不追制程、不靠 HBM、不复制 GPU：东方算芯首颗 AI 芯片 DF1000 的“搬得快”新范式

推理时代改写游戏规则

过去几年 AI 芯片几乎遵循同一条路径：更先进的制程、更大的 GPU 集群、更高的算力。但推理时代到来，规则开始改变——模型不再只追求训练速度，更关注推理成本、Token 吞吐与部署效率，能源、制造工艺和供应链的制约也日益凸显。7 月的首届发布会上，东方算芯推出国内首颗采用“软件定义近存计算”的 3D AI 芯片 DF1000，并完成了一系列工程验证：全国产供应链流片制造、128 卡集群在真实业务中稳定运行、全栈软件生态同步搭建。

真正稀缺的可能是能源

香港工程院院士郑光廷指出，AI 发展正受到物理世界的约束。国际能源署（IEA）数据显示，AI 专用数据中心用电量 2025 年增长 50%，远高于数据中心整体 17% 的增速；Gartner 预测到 2030 年，面向 AI 负载优化的服务器将占数据中心电力消耗的近一半。他认为，未来真正稀缺的未必是算力，而可能是能源——如何在有限能源下释放更多有效算力，是全行业的共同命题。

从“算得快”到“搬得快”

东方算芯副总裁郭炜分析：占训练计算量约 70% 的预训练是计算密集型任务，芯片计算能力仍是训练效率核心；但推理逻辑截然不同——当参数相对固定，系统需不断读取模型权重与 KV Cache 再生成 Token，芯片竞争的重点正从“算得快”转向“搬得快”。推理中 Decode 阶段占时间大头，其 Token 吞吐高度依赖计算单元与存储单元之间的访存带宽。

国产 GPU 的两道坎

郭炜坦言，训练侧越来越依赖先进制程——国际领先已进 3 纳米，而国内可获取的先进工艺仍以 14 纳米级为主，工艺代差直接限制提升空间；推理侧瓶颈则转向存储与互联——先进 HBM 决定单卡带宽上限但供应受限，高速 I/O 密度也受制造工艺制约。更本质的是，北京超弦存储器研究院执行副院长赵超指出，传统冯·诺依曼架构本身也未必是 AI 时代的最优解。DF1000 的“近存计算”，正是针对“搬得快”这一推理时代新瓶颈给出的差异化答案。