<mark id="oztn4"></mark>
0
2025年12月12-13日，第八屆GAIR全球人工智能與機器人大會在深圳·博林天瑞喜來登酒店正式啟幕。
作為AI產學研投界的標桿盛會，GAIR自2016年創辦以來，始終堅守“傳承+創新”內核，始終致力于連接技術前沿與產業實踐。
在人工智能逐步成為國家競爭核心變量的當下，算力正以前所未有的速度重塑技術路徑與產業結構。13日舉辦的“AI算力新十年”專場聚焦智能體系的底層核心——算力，從架構演進、生態構建到產業化落地展開系統討論，試圖為未來十年的中國AI產業，厘清關鍵變量與發展方向。
IO資本創始合伙人趙占祥，專注于硬科技與半導體領域的早期及成長期投資，在大會上，他發表了題為《大模型時代，國產AI芯片破局的幾種新技術路線》 的演講。
長期關注半導體與硬科技的他，近幾年密切觀察著國產AI芯片在現實約束下的演進路徑?！敖衲陣aGPU的市場占有率已接近一半，在先進制程受限的背景下，單純沿著GPU的既有路線繼續追趕英偉達，必須依靠新的技術路徑”，他開宗明義。
從這一判斷出發，趙占祥系統梳理了過去一年國內涌現出的多條探索路線，覆蓋云端、邊緣、端側、IoT末端以及先進封裝等多個層面。
云端方向，趙占祥重點提到TPU、Hybrid Bonding（混合鍵合）、大容量SRAM推理芯片以及大規模分布式互聯等方案。這些路線的共同點，是繞開對HBM和先進工藝的高度依賴，通過系統設計獲得整體性能提升。“英偉達自己流片的成本只占四分之一，一半的成本在HBM上”，他說，“如果帶寬能上去，本質上就是用存力去抵消算力不足?！?/p>
在他看來，許多值得關注的變化，也正發生在端側和末端。除了在演講中梳理多條新興端側芯片路線外，趙占祥在演講結束后也與雷峰網展開對談，進一步解釋了他為何在格外看重端側市場，以及這些方向如何在現實約束下跑通商業閉環。（作者長期關注半導體、算力上下游等方向，歡迎添加微信 Ericazhao23 交流。）
雷峰網：您在演講中分享了很多端側AI的案例，為什么今年著重看端側芯片市場？
趙占祥：接下來AI技術要真正落地，就要靠端側。這個市場未來規模肯定也是海量，全球PC與平板的出貨量大約四億臺、手機十幾億臺，這些都是端側芯片巨大需求的基礎。
更重要的是，AI硬件未來的機會是中國的。
軟件生態的客戶群體集中在國內，這給中國芯片廠商創造了天然優勢。就像藍牙耳機領域——中國占據全球90%的市場份額，核心芯片也幾乎都是中國廠商供應。這種生態邏輯和Arm很相似，可以說，如果沒有中國廠商，就沒有今天Arm的產業影響力。
雷峰網：但有一種說法認為，部分端側芯片的出貨量有限、成本利潤又比較低，難以覆蓋生產成本。那么，端側芯片想實現商業閉環，重點會在什么地方？
趙占祥：可以看看瑞芯微的例子，他們現在利潤表現很好，核心就是過去十年里，把服務做到了極致。比如，他們能做到無原廠接入的情況下直接替換，所以大家在深圳想做AI硬件，會優先想到瑞芯微。他們各種解決方案都有，這種重服務的模式就是中國工程師紅利的體現。
美國廠商就做不到這一點，他們更擅長把開發平臺打磨到極致，但服務能力弱；中國廠商或許在性能上稍遜色，但能通過深度適配滿足不同產品需求，這種落地能力在AI商業化階段，反而成了核心優勢，可以通過“堆人”做好服務。
雷峰網：目前來說，端側芯片的發展主要面臨什么瓶頸？
趙占祥：首先是功耗，當前的AI手機芯片是跑不了大模型的，算力不夠、存儲容量不夠，大模型對內存的消耗還是太大了，這也是為什么現在有公司在推PIM+3D DRAM的方案，就是通過存內計算，讓內存直接承擔計算任務、再用3D堆疊封裝提升存儲容量，也能降低整體功耗。
不過，除了技術還有生態的能力。對新入局的NPU創業公司來說，手機生態的壁壘太高了：華為有自己的芯片生態，小米、OPPO高端機主要用高通芯片，vivo X系列高端機用聯發科，這些新NPU公司怎么和主芯片廠商建立合作，是很重要的。
雷峰網(公眾號：雷峰網)：預計明年在端側這邊，會有哪些應用能率先規模化落地嗎？
趙占祥：現在末端AI的形態，主要是指環、眼鏡等可穿戴設備，還有各類傳感器和智能家居、AI硬件。不過，接下來爆發力最強的多模態AI硬件應該就是AI眼鏡了，明年大概率會迎來銷量暴漲，保守估計能賣幾千萬部，核心驅動力就是成本下降。
目前已有中國廠商在日本賣的一款智能眼鏡，售價才幾十塊錢，雖然只是加上個耳機功能，但銷量非常大。未來AI眼鏡的發展路徑，應該是“先降成本、再升體驗”，未來AI眼鏡完全有可能降到普通眼鏡的價格，就像現在買個太陽鏡只要一百塊錢那樣。
雷峰網：那在末端AI這邊，要實現商業閉環會有哪些比較可行的路徑？
趙占祥：末端最后應該也會跑出極致低功耗的AI芯片公司，或者Arm這樣的IP供應商。比如有公司就是賣IP授權的，做SoC、電源管理、傳感器、MCU等芯片的廠商可以買他們的IP集成進去，這種IP的伸縮性特別好，能支撐起完整的生態供應鏈。
而且，IP模式之所以能形成閉環，關鍵在于“量大”。低功耗AI IP成本很低，芯片公司如果自己研發，不僅要花錢招人，效果還未必好，直接采購反而更劃算。就像藍牙耳機芯片一年出貨三十億顆，哪怕每顆收一毛錢授權費，也能有三個億的收入了。
以下是趙占祥演講的精彩內容，雷峰網作了不改變原意的整理與編輯：
前面幾位嘉賓主要分享了國產GPU的發展路徑。正如剛才羅總提到的，今年國產GPU的市場占有率已接近一半。在先進制程受限的背景下，單純沿著GPU的既有路線繼續追趕英偉達，很難在性能上超越英偉達，所以必須依靠新的技術路徑。
自去年起，國內又涌現了一二十家創新的芯片公司，嘗試通過新的架構設計和工藝路線，探索大模型時代AI芯片的發展方向。今天，我將圍繞這些技術路線展開分享。
首先我們回顧下美國對華出口管制的演進。
2022至2024年間，相關限制“變本加厲”，核心集中在先進計算與先進制程領域，包括光刻機、HBM、先進封裝，還有混合鍵合和人員流動限制等關鍵環節。在這樣的環境下，中國要依賴EUV工藝向2nm等先進制程演進，難度還是很大的。
我也列一下國內在不同方向上的創新技術路線，包括云端的AI芯片、邊緣的AI芯片、端側的AI芯片、IoT末端的AI芯片和先進封裝。中國真正強的是，我們可以把應用做好，有工程師紅利，我們在各個領域都有不同的定制化方案和創新的解決路線。
首先，是數據中心的AI芯片。
第一條路線，是TPU路線。Google最新發布的Gemini3模型，就是基于TPU進行訓練。目前，包括OpenAI、Anthropic、xAI在內的多家AI巨頭，已向Google下單采購TPU。現在Google正式對外銷售TPU芯片了，已經是全球出貨量僅次于英偉達的AI芯片產品。
TPU的核心特征在于以“超節點性能”為目標，而非單卡性能。其優勢包括更大規模的超節點架構、更高性價比，以及相對友好的軟件生態。在不依賴CUDA的前提下，通過系統級設計獲得整體性能提升，同時減少對先進制程、HBM以及NV/IBSwitch的依賴，從而顯著降低成本——甚至達到遠超英偉達十倍以上的超高性價比。
之后，是3D-TokenPU，這條路線的核心在于Hybrid Bonding（混合鍵合）技術。進入大模型時代后，對數據存儲的要求是更高的。其實英偉達自己流片的成本只占1/4，1/2的成本則花在HBM上。如果我們用Hybrid Bonding的方式，相比HBM的帶寬是更高的，現在HBM的帶寬就是幾個TB/s，等于是用存力抵消了算力不足的問題。
第三，是大容量SRAM推理芯片。這個方案以SRAM為核心，相比于GPGPU，具備三項顯著優勢：
低時延，可實現毫秒級響應；低成本，單位性能成本相比傳統GPGPU提高了10倍；低功耗，無需HBM，也不依賴先進制程，從而顯著降低制造難度和能耗。
接下來，是百萬卡分布式互聯方案。在超大規模集群中，網絡成為關鍵瓶頸，傳統無損網絡在萬卡規模下可用性下降明顯。有公司就采用基于以太網、允許丟包的互聯方案，使系統具備更強的可擴展性，有望支持百萬卡級別的分布式集群。
再來看看邊緣芯片的發展。
首先，英偉達近期發布Spark AI Station，搭載GB10芯片。未來家庭場景中，NAS有可能從單純的存儲中心演進為計算中心，就都要配一個邊緣AI芯片。攝像頭等設備也會從被動監控變成主動認知，自然就需要大模型的計算能力，這一變化為國產方案提供了落地優勢。
有公司提出的LPU架構，采用四層3D DRAM堆疊，內存帶寬可達24TB/s。GB10處理的Token在每秒個位數，但這個相比傳統方案，其Token處理能力可以達到每秒上百個。
在機器人等領域，當前芯片仍是被英偉達Orin壟斷的，國產芯片目前最大的問題就是算力沒有那么高，用得最多的瑞芯微只有幾個TOPS，智能體的GPU算力可以做得更高。
而端側AI芯片，主要是手機以及各種智能終端。
首先，一種是蘋果NPU路線。蘋果的NPU從2017年開始做，做到現在8年的時間了，迭代了很多代，已經是很成功的NPU了。
它的優勢在于強通用性，能支持所有AI網絡；其次是高能效比，蘋果的NPU已經不需要比參數了，它的能耗比相比于傳統的CPU和GPU，有10倍以上的優勢，相比其他的AI芯片，面積只有1/2至1/4。
此外，還有高效編譯器以及良好的可擴展性。所以蘋果主要是易用性做得非常好，而不是一味地追求算力的性能和參數。
之后，是3D DRAM+PIM的端側方案。3D DRAM是堆疊封裝的技術，而 PIM 在此基礎上引入計算邏輯，使端側設備在更小面積、更低成本和功耗條件下實現更高算力。
微納核芯則采用了全球首創的三維存算一體3D-CIM架構，兼顧了高性能、低功耗與低成本這個“不可能三角”。在存儲芯片中引入計算邏輯，相當于將NPU核心直接集成至DRAM中。這樣做的優勢在于，手機系統無需額外增加AI芯片，內存芯片本身即可承擔計算功能，與CPU協同工作，整體芯片數量不增加，功耗較低，Token生成能力可達每秒百級。
接下來，是末端AI芯片。末端AI芯片的核心訴求是超低功耗處理能力。
此外，3D DRAM的發展高度依賴先進封裝。最近我看到一家深圳的公司，他們就是做先進封裝設備核心零部件的，現在整個產能都拉滿了。芯片公司讓先進封裝廠擴產，先進封裝廠讓設備公司擴產，設備公司讓上游模塊廠商、組件廠商擴產，整個產業鏈從前幾年的無人問津、到現在產能拉爆，明年的產能還會更加緊張。甚至，有些設備廠商的訂單都已經排到了明年下半年，整個行情都被AI算力帶起來了。
在先進封裝需求推動下，又有一些新的機會涌現。
比如，電容、電感等器件，傳統電容電感主要部署在PCB板上，占用面積較大；而在先進封裝中，這些器件需要內嵌至芯片內部，只能采用硅電容方案，應用于高性能SoC、AI算力芯片及高速光模塊里面，所以硅電容未來的需求是很巨大的。
以蘋果電腦為例，單個主芯片需要的硅電容數量可達8–11顆，用量非常大。相關核心技術，包括半導體MOS工藝、3D納米結構、深溝式技術及高容積率PICS技術。以前放在PCB板上，器件壞了之后把它拿下來換一下就可以了，但現在不可能把芯片拆了拿出來換，可靠性要求更高，門檻相比之前高了很多。
齊力半導體是一家從事先進封裝產線的公司，產品涵蓋2.5D與3D封裝，其中3D封裝就是在2.5D的基礎上引入了TSV技術。
在混合鍵合技術下，可以實現數十至數百TB級別的帶寬能力，這也對檢測設備提出了更高要求。過去檢測設備主要服務于先進制程，但當前先進封裝需求快速增長，對微凸塊3D檢測和全流程缺陷檢測提出了更高要求——這么多顆芯片里，一旦焊接或鍵合存在缺陷，可能導致多顆芯片同時報廢，成本極高。隨著堆疊層數增加，良率下降問題更加突出，就只能依賴高精度檢測設備保證質量，以此控制成本。
而在3D封裝中，層間焊接之間如果有空隙，就難以通過電子束、光學或X射線檢測發現，往往需要依賴超聲波檢測技術。這項技術在晶圓鍵合領域的應用范圍正在擴大，國內的思波微也已經推出用于先進封裝的超聲檢測設備。
再介紹一下光電合封，它被認為是下一代AI算力的基石。與傳統光模塊方案相比，其在功耗、集成度、可靠性和部署效率方面具備明顯優勢。具體來看，功耗可以降低約3.5倍，集成度提升約63倍，可靠性提升約10倍，部署時間縮短約1.3倍。國內已經有企業在該方向開展產品布局。
最后簡單介紹IO資本。IO資本是一家長期專注于硬科技領域的財務顧問機構。這一頁展示的是近年來已完成上市的項目，后續也有多家企業正在推進上市進程。目前，我們所服務和陪伴的硬科技獨角獸企業數量已超過30家。
雷峰網原創文章，未經授權禁止轉載。詳情見轉載須知。
