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?？赡艹^ 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。
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%。
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）
