻辑。它正从 " 数据加载器 " 变成 " 全链路调度中枢 "。这不是短期技术路线调整，而是系统架构的重新分工。

通用 CPU 架构在 Agentic AI 不规则场景下会触及天花板，RISC-V 允许 " 业务驱动架构、软件定义芯片 " 成为可行路径。底层 Core 若完全依赖第三方，产品必然同质化。自研高性能 Core 研发能力成为新的竞争门槛。

恒一纪元团队正站在时代交汇点。高总曾主导自研芯片从 0 到 1，覆盖架构设计、多款自研芯片流片、量产和大规模部署验证全链条，端到端经验在国内数据中心 CPU 团队中非常稀缺。他选择在 Agentic AI 时代下做自研核，是最难但最有价值的路。

AI 基础设施下一步是软硬件协同定义的深度重构，我们将坚定支持恒一纪元的长期发展。

海松资本创始合伙人陈立光表示：

智能体时代正在为 RISC-V CPU 带来历史性的产业机遇。恒一纪元团队在高性能 RISC-V CPU 核上的长期积累，以及从自研核、芯片设计、流片到应用场景规模部署的完整实践经验，在国内都十分稀缺。该团队始终坚持的 " 业务驱动芯片设计 " 理念，与智能体时代对 CPU 多样化、场景化性能需求高度契合。

海松资本期待恒一纪元在国产 CPU 领域占据重要位置，海松资本也会继续坚定支持团队的长期发展。

北工投资政策性基金部董事总经理张小娟表示：

AI 带来的不是简单的算力升级，而是整个计算架构的重构—— CPU 从数据搬运者变成智能任务的调度核心，这为国产 CPU 提供了新的切入方向和发展机遇。

恒一纪元团队从自研 Core 做起，注重掌握架构定义和技术迭代的主动权，并且已形成从架构设计到大规模部署的完整闭环验证能力，这种 " 既懂芯片又懂业务 " 的全栈能力，在国内数据中心芯片领域较为稀缺。

北京正加快建设人工智能产业高地，北工投资相信，以恒一纪元为代表的硬核科技团队，有望成为国产算力自主可控的重要力量。我们将持续陪伴团队成长，共同把握 Agentic AI 时代 CPU 重构带来的发展机遇。

中科创星创始合伙人米磊表示：

Agentic AI 正在让 CPU 重新回到 AI 基础设施的核心位置。随着智能体计算快速发展，CPU 与 GPU 的配比正从过去的 1:8、1:4，逐步提升至 1:2、1:1，在部分特殊场景甚至已出现 4:1 的使用量，CPU 正迎来继 PC 和移动智能终端之后的第三次需求爆发，而且很可能是力度最大的一次。

中国错过了 PC 时代的 x86，也错过了移动时代的 Arm，而 AI 时代的 RISC-V CPU 是不能再错过的重要机遇。恒一纪元不仅掌握高性能 RISC-V CPU Core 的核心技术，也对 Agentic CPU 的场景需求有深刻理解，是兼具底层技术创新与产业落地能力的稀缺团队。我们期望恒一纪元能够为国产高性能 RISC-V CPU 的崛起贡献重要力量。

力合基金合伙人胡洋表示：

进入 Agentic AI 时代，CPU 不再只是 GPU 的配角，而是整个智能体集群的调度核心，AI 算力架构也正迎来新一轮结构性重构。

高剑林团队最难得之处，在于既具备完整的芯片流片与产品化能力，又深刻理解云端真实业务负载，坚持以业务驱动架构、自研 RISC-V CPU Core，走出了一条面向 Agent 协同算力的差异化路径。

芯片是一条典型的长期赛道。力合基金将持续投入资本，并协同上下游产业资源，与团队共同突破流片、生态适配等关键环节，推动产品在云端场景落地，把握 Agentic AI 带来的新一代算力机遇。

（本文封面由 AI 生成）

* 免责声明：本文由作者原创。文章内容系作者个人观点，半导体行业观察转载仅为了传达一种不同的观点，不代表半导体行业观察对该观点赞同或支持，如果有任何异议，欢迎联系半导体行业观察。

END

今天是《半导体行业观察》为您分享的第 4538 期内容，欢迎关注。

推荐阅读

★对话华为徐直军：绝境下逼出来的 " 何式定律 "

★英伟达最强对手，来了

★光刻机巨头，轰然 " 倒塌 "