芯耀
与非AI
41
一家以CMOS图像传感器起家的半导体公司，为什么开始布局AI训推一体机，而且一口气拿出了三款产品？
最近，思特威旗下全资子公司威云创达带来了新的动作。
根据最新发布资料，威云创达推出威云™1000Pro、威云™1000Ultra两款AI训推一体机，以及威云™Station物理AI智能体工作站，形成覆盖企业级本地AI计算、超大模型部署和专业桌面AI应用的产品矩阵。
其中，旗舰级威云™1000Ultra标称最高具备47.5 PFLOPS FP4算力和4.66 TB显存容量。
这些数字固然值得关注，但如果只把它理解成思特威开始做AI计算硬件，可能会低估这次布局的真正意义。
过去一年，思特威在机器人视觉、端侧AI SoC、MicroLED高速光互连等领域持续推进技术布局。
现在，威云创达进一步把业务边界延伸到了异构AI-ASIC集群、本地大模型训推和智能体应用。
从视觉感知，到端侧处理，再到高速互连和集群算力，思特威正在围绕物理AI构建一套更加完整的技术能力。
这并不是简单地从CIS跨界到AI服务器，而是一次值得关注的产业定位延伸。
一、物理AI时代，真正稀缺的不只是一颗算力芯片
过去几年，AI基础设施最显眼的竞争集中在GPU、HBM和大模型训练集群。
但当大模型从云端走向企业现场、机器人和各类智能终端之后，新的问题开始出现。
模型越来越大，企业却不一定希望把全部业务数据送上云端。
上下文越来越长，KV Cache对存储容量和带宽的要求不断提高。
AI智能体需要持续调用工具、理解环境、执行任务，这又进一步增加了推理计算和系统调度的复杂度。
尤其是物理AI。
与主要处理文本、图像和语音的传统AI应用不同，物理AI需要持续感知真实环境，并把感知结果转化为决策和行动。
这意味着系统不仅要解决“算得快”，还必须解决另外几个问题：
真实世界的数据从哪里来？如何在本地完成实时处理？不同计算单元如何交换数据？模型又如何高效部署和运行？
如果只拥有算力，却缺乏感知、互连和系统软件能力，很多物理AI应用仍然很难真正落地。
威云创达此次推出的新产品，切入的正是这类系统级需求。
其核心思路不是单纯增加计算芯片数量，而是通过异构计算、存储调度和多机互联，让不同规模的AI模型能够在本地更灵活地运行。
二、三款新品集结，威云创达开始构建分层AI算力平台
仔细看此次发布的三款产品，会发现它们并不是简单按照算力大小排列的三个配置版本。
它们实际上对应三种不同的AI部署需求。
威云™1000Pro：让企业拥有自己的本地AI算力
作为企业级主力AI训推一体机，威云™1000Pro采用2U机架式设计。
根据最新产品资料，其最高算力可达13 PFLOPS，最高显存容量1.28 TB，并给出了低至1 kW的推理功耗指标。不同性能和功耗指标的实际表现，需要结合具体配置、模型和运行负载理解。
这款产品的核心价值，在于帮助企业以相对紧凑的设备形态建立本地AI计算能力。
它支持DeepSeek-V4.1-Flash、GLM-5.3、MiniMax-H3等大模型单机全参数本地部署，也支持通过横向扩展实现更大规模模型的多机分布式运行。
与此同时，产品集成可视化管理平台，支持模型部署、统一管理和API接入。
对企业而言，本地AI基础设施的意义不只是减少对外部云服务的依赖，更在于能够根据自身的数据管理、业务流程和模型需求，构建可控、可定制的AI应用环境。
1000Pro试图解决的，是企业从“调用AI服务”走向“管理自己的AI算力”的问题。
威云™1000Ultra：面向更大参数规模的本地计算需求
如果说1000Pro重点解决企业级部署，那么威云™1000Ultra则进一步面向超大规模模型和高强度AI计算任务。
作为旗舰级AI训推一体机，其最高FP4算力达到47.5 PFLOPS，最高显存容量达到4.66 TB。
产品采用8U/12U机箱方案，支持配置升级和多机互联，并可选配GPU及FPGA加速卡。
根据最新资料，它面向Kimi K3、Qwen3.8-2.4T、DeepSeek-V4-Pro、GLM-5.3等大规模模型的单机全参数本地部署需求。
这里真正值得注意的，不只是47.5 PFLOPS。
随着模型参数规模、上下文长度和并发量增加，计算系统需要同时解决算力、存储容量、带宽和资源调度问题。
即使计算芯片足够强大，如果模型参数和KV Cache无法高效访问，实际推理效率仍然会受到限制。
因此，1000Ultra通过高容量存储、高速互联和KV Cache动态卸载等设计，尝试提高超大模型的本地承载和运行能力。
需要强调的是，FP4峰值算力并不等同于模型实际Token吞吐量，全参数部署也不意味着能够以任意精度、任意上下文长度运行所有模型。
1000Ultra的真正竞争力，最终仍要由复杂模型负载下的吞吐、延迟、能效和运行稳定性来验证。
威云™Station：把AI计算与真实空间连接起来
三款产品中，威云™Station可能是与思特威原有视觉技术积累联系最紧密的一款。
它并不是一台简单缩小的AI服务器，而是面向专业团队、开发者、内容创作者及OPC（一人公司）的物理AI智能体工作站。
根据最新资料，Station最高具备7.7 PFLOPS算力和680 GB显存容量，支持多种大模型本地部署，并可通过Scale-out扩展更大规模的计算任务。
产品还支持选配GPU、高速网卡，以适应视频处理、多机互联和数据采集等不同需求。
但Station最值得关注的能力，其实不是算力数字。
而是最高支持接入12路高性能、低延迟环境感知摄像头。
这意味着它可以从多个视角持续获取现实环境的信息，为空间感知智能体提供更完整的场景输入。
对于一台普通AI工作站而言，摄像头可能只是外设。
但对于物理AI工作站而言，摄像头是系统理解现实世界的重要入口。
从这个角度看，Station试图把本地模型运行、视觉感知和空间交互放到同一套桌面计算平台中。
这也是它区别于传统AI工作站的一个重要方向。
三、WAAG™架构：AI计算的竞争，正在从算力转向系统效率
三款产品背后，真正值得半导体行业关注的，是威云创达自研的WAAG™（Weiyun AI-ASIC Grid）异构AI-ASIC集群互联技术。
为什么要采用异构架构？
因为大模型系统的性能瓶颈，已经不只发生在计算单元内部。
特别是长上下文、多轮推理和多智能体并发场景，计算任务往往受到存储容量、内存带宽、数据传输以及调度效率的共同制约。
一个典型问题就是KV Cache。
大模型在推理过程中，需要保留此前Token对应的Key、Value信息，以减少重复计算。
随着上下文长度和并发请求增加，这部分缓存会占用越来越多的存储资源。
如果所有数据都必须长期驻留在成本较高的高速存储中，系统的部署成本和扩展空间就会受到限制。
WAAG™架构的思路，是把计算能力、存储能力与网络传输能力放在同一套系统中协同设计，通过异构AI-ASIC集群互联以及KV Cache动态卸载等技术，优化模型运行时的资源利用效率。
从工程角度看，这实际上是在同时解决三个问题：
算力够不够、数据放在哪里，以及数据能不能及时到达需要它的计算单元。
KV Cache动态卸载有助于缓解高速存储的容量压力，但也会引入数据迁移开销。
因此，真正的系统性能取决于卸载策略、互连带宽、访问延迟和软件调度之间的平衡。
这也是异构AI系统的核心挑战。
一台设备的价值，不只是把多个计算单元装在一起。
而是让这些计算资源能够被真正组织、调度和利用。
四、从CIS、飞凌微到HOC，思特威的技术路线开始串联
如果只看威云创达，它是一家提供AI计算硬件、智能体和行业解决方案的企业。
但如果放进思特威的整体战略中观察，这次产品发布就有了更深一层的意义。
思特威在2026年半年报中已经明确提出“3+AI”战略，以智慧安防及AIoT、智能手机、汽车电子三大核心业务为基础，构建“高精感知—高速互连—智能计算”的技术闭环。
现在，这条路线正在通过不同业务主体逐渐具象化。
第一层，是思特威CIS构建的视觉感知基础。
物理AI首先需要高质量的真实世界数据。
机器人运动中的图像捕捉、双目视觉深度计算、多摄像头同步以及复杂光照条件下的稳定感知，都离不开图像传感器。
思特威在全局快门、低噪声、高动态范围和机器视觉等方向的技术积累，为物理AI提供了重要的数据采集入口。
尤其在高速运动和机器人视觉场景，图像的时间一致性、动态捕捉能力和可靠性，都会直接影响后续空间理解与决策。
第二层，是飞凌微承担的端侧视觉AI处理。
思特威全资子公司飞凌微已经推出新一代视觉处理SoC产品。
其中，M2重点面向车载视觉处理，A2则聚焦机器人和工业视觉。
A2支持四路摄像头接入，并具备双目视觉深度加速能力，可以在终端侧完成部分空间感知和实时AI处理任务。
这意味着系统不必把所有原始图像都送入远端集群。
部分数据可以在感知端附近完成处理、筛选和分析，从而减少不必要的数据传输，并改善实时响应能力。
第三层，是HOC高速光互连业务。
当AI系统从单个芯片扩展到多芯片、多板卡和多集群，数据移动就成为影响计算效率的重要因素。
思特威布局的HOC高速光互连业务，重点研究基于MicroLED的短距并行光互连方案，尝试利用高密度光传输缓解部分传统电互连在带宽、功耗和距离方面的约束。
值得注意的是，HOC目前仍在研发和产业化推进阶段，不能将其直接等同于威云创达所有在售硬件已经采用的具体互连方案。
但从技术方向看，高速数据互通与异构计算集群之间具有明确的协同空间。
第四层，则是威云创达进一步延伸出的集群训推与智能体运行平台。
CIS负责采集现实数据。
飞凌微负责端侧处理。
HOC面向高速数据传输。
威云创达则通过异构AI-ASIC集群、本地模型部署与智能体工作站，进一步拓展模型计算和应用运行能力。
这四个环节的技术关联，构成了思特威物理AI布局最值得观察的主线。
它并不是用一项新业务替代CIS主业，而是尝试围绕CIS所连接的真实世界，向数据处理、传输和计算环节延伸。
五、不只是卖算力，威云创达开始把AI应用带进实际工作流
如果一家企业只提供计算硬件，它解决的主要是算力部署问题。
但AI真正进入企业生产流程，还需要应用软件、工作流和场景适配。
威云创达此次也明确展示了五大应用方向：
AI影视创作、空间感知智能体、AI数字人、AI辅助编程，以及定制化行业智能体。
其中，自研AI影视创作工具“织影”是一个值得关注的落点。
根据品牌资料，“织影”围绕剧本策划、分镜设计和视频生成等环节构建AI辅助创作流程，尝试把分散的生成式AI能力整合为更加连贯的内容生产工具。
AI数字人和AI辅助编程，则分别服务于交互服务、开发协同等业务场景。
定制化行业智能体进一步面向企业知识、行业流程和专业任务进行适配。
这些应用体现的是本地AI算力如何进入实际业务。
而在五大方向中，空间感知智能体与物理AI的关联最直接。
威云创达提出以微秒级实时感知链路和全双工大脑为技术基础，结合多路视觉数据，实现环境感知、空间理解和交互响应。
这里的“微秒级”应理解为其特定感知链路的技术目标或指标，而不是整个AI智能体从理解到决策、执行都能够在微秒内完成。
物理AI要真正走进实际环境，还需要同时考虑模型推理时延、通信开销、执行机构响应以及安全控制。
但方向已经很清楚。
传统AI应用主要处理用户主动提交的信息。
而空间感知智能体则试图通过持续的数据输入，让AI主动理解环境变化。
它让AI从屏幕里的软件能力，开始进一步走向与真实世界的交互。
六、思特威真正想改变的，是自己在AI产业链中的位置
从产业角度看，这次威云创达的三款新品发布，最重要的并不是让思特威多了一个硬件产品系列。
而是让市场开始重新理解一家CIS公司的业务边界。
过去，思特威主要参与视觉感知芯片环节。
其价值来自像素结构、成像性能、读出电路、功耗控制以及产品量产能力。
随着端侧AI SoC、高速光互连和异构集群训推硬件陆续进入业务版图，公司的技术覆盖范围开始向系统层延伸。
这背后的产业逻辑并不复杂。
物理AI需要的不是孤立的传感器，也不是孤立的计算芯片，而是能够持续获取数据、理解数据、传输数据并利用数据的完整系统。
拥有CIS能力，可以参与数据采集。
具备端侧AI处理能力，可以进一步参与智能模组。
掌握高速互连技术，有机会进入更复杂的计算系统。
向集群算力和智能体应用延伸，则意味着企业开始尝试参与模型部署和实际业务流程。
当然，业务边界扩大并不自动等于平台竞争力形成。
威云创达仍然需要证明其异构计算架构在真实模型负载下的性能、稳定性和部署效率。
不同业务主体之间，也需要通过实际客户项目验证产品集成、软件适配以及技术协同能力。
真正值得观察的，不是未来能推出多少种产品，而是这些产品能否围绕客户的实际需求形成可复制的系统方案。
小结：从“看见世界”到“理解世界”，思特威开始走向更大的技术版图
回头看思特威过去几年的发展，其核心竞争力一直建立在CMOS图像传感器之上。
但物理AI的出现，正在赋予视觉感知新的产业意义。
未来的机器人、工业设备和智能终端，不仅需要看见周围环境，还需要理解场景、识别变化、完成决策，并在真实世界中执行任务。
这意味着感知、端侧计算、高速互连与模型训推之间的关系，将变得越来越紧密。
威云创达此次推出三款AI算力新品，以及围绕WAAG™架构、空间感知智能体和行业应用展开的布局，让思特威向物理AI系统层延伸的战略意图更加清晰。
从CIS，到飞凌微，再到HOC高速光互连和威云创达，思特威正在尝试建立一套以真实世界感知为起点，向智能计算和应用层持续延伸的技术生态。
这套布局距离完整商业化协同仍有工程和市场验证工作需要完成。
但它已经提出了一个值得半导体行业关注的新命题：
当AI开始走进物理世界，一家拥有视觉感知技术积累的芯片公司，能否进一步成为支撑物理AI运行的系统级技术平台？
威云创达的出现，正让思特威对这个问题的回答逐渐具体。
过去，思特威的核心能力是让机器“看见世界”；现在，它正在尝试让这种感知能力进一步连接计算、理解和行动。
这或许才是威云创达三款新品背后，更值得关注的长期产业逻辑。
