清微智能、Groq與改變GPU單行道的可能性

原創松果財經 2026-01-22 16:34

華潤微電子推出第五代高性能SGT MOS產品
告別射頻開關短板！MEMS 高速測試資料

尋找GPU之外的可能性

@松果財經原創

作者|在輝

21世紀什么最貴？大多數公司始料未及，最貴的原來是算力，是數萬美元也“一芯難求”的GPU。

OpenAI創始人Sam Altman曾經預言，算力將成為一種新的貨幣。去年，Gartner預測2026年的全球AI支出預計將達到2.52萬億美元，其中光是基礎設施就需要增加4010億美元的投入，相當于英偉達三年多的營收。

算力的花費可以分為兩部分，訓練曾經是最昂貴的支出。但隨著大模型嵌進搜索、廣告、推薦、客服、游戲等高頻場景，推理逐漸取代訓練，占據更大的成本。IDC預計，2026年，推理算力的消耗占比將會提升到62.2%，訓練算力則降低到37.8%。

AI需要商業化，企業便需要更高性價比的算力，否則辛苦開拓的商業模式，最后全喂飽了英偉達。然而，GPU遵循的傳統架構在執行運算時有不小的數據搬運成本，在大規模實時生成任務中會產生更多花費，并且制造成本也在不斷上升。

于是，挑戰者不斷出現，并拋出新的想法：如果，我們不用GPU的架構呢？

尋找GPU之外的可能性

GPU誕生于圖形渲染年代，并行運算能力突出，通用能力強。但這種多功能性用來支持AI，就成了歷史包袱，難以滿足Token邊際成本持續降低的需求。

這是索羅斯“反身性”理論在算力領域的兌現：GPU“意外”適應了AI的需求，早期AI依賴GPU并助推后者市場擴大乃至絕對占有，然而當算力需求發展到一定階段，GPU架構又限制了AI效率的提高。早期的選擇也許只是那個時代的認知偏差，但它又造成了后來的因果循環，直到有新的架構能打破這種怪圈。

相比之下，非GPU路線能更好地針對AI需求做定制化，ASIC（專用集成電路）因此崛起。這條路上的知名企業數不勝數，華為、谷歌、博通、百度、寒武紀……無論采取何種架構、打造何種產品，都是為了AI的降本增效。

2025年11月，谷歌發布Gemini 3，性能跑贏了OpenAI被市場寄予厚望的GPT 5.1。Gemini 3基于谷歌自研芯片TPU訓練，高盛推算其單位token推理成本下降約70%，在后發條件下追平了英偉達GB200 NVL72的成本。

去年，Anthropic便宣布要采用最多100萬張TPU，11月又有消息稱Meta考慮將部分AI基礎設施遷移至谷歌TPU。就連英偉達股價，也因此受到影響。

但ASIC有一個天然短板：既然是定制，那么就難以匹配還在持續更新的AI算法和架構需求，而設計一個架構需要很長的周期，一旦算法變更，芯片就有可能過時。“芯模協同”，對于AI生態的構建意義重大。

去年的上海世界人工智能大會上，就有不少國產芯片廠商格外強調這一點。DeepSeek作為開源之光，也得到了國產芯片廠商的大力適配。其V4版本發布在即，很快又要接近適配節點。

既要高性能，又要強適配，有沒有一種辦法，能讓芯片和數據算法更好地協同，高效適應模型的進化？

不僅有，而且還得到了英偉達的變相認可。

去年末，英偉達意外斥資約200億美元，獲得Groq知識產權的非獨家授權，并將其主要人物一舉收入囊中。

Groq由谷歌TPU早期團隊成員創立，他們基于可重構數據流方法打造了LPU（Language Processing Unit，語言處理單元）產品，適配開源模型后展現的推理成本遠低于GPU。

而幾乎同一時間，“北京四大明星芯片公司”之一的清微智能，也基于可重構芯片（RPU）優勢拿下超20億元C輪融資，國家大基金二期、京能集團、京國瑞等多層級國資密集入場。我們從行業了解到，清微智能過去一年估值翻了三倍有余，接近190億元，目前正在籌備Pre-IPO輪融資，為最終上市做準備。

“可重構數據流”為什么這么獨特，能在大洋兩岸同時受到超級資本們的認可甚至追捧？答案是架構——它不再以上下指令的通用處理器為中心，而是先看要處理的數據流長什么樣，再讓硬件圍繞數據流去重構自己的電路拓撲。簡單來說，軟件定義硬件：

傳統GPU存在“內存墻、效率墻、互聯墻”問題，因為指揮數據的“旗手”和搬運數據的“員工”要不斷地交流信息，徒增成本。ASIC方案把搬運流程變成了固定流水線，效率提高了，不過每次需求一改就要重新定制流水線。而RPU方案是根據數據算法的需求定義流水線，想要什么傳送方式，便可以朝那個方向重構。

用清微智能創始人王博的比喻，這是在芯片里搭了一張充滿“電子道岔”的鐵路網。傳統芯片是一條單線鐵路，火車只能沿既定軌道跑；可重構數據流芯片則在每個節點都埋了道岔，今天把這些“小計算器”連成卷積流水線，明天又重連成注意力模塊專用路徑，執行完一段網絡就擦除配置，十幾納秒內切成另一種拓撲。

本質上，它把程序驅動硬件變成數據驅動硬件，讓數據在芯片內部節點之間直接流動，盡量少繞回顯存排隊。這對參數海量、訪問模式高度規則的大模型尤其友好——每少繞一次路，背后都是成本曲線被向下拉了一段。

于是，算力產業擁有了一個具備差異化特征的“第二陣營”，嘗試在蠻力堆砌GPU之外找出路。以清微智能為代表的創業公司，正在給大模型算力問題寫出“第二解”。

太平洋兩岸的可重構競賽：

清微智能領銜中國式創新

可重構的概念并不新鮮，重要的是它有了產業化的能力。Groq把語言推理抽象成LPU，適配開源模型后的推理效率一鳴驚人，SambaNova也在用RDU與整機方案做企業市場。

在這股潮流中，清微智能作為稀缺的新架構算力芯片企業，自然而然扮演了一個新角色：中國并非只能在GPU主線上做追隨者，在剛剛打開的第二條算力支流上，我們擁有一支能拿得出手的本土隊伍。它脫胎于清華大學微電子學院研究成果，如今正在為中國的芯模協同貢獻力量。

在端側，清微早期用TX5系列產品驗證了這條路并非紙上談兵。一顆工作功耗不到2毫瓦的語音芯片，讓門鎖、音箱、手機保持常年待機聆聽狀態；多款視覺與語音終端芯片被裝進攝像頭、手機、IoT設備里，累計出貨超三千萬顆。這些看似不起眼的產品，在較長的鏈路中完成了可重構架構的可靠性和工具鏈壓力測試。

而真正讓清微智能具備“爆棚”潛力的，是面向云端市場的TX8高算力芯片。它把“數據流+可重構”直接做到大面積裸片上，并配上一種不同于GPU的互聯方式——C2C算力網格。

傳統GPU集群的路徑是“PCIe—網卡—交換機—網卡—PCIe”，每加一層節點就多一層延遲和擁塞。清微選擇在芯片之間直接織網，讓多卡互聯更接近板上直連。這樣一來，在千卡規模內可以削減大量昂貴交換機投資，同時把大模型訓練/推理中最容易觸頂的“互聯墻”壓薄一層。

搭載TX81的REX1032訓推一體服務器，在同等功耗下可以承載萬億參數模型部署，單機跑DeepSeekR1/V3級別模型無需“縮水版”；整機方案測算下來，比同類GPU產品綜合成本低約一半，能效比提升約三倍。

IDC統計顯示，2025年上半年，清微在國產非GPU（含可重構、ASIC）加速卡銷量中位列第六，進入本土算力第一梯隊。

目前，清微智能已經為多地智算中心打造了“實戰裝備”。黑龍江、浙江、安徽、北京等地陸續上線千卡規模集群，新疆雙河的中樹云智算中心則在首期工程中直接采用可重構架構，成為“東數西算”和算力出海的重要節點之一。

在軟件與生態上，清微一方面在眾智FlagOS上做到卓越適配，與寒武紀、昆侖芯、摩爾線程、昇騰、中科海光并列為領域內的“六脈神劍”；另一方面采用“三層兼容”策略——上層CUDA API級兼容，中層深度押注OpenAI主推的Triton編譯器并與智源共建生態，底層用RISC?V替代PTX，為開發者預留足夠“壓榨性能”的空間。

這些看似瑣碎的工程選擇，針對的是新架構影響的客戶遷移成本、交付與支持可靠性等問題。太多AI芯片創業公司倒在這一關，而清微智能在可重構數據流這條支流上，率先完成了從可用到可規模部署的躍遷，為中國算力產業探得了一方獨立、有潛力的天地。