国产GPNPU发力AI大算力芯片，明年对标英伟达Blackwell

首页

热心网友

转载

2026-02-04

智东西
作者陈骏达
编辑漠影

免费影视、动漫、音乐、游戏、小说资源长期稳定更新！ 👉 点此立即查看 👈

2026年，AI产业的重心迁移，愈发清晰。随着AI全面进入规模化落地阶段，驱动AI推理需求快速增长的“三驾马车”正在成型。

其一，应用全面铺开是最直接的动力。产业已从百模大战步入了应用竞赛与价值验证阶段，高频交互与内容生成持续发生，形成稳定而庞大的推理需求基础——国内的头部AI应用，日均Token消耗已达到约50万亿规模，成为推理负载快速累积的一个典型样本。

其二，推理模型范式的兴起从结构上抬升了推理需求。新一代推理模型不只追求快速作答，更是依赖多步推演与链式思考来提升准确性，使单次调用的推理token显著增加。海外大模型调用平台OpenRouter的统计显示，2025年，来自推理模型的用量在2024年初尚可忽略，但至年底已占平台总用量的60%以上，直观体现了推理需求的结构性上升。

其三，Agentic AI开启长期增长空间。以年初OpenClaw等为代表的Agent产品热度不断攀升，它们具备自主规划与长时间执行能力，需要在持续运行中不断推理与反馈，推理由单次请求演变为连续过程，推理需求进一步呈现指数级放大。

三股力量相互叠加，推动推理走向产业中心，也促使算力结构从以训练为核心，转向以高性价比、低延迟和能效优化为导向的推理时代。

这一转变不仅推动全球科技巨头重新布局算力战略，也成了多家国内AI芯片企业重点发力的方向。未来五至十年，或许将成为AI推理芯片的关键发展期。

一、海外巨头加速布局，推理芯片成下一个风口

全球科技巨头，都在竞相加码AI推理芯片这一赛道。

去年4月，谷歌发布了其第七代TPU芯片Ironwood。谷歌分管全球AI和基础设施团队的副总裁Amin Vahdat强调，这是谷歌史上最节能的TPU，专为支持思考、推理类模型的大规模应用而设计。

谷歌认为，Ironwood代表着AI及对应基础设施的重大转变，从提供实时信息供人类解读的响应式AI，转变为主动生成解读的下一代AI，迎来“推理时代”。

在大规模推理场景下中，TPU在成本、效率上对传统GPU架构形成实质性竞争，因此甚至吸引了Anthropic、Meta等顶级客户的关注，并已斩获数十亿美元的订单。

无独有偶，去年12月，英伟达的一项重磅交易，在AI芯片产业内引发了广泛关注。

英伟达与美国AI芯片创企Groq达成价值约200亿美元非独家授权协议，并吸纳Groq的联合创始人Jonathan Ross、总裁Sunny Madra以及Groq团队的其他成员。这项协议的核心，正是AI推理技术。

黄仁勋称，英伟达计划将Groq的低延迟处理器集成到英伟达AI工厂架构中，以服务于更广泛的AI推理和实时工作负载。

值得注意的是，Groq创始人兼CEO Jonathan Ross曾是谷歌TPU创始成员。在谷歌率先验证了专用芯片在AI训练与推理中的规模化价值后，英伟将这一关键技术路径及其核心人才纳入体系之中，某种程度上体现出其对推理时代技术范式转向的主动回应。

由此可见，AI推理芯片的技术路线正加速走向多元化。相较性能强但成本高企的通用GPU，面向特定推理负载优化的专用芯片在能效、延迟与边际成本上具备清晰的经济合理性。

英伟达选择通过引入Groq技术来拓展架构边界，表明其并不满足于单一GPU路径，而是在推理时代到来之前，主动构建更具弹性的算力体系与生态纵深。

二、算力瓶颈已成制约因素，GPNPU或成国内破局关键

把视角转向国内，由于贸易限制等各方面因素，高效的推理芯片对国内AI产业的价值，有过之而无不及。

我们能从不少国内AI头部玩家的动向中找到蛛丝马迹。今年1月，阿里千问大模型负责人林俊旸向外界披露了一个行业可能共同面临的窘境：交付工作占据了大量算力资源，甚至在某种程度上挤压了科研空间。

刚刚发布Kimi K2.5的月之暗面，也在为算力发愁。有海外观察者指出，Kimi K2.5目前最大的瓶颈是算力，而不是模型质量。没有足够算力，就无法提高每秒生成的token数量（TPS），而TPS直接影响着用户体验。

对此，月之暗面联合创始人兼算法团队负责人周昕宇回应道：“流量每天都在飙升，我们正竭尽全力争取更多算力。”

林俊旸、周欣宇谈到的现实情况只是一个切片，这揭示了推理成本与效率已经成为国内不少AI企业面临的挑战，即便是他们这样的头部玩家。

若无法击穿推理成本的壁垒，就很难将AI转化为普惠的生产力，也难以腾出算力来支持那些需要长线、大规模算力投入的前沿研究。

面临国内AI产业的现实挑战，已有一大批AI芯片企业正从不同技术路径切入，试图攻克推理效率的难题。其核心思路可以归纳为：在硬件层面通过架构创新提升性能上限，在系统层面通过软硬协同释放实际效能。

在这一背景下，长期深耕AI推理芯片的云天励飞，于昨日的“大算力芯片战略前瞻会”上，首次对外系统公布了未来三年的大算力AI推理芯片战略布局。

云天励飞董事长兼CEO陈宁判断，在AI大规模落地的阶段，产业需要的不再是通过十万卡/百万卡互联提供绝对算力的GPGPU（通用GPU），而是更高性价比的推理芯片。

与众多布局GPGPU、更主打训练市场的国内芯片创企不同，云天励飞是国内首家聚焦于AI推理芯片的企业，曾推出四代面向终端、边缘的AI推理芯片。

陈宁透露，在2025年，云天励飞做出了一个重要的战略转向：斩钉截铁的把芯片战略聚焦在云端的大算力、大模型的推理芯片。

云天励飞正在做的，是被定义为“GPNPU”的芯片。GPNPU不只是一个处理器架构，更是一套围绕大模型推理而构建的技术范式和系统级架构理解，在“好用”和“高效”之间实现某种程度的平衡。

云天励飞CTO李爱军谈道，云天励飞的GPNPU在顶层采用具备GPGPU级通用编程能力的架构，通过兼容CUDA，使得当前几乎所有基于GPU训练出来的模型和算子，都可以低成本、低门槛地平移到云天励飞的芯片上，真正做到“一行代码”完成从GPU到国产芯片的部署迁移，解决国内芯片生态最现实的易用性问题。

另一方面，在底层计算上，GPNPU又充分发挥NPU的优势，通过自定义指令集和专用计算单元，在单位硅面积上实现远高于通用GPU的计算密度和能效比，专注于推理场景所追求的极致效率与极低成本。

围绕大模型推理“内存墙”的核心瓶颈，GPNPU进一步引入国产工艺条件下的3D memory架构，在设计上实现了超过HBM十倍以上的内存带宽，同时具备10纳秒级的访问时延和更低的综合成本，从系统层面释放推理性能。

更重要的是，考虑到国产制程和单Die能力的现实限制，云天励飞率先提出并持续深耕“算力积木”架构，也就是把多个芯粒像积木一样组合，实现算力的规模化扩展。

去年，云天励飞完成了8个算力Die的单芯片封装的验证，可实现DeepSeek 671B大模型的推理部署。

GPGPU的通用性、NPU的极致能效、3D memory的超带宽以及Chiplet算力积木这四个方向的融合，构成了GPNPU的完整内涵，也让它成为云天励飞所定义的云端大模型推理芯片的一种最优实现路径。

三、All in大算力芯片，云天励飞揭秘三代路线图

会上，李爱军透露，未来三年，云天励飞将面向云推理场景，All in大算力芯片，把资源投入大算力芯片DeepVerse的研发。那么，云天励飞的打法究竟是什么，又要如何在云推理这一核心战场上与全球巨头展开竞争？

云天励飞已对大模型推理流程进行了重新解构，围绕prefill与decode两个阶段在计算特性上的显著差异，提出并落地了PD分离的系统架构：即针对不同阶段分别设计专用芯片，从系统层面对传统推理计算范式进行重构。

这一思路试图突破通用GPU在推理场景下“兼顾训练与推理”所带来的效率瓶颈，为云端大模型推理构建更具针对性的算力基础。

在架构与微架构层面，云天励飞围绕大模型推理中的核心算子进行了深度定制化优化。其中，P芯片主要面向prefill阶段计算密集型需求，重点提升百万上下文场景下的吞吐能力与能效表现；D芯片则针对decode阶段访存密集、低时延的特点，对attention、FFN等关键计算路径进行细粒度优化，以降低单token推理时延。

在系统层面，云天励飞进一步布局超节点，计划通过最多1024颗P/D芯片的协同，满足云端大模型在大规模集群环境下的部署需求。