芯耀
与非AI
84
11月12日，通芯智能宣布完成数亿元种子轮及天使轮融资，投资方包括清华校友种子基金、北京通用人工智能研究院、松霖科技、平治信息、暗物智能及豫资涨泉。
这家成立于2026年4月的公司孵化于北京通用人工智能研究院，由朱松纯教授发起，创始人王海洋是龙芯CPU创始成员、海光第四代芯片架构负责人、某GPU独角兽联合创始人。它要做的不只是再出一款AI芯片，而是想从架构层面回答一个问题：如果AGI的计算需求不同于今天的Transformer推理，芯片该长成什么样？下面从五个维度展开。
| GPU的天生短板在哪里
通芯智能的芯片分成三块：Vector、Tensor 和 AGI Core。前两块主要处理向量和张量计算，能兼容 CNN、Transformer 这些主流模型；AGI Core 则是专门为 AGI 算法设计的，重点加速逻辑推理、因果推理、价值推理和概率计算这类任务。
GPU 擅长的是大规模并行矩阵乘法，数据规整、计算密集时效率很高；但遇到图遍历、搜索、规划这类任务，数据访问往往不规则，判断分支又多，很多算力单元就容易空转。 逻辑推理和因果推演，本质上就是在图结构上做搜索和状态比较，所以 GPU 跑这类负载并不占优。
换句话说，AGI Core 要解决的不只是“算得更快”，而是让芯片更会处理这类不规则的推理任务。它的设计重点可能不在峰值算力，而在片上存储、数据调度和稀疏计算能力。更关键的一点是，它能不能把“图”当作一等公民来原生处理，而不是把图计算拆成矩阵乘法去凑。
| "混合"二字比"存算一体"更重要
通芯智能还把混合存算一体作为重点，创始人王海洋也被认为是这一思路的早期提出者之一。
这里的关键在“混合”两个字。纯模拟存内计算听起来很猛，但精度容易受工艺波动影响，良率也难控，容量做不大；纯数字存内计算倒是稳，但面积开销大，想覆盖大模型权重不太现实。所谓混合，就是按任务分层：高带宽、小容量的场景走存内计算，大容量权重走近存或常规DRAM，用分级策略换整体能效。
这其实是一种比较务实的工程表态：内存墙不是靠某一项单点技术就能突破的，存储层次得整体重构。对做架构的人来说，这种说法比“我们的CIM能效提升X倍”更有说服力。
| 一套架构打云边端的代价
首代产品规划用Chiplet，以统一架构和软件栈，通过不同芯粒组合覆盖云、边、端。云端对标英伟达B300系列，端侧对标Thor系列。
云端B300级别意味着大Die、高功耗、HBM与先进封装（CoWoS一类）；Thor级别意味着低功耗与功能安全。让一套架构同时覆盖两端，前提是架构本身极度可伸缩——Chiplet几乎是唯一解，但代价同样明确：UCIe等Die-to-Die互连接口、先进封装产能与成本、多芯粒下的良率与测试复杂度。国内先进封装产能本就紧张，这是外部约束，不是设计能解决的。
更难的其实是"统一软件栈"。硬件可伸缩，编译器与运行时对异构单元的统一调度才是真正的门槛，也是多数新架构公司折戟的地方。
| 首代产品其实是"种子"
官方那句“初代芯片将保留主流模型所需的计算能力，随着适配验证推进，将在后续产品迭代中扩大AGI Core的面积占比”，翻译成工程语言就是：首代芯片更像是“通用AI推理芯片里埋下一颗AGI Core的种子”，完整的AGI原生架构要到第二代、第三代才会逐步显现。这和“云端对标英伟达B300系列”并不矛盾——后者的语境主要是云端推理的算力与能效目标，而不是直接对标B300的AGI能力。
时间节奏上，公司成立三个月就完成了架构设计与立项，目前已进入芯片设计阶段，计划2026年12月初开展FPGA原型验证。按公司给出的“立项到量产至少20个月”推算，流片预计在2027年，规模量产则接近2028年。
而大芯片一次先进制程流片的费用以数千万到亿元计，数亿元融资覆盖架构与首轮流片尚可，后续必然依赖新一轮融资。资本节奏是这条路线能否走通的前置变量。
| 算法定义芯片的历史教训
过去不少AI芯片吃过亏：硬件过度围绕某一类模型或算子优化，模型一迭代，软件栈和算子覆盖就跟不上，芯片利用率迅速下降。相对成功的例子是TPU，它一方面有谷歌自有大负载做牵引，另一方面在架构、编译器和集群部署上形成了闭环，所以能持续迭代。
通芯的结构介于两者之间：朱松纯团队提供CUV框架——把认知架构、能力体系、价值体系纳入统一空间，回答智能体如何理解环境、调用技能、依目标取舍；王海洋与史峰分别负责工程落地与AGI Core的架构定义；核心团队平均从业超20年，骨干来自海光、百度、字节、阿里，完整经历十余款大芯片的全流程。
这个配置在结构上是对的：理论给方向，量产经验给约束。接下来更关键的是，CUV作为认知科学框架，如何被准确转成可落地的硬件规格，比如面积、带宽、指令集和访存模型。这个转化过程本身，就是项目需要持续验证的部分。
| 结语
国产AI芯片的路线分化已经很清楚：一条是把通用GPU做得更接近国际主流，一条是围绕特定负载做DSA。通芯智能选的是后者里更激进的一种，不是为某个模型做加速器，而是为一类推理方式做硬件。
这条路的价值不在于能否对标B300，AGI Core回答的是另一个问题：当计算从"拟合"转向"推演"，硬件是否还该保持今天的样子。这个问题值得有人去试。至于成不成，2027年的流片和第一次真实负载跑通，会比任何架构图都更有说服力。
免责声明：本文基于截至2026年11月12日的公开信息整理分析，仅供技术交流与参考，不构成投资建议或对任何项目前景的背书。文中涉及公司规划、产品定位及时间表的内容，以官方披露为准；作者的分析与推断不保证准确，读者据此作出的任何决策，风险自担。
