芯耀
与非AI
350
AI芯片的竞争坐标，正在悄然改写
过去十年，AI芯片的竞争几乎等同于制程与算力的竞赛：谁能用上最先进的工艺节点、谁能堆出更高的峰值算力、谁能集成更大容量的高带宽存储，谁就掌握了话语权。
但随着大模型从训练主导转向大规模推理落地，这套评价体系正在被重新审视。推理阶段对算力的要求不再是单纯的峰值堆叠，而是数据搬运效率、访存带宽、能效比与系统扩展成本的综合考验——这也是行业常说的「存储墙」问题：计算单元的速度增长远快于存储与互联，算力被「卡」在了数据搬运环节，而不是运算本身。
这个判断并非东方算芯一家的一面之词。谷歌TPU、亚马逊Trainium等自研AI芯片选择绕开通用GPU路径，本质上也是在同一命题下寻找答案；近存计算、存算一体等技术路线近年重新被产业关注，反映的是同一个趋势：当先进制程与HBM产能成为稀缺资源，「用架构换效率」正在成为一条被验证可行的路径。
这是东方算芯 DF1000 的核心逻辑也是其差异化定位的坐标：不局限于制程赛道的追赶，依靠架构创新打造全新算力路线。
2026年7月17日至20日举行的世界人工智能大会（WAIC 2026）上，东方算芯以世博展览馆+张江科学会堂双展区形式，对DF1000及其配套产品矩阵进行了系统性展出——从加速卡、单机服务器到超节点集群，为现场观众提供了一条从芯片级到系统级的完整参观动线，也是DF1000自7月13日发布以来首次面向产业界集中亮相。
东方算芯：一支二十年团队的产业化落子
上海东方算芯科技有限公司（以下简称「东方算芯」）成立于2024年5月，由国际欧亚科学院院士魏少军教授领衔。公司成立2年但技术根基并非一朝一夕：核心团队自2006年便于清华大学深耕可重构计算与近存计算体系架构研究，先后承担国家自然科学基金重点项目、863计划、重点研发计划等课题，相关成果获得国家技术发明奖二等奖、中国专利金奖、教育部技术发明一等奖。
2017年起，团队将可重构架构的积累延伸至信息安全芯片与人工智能芯片方向；2021年，团队完成软件定义近存计算的验证芯片。2024年5月，东方算芯正式成立。
DF1000：两大技术支柱如何解决「存储墙」
东方算芯首款旗舰芯片DF1000基于国产成熟工艺打造，官方公布的核心参数为：BF16算力520 TFLOPS，访存带宽6.4 TB/s，Scale-up互联带宽900 GB/s。这些数字本身需要放在合适的参照系里理解——与采用4nm级先进制程、CoWoS封装与HBM3高带宽存储的国际旗舰GPU相比，DF1000在绝对算力与制程上仍有客观差距；但其访存带宽与互联带宽已进入同一量级，这正是「架构换效率」路线试图证明的地方。
上表中H100参数引自公开资料，而非严格意义上的同场景实测对比——两款芯片的内存架构（近存混合键合 vs. HBM外挂）、目标workload、软件生态成熟度均不相同，直接类比存在局限。
支柱一：软件定义芯片——用可重构架构降低制程依赖
DF1000的第一个技术支柱，是东方算芯自主提出的「软件定义芯片」架构。团队构建了从硬件到软件的全栈可重构计算体系，通过动态重构多精度融合计算阵列，使芯片能够根据不同模型的计算特性自动选择最优数据通路。
具体到执行层面，该方案以TensorTile为基本调度单元，构建全异步、无阻塞的数据流执行引擎；通过任务处理的空间并行与硬件资源的时分复用，在同样的晶体管资源下提升硬件利用率。这也是DF1000能够在14nm这一相对成熟的工艺节点上，实现具备竞争力的算力密度的核心原因——本质上是用架构设计的创新，去置换对先进制程的依赖度。
在推理部署层面，DF1000还支持AFD等多种分布式推理模式，可实现Prefill/Decode（P/D）分离与Attention/FFN（A/F）分离的多机并行化部署，以满足大模型推理场景下对高速率token输出的需求——这一能力在WAIC 2026现场展示的产品矩阵中被作为加速卡与超节点集群的共同技术亮点呈现。
支柱二：3D堆叠近存计算——把「存储墙」直接搬开
第二个支柱聚焦在数据搬运本身。随着大模型参数规模持续增长，AI芯片的瓶颈正从纯算力转向数据搬运效率，传统冯·诺依曼架构下计算单元与存储单元的物理距离，成为延迟与功耗的主要来源。近存计算的思路，是把计算和存储在物理上尽可能拉近。
东方算芯采用Hybrid Bonding（混合键合）封装技术，实现逻辑晶圆与DRAM晶圆之间的无凸点垂直互连。相较于依赖硅中介层与微凸点的传统HBM方案，混合键合能将互连间距从数十微米级压缩至亚微米级，从而在带宽利用率和访存延迟上取得优势。这一设计还带来一个附加价值：不再依赖HBM，整条技术路径可实现全国产供应。
在这两大支柱之上，东方算芯搭建了自主编程框架与软件生态，为开发者提供从底层架构到上层应用的完整工具链——这一点同样值得关注：架构创新如果没有配套软件生态的承接，很难真正转化为客户可用的算力，这也是接下来需要持续验证的能力。
产品矩阵：从芯片到集群的完整落地路径
围绕DF1000，东方算芯已构建相对完整的产品层级，覆盖加速卡、单机、服务器与超节点集群：
- 巅峯 DF1000 加速卡：遵循OAM2.0规范，适配国内主流OEM服务器平台，是客户导入的最小交付单元，支持AFD等多种分布式推理模式，满足高速率token输出需求；
- 擎元 QY100P-S（风冷版）与QY100X-S（液冷版）：集成DF1000加速卡的AI服务器，可直接向最终用户交付，满足客户快速上手的应用要求；
- 拓域TY64：分布式超节点液冷服务器，单柜配置64卡DF1000系列OAM模组，提供33 PFLOPS@BF16超高算力（基于单卡896 GB/s Scale-up带宽，形成高半径Scale-up域），满足后训练（强化学习）、AI推理的多机并行化部署（P/D分离、A/F分离）等场景需求；
- 慧算 HS128/ HS512：基于超节点搭建的512卡集群，面向大规模数据并行训练与推理需求；此外，东方算芯还提供慧算HS64（64卡超节点）及128卡集群等中间规格，其中128卡集群采用四柜并柜全铜直连方案，无需对现有液冷机房进行改造即可部署，同时保留超节点级别的扩展能力与冗余设计，为客户提供了从64卡到512卡的更细粒度容量选择。
该产品矩阵的意义在于，东方算芯没有停留在「发布一颗芯片」的阶段，而是提前完成了从单卡到集群的系统化交付准备——这是国产AI芯片能否被客户实际采用的关键变量，比单一参数更值得产业关注。
放在产业坐标里看：这条路线意味着什么
过去几十年，半导体产业的发展逻辑主要围绕摩尔定律展开：通过先进工艺提升晶体管密度，从而获得更强算力。但进入大模型时代，尤其是推理需求爆发之后，单纯依靠制程演进已经难以同时解决数据搬运、能耗与成本三重约束，新的计算架构正在成为产业突破的关键变量之一。
从全球范围看，谷歌TPU、亚马逊Trainium等自研路线，以及近年重新升温的近存计算、存算一体技术方向，都指向同一个判断：AI芯片的竞争不会只有「制程竞赛」一条路径。对于在先进制程与HBM产能上受到客观限制的国内企业而言，这一判断的现实意义更为直接——通过架构创新在成熟工艺上释放更高的系统效率，是当下少数具备现实可行性的突围方式之一。
东方算芯选择的「软件定义芯片＋3D堆叠近存计算」路线，正是在这一背景下的一次具体实践。它不是对国际巨头技术路径的复制，而是试图在国产制造体系的约束条件下，重新定义「性价比算力」的实现方式。当然，架构创新的价值最终仍需通过量产良率、客户实测数据、软件生态成熟度与长期成本曲线来检验——这也是DF1000在7月13日发布、WAIC 2026集中亮相之后，真正需要持续回答的问题。
写在最后
AI时代的竞争，本质上不只是算力规模的竞争，更是计算体系创新能力的竞争。对于中国AI产业而言，真正的挑战从来不只是造出一颗芯片，而是让芯片架构、制造工艺、软件生态与系统应用之间形成完整闭环，并经受住真实工作负载的检验。
东方算芯此次公开亮相DF1000及其配套产品体系，提供的是一种不同于「堆参数、追制程」的发展思路：在成熟工艺条件下，用架构创新去逼近甚至局部超越先进制程带来的效率红利。这条路线能走多远，还需要接下来的量产交付、客户案例与生态建设来持续验证——而这，也正是这个故事真正有价值的下半场。
