英伟达登顶市值第一，国产AI芯片如何用新技术突围算力封锁？

　　
 

　　全球正爆发一场新的AI算力变革。

　　今年7月初，AI芯片巨头英伟达市值首次突破4万亿美元大关，成为全球市值最高的人工智能、半导体和科技领域的企业。同时，英伟达CEO黄仁勋身价也增至1440亿美元，超越“股神”巴菲特，成为全球资本市场的焦点。

　　这一现象背后，不仅仅是个别企业的成功故事，更是AI时代全球科技、资本市场格局变化，还预示着AI算力和基础设施对于AI产业发展的重要性。

　　而对于国内市场来说，这一轮AI算力热是一次重要的机遇。一方面，国内面临AI算力封锁挑战；另一方面，DeepSeek等中国AI大模型发展迅猛，对于AI推理算力需求增加，但国产AI芯片产能不足、具有较大缺口。

　　那么，如今“后摩尔时代”下，中国AI芯片行业如何学习DeepSeek这种以效率为导向、低成本发展模式，开辟一条独特的发展路径，用新技术突围算力封锁，从而提升国产AI算力技术和生态？

　　7月初举行的中国集成电路设计创新大会上，清华大学教授、集成电路学院副院长、清微智能联合创始人兼首席科学家尹首一发表题为《AI时代芯片设计的STCO挑战》，提出了一个非常新颖的STCO“系统技术协同优化”的方法，通过对系统、目标需求建模，希望整合芯片设计、制造工艺、封装技术等多个环节，从而实现AI芯片性能、功耗、面积、成本的最优平衡。

　　芯片系统技术协同优化解决算力“十字路口”

　　AI技术进入大众视野到今天已经十三年，大体分为三个阶段：

　　第一阶段：2012年-2017年之间，关注一个具体、 受限的AI任务，如图像识别；第二阶段：2018年以后，AI大模型领域的“过渡期”形成了非常关键的技术，比如Transformer架构，但当时的 AI 模型参数规模并没有特别大；第三阶段：2020年至今，我们进入大模型的时代，AI模型和规模急剧扩张，大规模参数的模型结构更复杂，适用于多任务学习，具备更好的性能和泛化能力。

　　如今，AI大模型发展的背后，芯片算力必不可缺，今天AI需求的算力是供给的100倍左右。而三要素——计算架构、制造工艺、芯片面积相乘，就构建出强大的芯片算力。

　　然而，当前国内“制造工艺”受限，芯片性能增长已进入“瓶颈期”。而且，集成电路产业进入“后摩尔”时代，从原来单一芯片设计到如今“软件+系统设计”，致使芯片算力技术发展进入到“十字路口”。

　　事实上，随着芯片制程和功耗要求越来越高，技术需求越来越复杂，所谓“价格不变时集成电路上可容纳的晶体管数目每隔18-24个月增加一倍、性能也将提升一倍”这一定律已不太可能会实现，制造工艺面临物理极限，工艺红利带来的算力提升已难以为继，市场呼唤新的技术突破。同时，先进工艺封锁、先进HBM封锁也成为AI芯片算力发展的新挑战。

　　
 

　　垂直堆叠：堆叠方式、芯粒设计和互连方式具有多种选择，存在更大的探索空间，需要自动化的架构探索和评估工具。规模扩展：传统前后端设计顺次进行的方式会导致迭代时间过长，需要在设计前期提供工艺约束预评估的协同优化工具。

　　2、3.5D大芯片中存在更多的设计选择， 协同影响系统设计指标。在3.5D大面积集成下，供电分布网络、深沟槽电容规模庞大，存在协同优化难的问题，同时三维集成架构中，TSV承载着信号、供电等重要作用，与机械应力等问题息息相关，需要仔细权衡TSV设计与芯片性能、良率的关系。因此，芯片设计过程中需要组件定制化设计和优化的工具。

　　在3.5D高密度集成下，现有设计流程无法提前考虑大规模翘曲，导致迭代周期长成本高，且现有工具难以支撑 3.5D大规模封装力学仿真问题，因此，未来芯片研发需要高抽象层次的预评估方法，以及针对3.5D规模的快速多物理场力学仿真EDA工具。

　　现有互连工艺存在长互连通信差、光罩拼接精度低、多金属层难实现等问题，限制架构互连拓扑创新，所以芯片设计过程中需要工艺与设计协同优化。

　　尹首一表示，AI时代，我们设计一款3.5D大芯片面临的四部分芯片设计挑战，可以总结为三个层次的痛点，从而迫切需要我们在芯片设计方法学、设计工具上有所突破：

　　1、我们今天暂时对一些问题缺乏设计及评估工具，在这种情况下只能靠经验驱动，依赖于人工经验，从而带来性能的急剧下降；2、设计芯片中确实有一部分的基础工具，但是存在仿真慢、迭代长等问题，尚无法满足设计周期需求；3、今天对STCO设计空间探索尚不全面，造成今天一部分设计芯片没有找到最佳的性能和设计决策点。

　　尹首一强调，上述痛点既是未来在AI时代设计算力大芯片亟需突破的问题，也给一些领域带来了新的机会，希望芯片技术发展过程中，可以在设计、工具、工艺三方面充分协同起来，能够完美解决一些挑战，并且满足设计中的需求，为未来AI芯片算力供给提供最坚实的基础和保障。

　　未来AI算力非GPU架构加速崛起

　　随着 AI 和大数据技术的广泛应用，中国芯片算力规模已呈现快速增长态势。

　　据弗若斯特沙利文统计，2024年，中国AI计算加速芯片市场规模1425.37亿元，到2029年激增至13367.92亿元，期间年均复合增长率53.7%。同时，2024年中国算力总整体规模达617.00EFLOPs，预计到2029年达3442.89EFLOPs，年均复合增长率40%，其中，智能算力2025年-2029年期间年均复合增长率高达45.3%。

　　
 

　　但与此同时，从数据来看，当前国内GPU芯片的市场占比69.9%，而其他AI芯片占比为30.1%。相对于弗若斯特沙利文给出未来22.7%的比例预期，IDC却认为，

　　值得一提的是，一种与英伟达GPU共享式集中计算模式不同，基于分布式数据流计算的新型计算架构——可重构RPU，近年来随着AI大模型发展异军突起。

　　它与CPU的冯·诺依曼指令驱动时域计算模式不同，是一种数据驱动的时空域执行模式，可根据不同的应用需求重构硬件资源，构建专用的计算通道，天然适配AI算法模型并行化、流式化、密集化特点，使得AI芯片具备灵活性和专用集成电路高效性的优势。2015年，国际半导体技术路线图将可重构芯片列为“未来最具前景芯片架构技术”，可重构芯片也被学术界和产业界视为CPU、FPGA和GPU之外的第四类通用计算芯片。

　　放眼全球，该类型架构芯片呈现蓬勃发展态势。例如，美国斯坦福大学孵化的公司SambaNova，通过自研的可重构芯片产品成为AI芯片行业估值最高的独角兽公司，其产品能够支持5 万亿参数模型训练，8芯片配置性能为英伟达 H100 的3.1倍；美国芯片初创公司Groq开发的张量流式处理器架构LPU，推理速度相较于英伟达 GPU 提高10倍，成本却降低至英伟达的十分之一；特斯拉在专为AI训练自研的‌Dojo超算系统‌中也采用了分布式数据流计算方式，单个Dojo拥有9Petaflops算力、每秒36TB带宽，目前是特斯拉实现通用人工智能的核心基础设施。

　　分布式数据流计算不仅在技术层面持续实现突破，在产品商业化方面也取得了阶段性成果。近期，OpenAI租用谷歌AI芯片训练ChatGPT，首次采用了“GPU训练+TPU推理”的混合架构模式。今年4月，谷歌最强AI芯片第七代TPU——Ironwood正式亮相，这款TPU芯片性能狂飙3600倍，直接叫板英伟达Blackwell B200。

　　据Capvision显示，谷歌TPU集群中，70%-80%的算力用于内部业务场景，剩余不到30%以租赁方式对外使用。而其中，全球超过60%的生成式AI初创公司、近90%生成式AI独角兽都在使用谷歌云TPU AI基础设施服务。

　　作为“脱胎”于清华可重构实验室的AI芯片公司，清微智能基于国产可重构芯片架构研发并量产了高算力芯片TX8系列，面向智算中心等云计算场景，其最新TX81单个RPU模组算力可达到512TFLOPS，庞大的REX1032训推一体服务器单机算力可达4 PFLOPS，单机可支持DeepSeek R1/V3满血版推理，支持万亿以上参数大模型部署，可实现千卡直接互联，无需交换机成本。目前，清微智能已在国内多个省份落地千卡智算中心，同时在多个行业实现服务器部署。

　　总结来看，国内AI算力缺口很大、市场需求持续增长。长期来看，未来AI芯片核心架构的内在属性需要与AI模型特点相适配，同时要结合架构探索、组件设计、快速仿真、工艺优化等先进集成技术设计手段进行STCO，不断迭代，换道超车，才能有望突破当前英伟达GPU产品天花板，实现AI芯片性能、功耗、面积、成本的最优平衡。

　　正如黄仁勋所讲，AI 需要一种基础设施，就像互联网、电力一样。如今，无论是AI工厂，还是Agentic AI，或是物理AI，所有这些场景都催生出强大计算能力需求，未来，数据中心将是新的计算单元。