大模型时代，算力已经成为人工智能发展的核心生产力。从ChatGPT Claude，再到智能体、物理AI的快速演进，模型参数规模不断扩大，训练与推理需求持续攀升，全球AI产业竞争正逐渐演变为算力体系之间的竞争。以OpenAI和Anthropic为主的人工智能产业的核心圈，正织起了关于资本、云计算服务、芯片、数据中心等密集、庞大又错综复杂的关系网。然而，对于中国AI产业而言，真正面临的挑战，早已不仅仅是追赶国际领先产品的性能，而是在先进制程、高带宽存储、软件生态以及供应链等多个维度同时承受压力。
东方算芯创始人、董事长兼CEO魏少军此前在接受《半导体制造》采访时指出，当前全球AI发展已经形成了“模型—架构—生态”的三重绑定，人工智能芯片的发展不能简单沿着既有路线追赶，需要颠覆性思维，打造中国创新的人工智能技术路径。未来人工智能技术需要从终端应用出发，以应用定义软件，再用软件来定义芯片，以满足各种人工智能终端设备的定制化需求，并提升算力的供给。
正是在这样的思考下，由魏少军创办的东方算芯日前正式发布首款AI算力芯片DF1000。相比一颗新产品，这款芯片更值得关注的是，在GPU与DSA（领域专用架构）之外，中国AI芯片走出了第三条技术路线。
GPU与DSA之外，中国AI芯片需要新的选择
过去几年，AI芯片的发展主要形成了两条技术路线。
一条是DSA（Domain Specific Architecture），通过针对特定算法设计专用硬件获得极高计算效率，Google TPU、华为昇腾等产品均属于这一思路。其优势在于性能和能效突出，但不足也十分明显，一旦算法快速演进，芯片灵活性便受到限制，重新开发芯片周期长、成本高。
另一条则是以英伟达为代表的GPGPU路线。依托CUDA软件生态，GPU凭借良好的可编程能力迅速成为大模型时代的主流算力平台，并逐渐形成了覆盖模型、开发工具和软件生态的完整体系。
然而，在魏少军看来，这两条路线都存在各自的局限。
随着大模型不断演进，AI算法几乎每隔几个月便发生显著变化，专用架构难以持续适应快速迭代；另一方面，GPU路线虽然拥有极强的通用性，却高度依赖先进制程、HBM高带宽存储以及成熟的软件生态，而这些恰恰是当前国产AI芯片面临的现实挑战。
“如何在现有工艺条件下实现高性能，同时能够满足通用大模型发展的芯片路线，对中国来说是一个独有的问题。”在东方算芯发布会前的媒体交流中，魏少军这样概括国产AI芯片所面临的现实。
相比继续沿着既有路线追赶，东方算芯选择了一条完全不同的发展方向——软件定义芯片。
早在2006年，魏少军团队便开始在清华大学微电子所开展可重构计算芯片研究，希望通过改变控制代码，让同一套硬件能够适应不同应用需求。随着人工智能的发展，这一思路进一步演进为软件定义芯片：芯片底层保留可重构硬件资源，由软件动态定义其计算方式，实现“软件写入什么功能，芯片就具备什么能力”。
相比传统ASIC的固定功能，软件定义芯片兼顾了灵活性与计算效率，也成为东方算芯探索第三条路线的基础。
软件定义+ 近存计算，破解AI算力三大瓶颈
如果说软件定义解决的是芯片“如何适应算法变化”，那么DF1000的另一项核心创新——通过3D堆叠实现近存计算，则针对的是AI算力越来越突出的“存储墙”问题。
近年来，大模型训练和推理过程中，大量时间和能耗并非消耗在计算本身，而是消耗在计算单元与存储之间的数据搬运。随着GPU算力不断提升，数据访问速度却难以同步增长，“存储墙”已经成为制约AI系统性能的重要瓶颈。国际主流AI芯片厂商纷纷通过HBM、高速互连以及先进封装提升数据带宽，本质上都是为了缩短计算与存储之间的距离。
东方算芯选择的是另一种思路。
DF1000成为国内首颗采用Logic-DRAM晶圆级混合键合（Hybrid Bonding）3D垂直集成的AI算力芯片。通过将逻辑层与存储层直接垂直堆叠，计算单元能够以更短距离访问存储资源，大幅提升互连密度和带宽密度，芯片访存带宽达到 6.4TB/s，有效缓解传统架构中的带宽瓶颈、功耗瓶颈和存储瓶颈。
与此同时，DF1000采用软件定义架构，通过空间并行与时分复用提升硬件资源利用率，在并不过分依赖最先进制程的情况下，实现520TFLOPS（BF16）的峰值算力。
不过，魏少军强调3D堆叠只是近存计算的一种实现方式，主要解决带宽问题，并不能解决所有问题。真正决定DF1000技术路线的核心是软件定义，它让芯片面对未来算法快速演进时有了适应能力。
他同时提醒行业，不应将先进封装与先进工艺对立起来。在他看来，新架构只是延缓了国产AI芯片受到先进制程限制的时间窗口，当未来国内工艺持续进步时，新架构同样能够获得进一步性能提升。
不只是芯片，更是软件生态
过去几年，CUDA的成功已经证明，一款优秀的AI芯片必须拥有完善的软件生态。开发工具、编译器、运行时环境、算子库以及分布式训练框架，共同决定着芯片是否真正“可用”。
因此，与DF1000同步发布的，还有东方算芯完整的软件平台和产品体系。
据了解，东方算芯已构建覆盖编译器、运行时、算子库、集合通信库、分布式训练框架以及开发工具链的全栈软件平台，全面兼容主流深度学习框架，降低 AI应用迁移成本。围绕DF1000核心芯片，东方算芯同步推出完整的产品矩阵，覆盖巅峯DF1000加速卡、擎元QY100单机8卡服务器、拓域TY64超节点以及慧算HS128智算集群等系列产品，覆盖从加速卡到集群的全层级算力需求，可适配人工智能、互联网、金融、超算、科研医疗、政务等各类复杂算力场景。
这种“芯片+软件+系统”的布局，也反映出当前国产AI芯片的发展方向正在发生变化。
魏少军曾在接受《半导体制造》采访时指出，当全球开发者都在同一种芯片生态中开发AI应用时，“我们用的不仅是芯片，更是它制定的游戏规则。”对于国产AI芯片而言，仅仅拥有一颗性能出色的芯片远远不够，更重要的是建立能够持续演进的软件生态和自主技术体系。
架构创新，或许比追赶工艺更重要
过去数十年，半导体产业的发展几乎始终围绕摩尔定律展开，先进制程不断推动计算能力提升。但进入AI时代之后，行业开始意识到，仅依赖工艺进步已经难以满足算力需求，架构创新正成为后摩尔时代的重要方向。
近年来，无论是芯片端引入Chiplet、高速互连，还是国际厂商积极布局3D封装、近存计算，本质上都是希望通过系统架构创新继续提升计算效率。
与国际企业不同的是，国产AI芯片需要面对更加复杂的产业环境。在先进制程、高端存储以及供应链仍存在挑战的现实下，通过软件定义、近存计算和架构创新提升系统效率，为国产算力提供了一种新的思路。
当然，没有人能够断言，这条路线一定会成为未来AI芯片的发展方向。
正如魏少军所说，没有人能够保证今天产业选择的任何一条路线一定正确。真正重要的是，在技术快速演进的时代，始终保持探索新的可能。
“根本出路在于‘技术创新驱动设计产业升级’。”他提出，产业必须摒弃过去对“工艺迭代”的盲目追逐，转而聚焦于能够提升产品核心竞争力的技术。
从这个意义上看，DF1000的价值或许并不仅仅在于发布了一颗新芯片，更重要的是，它尝试在DSA与GPGPU之外，为国产AI芯片探索一种新的技术范式。