全球正爆發一場新的AI算力變革。

今年7月初，AI芯片巨頭英偉達市值首次突破4萬億美元（約合人民幣28萬億元）大關，成為全球市值最高的人工智能、半導體和科技領域的企業。同時，英偉達CEO黃仁勛身價也增至1440億美元，超越“股神”巴菲特，成為全球資本市場的焦點。

這一現象背后，不僅僅是個別企業的成功故事，更是AI時代全球科技、資本市場格局變化，還預示著AI算力和基礎設施對于AI產業發展的重要性。

而對于國內市場來說，這一輪AI算力熱是一次重要的機遇。一方面，國內面臨AI算力封鎖挑戰；另一方面，DeepSeek等中國AI大模型發展迅猛，對于AI推理算力需求增加，但國產AI芯片產能不足、具有較大缺口。

據統計，預計到2030年左右，中國AI芯片市場規模可能超過1.3萬億元，屆時中國AI產業及相關行業可能將價值1.4萬億美元（約合人民幣10萬億元）。

那么，如今“后摩爾時代”下，中國AI芯片行業如何學習DeepSeek這種以效率為導向、低成本發展模式，開辟一條獨特的發展路徑，用新技術突圍算力封鎖，從而提升國產AI算力技術和生態？

7月初舉行的中國集成電路設計創新大會（ICDIA）上，清華大學教授、集成電路學院副院長、清微智能聯合創始人兼首席科學家尹首一發表題為《AI時代芯片設計的STCO挑戰》，提出了一個非常新穎的STCO（System-Technology Co-optimization）“系統技術協同優化”的方法，通過對系統、目標需求建模，希望整合芯片設計、制造工藝、封裝技術等多個環節，從而實現AI芯片性能、功耗、面積、成本（PPAC）的最優平衡。

芯片系統技術協同優化解決算力“十字路口”

AI技術進入大眾視野到今天已經十三年，大體分為三個階段：

• 第一階段：2012年-2017年之間，關注一個具體、 受限的AI任務，如圖像識別；
• 第二階段：2018年以后，AI大模型領域的“過渡期”形成了非常關鍵的技術，比如Transformer架構，但當時的 AI 模型參數規模并沒有特別大；
• 第三階段：2020年至今，我們進入大模型的時代，AI模型和規模急劇擴張，大規模參數的模型結構更復雜，適用于多任務學習，具備更好的性能和泛化能力。

如今，AI大模型發展的背后，芯片算力必不可缺，今天AI需求的算力是供給的100倍左右。而三要素——計算架構、制造工藝、芯片面積相乘，就構建出強大的芯片算力。

然而，當前國內“制造工藝”受限，芯片性能增長已進入“瓶頸期”。而且，集成電路產業進入“后摩爾”時代，從原來單一芯片設計到如今“軟件+系統設計”，致使芯片算力技術發展進入到“十字路口”。

事實上，隨著芯片制程和功耗要求越來越高，技術需求越來越復雜，所謂“價格不變時集成電路上可容納的晶體管數目每隔18-24個月增加一倍、性能也將提升一倍”這一定律已不太可能會實現，制造工藝面臨物理極限，工藝紅利帶來的算力提升已難以為繼，市場呼喚新的技術突破。同時，先進工藝封鎖、先進HBM（高帶寬存儲）封鎖也成為AI芯片算力發展的新挑戰。

因此，尹首一教授提出，利用STCO（系統技術協同優化）技術方法，整合架構探索、組件設計、快速仿真、工藝優化等先進集成技術設計手段，從而帶來全新芯片算力提升的新空間，不僅實現AI芯片性能、功耗、面積、成本之間的最優平衡，而且可有效突破算力封鎖。

1、架構探索：

• 垂直堆疊：堆疊方式、芯粒設計和互連方式具有多種選擇，存在更大的探索空間，需要自動化的架構探索和評估工具。
• 規模擴展：傳統前后端設計順次進行的方式會導致迭代時間過長，需要在設計前期提供工藝約束預評估的協同優化工具。

2、組件設計：3.5D大芯片中存在更多的設計選擇， 協同影響系統設計指標。在3.5D大面積集成下，供電分布網絡（PDN）、深溝槽電容（DTC）規模龐大，存在協同優化難的問題，同時三維集成架構中，TSV（硅通孔技術）承載著信號、供電等重要作用，與機械應力等問題息息相關，需要仔細權衡TSV設計與芯片性能、良率的關系。因此，芯片設計過程中需要組件定制化設計和優化的工具。

3、快速仿真：在3.5D高密度集成下，現有設計流程無法提前考慮大規模翹曲，導致迭代周期長成本高，且現有工具難以支撐 3.5D大規模封裝力學仿真問題，因此，未來芯片研發需要高抽象層次的預評估方法，以及針對3.5D規模的快速多物理場力學仿真EDA工具。

4、工藝優化：現有互連工藝存在長互連通信差、光罩拼接精度低、多金屬層難實現等問題，限制架構互連拓撲創新，所以芯片設計過程中需要工藝與設計協同優化。

尹首一表示，AI時代，我們設計一款3.5D大芯片面臨的四部分芯片設計挑戰，可以總結為三個層次的痛點，從而迫切需要我們在芯片設計方法學、設計工具上有所突破：

• 1、我們今天暫時對一些問題缺乏設計及評估工具，在這種情況下只能靠經驗驅動，依賴于人工經驗，從而帶來性能的急劇下降；
• 2、設計芯片中確實有一部分的基礎工具，但是存在仿真慢、迭代長等問題，尚無法滿足設計周期需求；
• 3、今天對STCO設計空間探索尚不全面，造成今天一部分設計芯片沒有找到最佳的性能和設計決策點。

尹首一強調，上述痛點既是未來在AI時代設計算力大芯片亟需突破的問題，也給一些領域帶來了新的機會，希望芯片技術發展過程中，可以在設計、工具、工藝三方面充分協同起來，能夠完美解決一些挑戰，并且滿足設計中的需求，為未來AI芯片算力供給提供最堅實的基礎和保障。

未來AI算力非GPU架構加速崛起

隨著 AI 和大數據技術的廣泛應用，中國芯片算力規模已呈現快速增長態勢。

據弗若斯特沙利文統計，2024年，中國AI計算加速芯片市場規模1425.37億元，到2029年激增至13367.92億元，期間年均復合增長率53.7%。同時，2024年中國算力總整體規模達617.00EFLOPs，預計到2029年達3442.89EFLOPs，年均復合增長率40%，其中，智能算力2025年-2029年期間年均復合增長率高達45.3%。

但與此同時，從數據來看，當前國內GPU芯片的市場占比69.9%，而其他AI芯片占比為30.1%。相對于弗若斯特沙利文給出未來22.7%的比例預期，IDC卻認為，預計到2028年，中國加速計算服務器市場規模將超過550億美元，非GPU架構服務器市場占比將迎來快速增長。

值得一提的是，一種與英偉達GPU共享式集中計算模式不同，基于分布式數據流計算的新型計算架構——可重構RPU（Reconfigurable Processing Unit），近年來隨著AI大模型發展異軍突起。

它與CPU的馮·諾依曼指令驅動時域計算模式不同，是一種數據驅動的時空域執行模式，可根據不同的應用需求重構硬件資源，構建專用的計算通道，天然適配AI算法模型并行化、流式化、密集化特點，使得AI芯片具備靈活性和專用集成電路高效性的優勢。2015年，國際半導體技術路線圖（ITRS）將可重構芯片列為“未來最具前景芯片架構技術”，可重構芯片也被學術界和產業界視為CPU、FPGA和GPU之外的第四類通用計算芯片。

放眼全球，該類型架構芯片呈現蓬勃發展態勢。例如，美國斯坦福大學孵化的公司SambaNova，通過自研的可重構芯片產品成為AI芯片行業估值最高的獨角獸公司，其產品能夠支持5 萬億參數模型訓練，8芯片配置性能為英偉達 H100 的3.1倍；美國芯片初創公司Groq開發的張量流式處理器架構LPU（Language Processing Unit），推理速度相較于英偉達 GPU 提高10倍，成本卻降低至英偉達的十分之一；特斯拉在專為AI訓練自研的?Dojo超算系統?中也采用了分布式數據流計算方式，單個Dojo擁有9Petaflops算力、每秒36TB帶寬，目前是特斯拉實現通用人工智能（AGI）的核心基礎設施。

分布式數據流計算不僅在技術層面持續實現突破，在產品商業化方面也取得了階段性成果。近期，OpenAI租用谷歌AI芯片（TPU）訓練ChatGPT，首次采用了“GPU訓練+TPU推理”的混合架構模式。今年4月，谷歌最強AI芯片第七代TPU（張量處理單元）——Ironwood正式亮相，這款TPU芯片性能狂飆3600倍，直接叫板英偉達Blackwell B200。

據Capvision顯示，谷歌TPU集群中，70%-80%的算力用于內部業務場景，剩余不到30%以租賃方式對外使用。而其中，全球超過60%的生成式AI初創公司、近90%生成式AI獨角獸都在使用谷歌云TPU AI基礎設施服務。

國內專注可重構RPU芯片的代表企業包括清微智能。

作為“脫胎”于清華可重構實驗室的AI芯片公司，清微智能基于國產原創可重構芯片（RPU）架構研發并量產了高算力芯片TX8系列，面向智算中心等云計算場景，其最新TX81單個RPU模組算力可達到512TFLOPS（FP16），龐大的REX1032訓推一體服務器單機算力可達4 PFLOPS，單機可支持DeepSeek R1/V3滿血版推理，支持萬億以上參數大模型部署，可實現千卡直接互聯，無需交換機成本。目前，清微智能已在國內多個省份落地千卡智算中心，同時在多個行業實現服務器部署。

總結來看，國內AI算力缺口很大、市場需求持續增長。長期來看，未來AI芯片核心架構的內在屬性需要與AI模型特點相適配，同時要結合架構探索、組件設計、快速仿真、工藝優化等先進集成技術設計手段進行STCO，不斷迭代，換道超車，才能有望突破當前英偉達GPU產品天花板，實現AI芯片性能、功耗、面積、成本（PPAC）的最優平衡。

正如黃仁勛所講，AI 需要一種基礎設施，就像互聯網、電力一樣。如今，無論是AI工廠，還是Agentic AI，或是物理AI，所有這些場景都催生出強大計算能力需求，未來，數據中心將是新的計算單元。（本文首發于鈦媒體App，作者｜林志佳，編輯｜蓋虹達）