通芯智能:朱松纯团队打造AGI新型推理芯片

AI模型的迭代速度远快于芯片研发周期,一颗芯片还未完成流片,适配的算法可能已更新多轮,这一行业时间差让下一代AI芯片的布局充满不确定性。
不少企业选择在此时提前入场,通芯智能便是其中之一。这家由知名人工智能专家朱松纯教授发起、北京通用人工智能研究院孵化的公司,于今年4月成立,短短半年内就完成了种子轮与天使轮的合计数亿元融资,资金主要投入流片前的核心架构研发。
通芯的目标是打造面向AGI算法的新型推理芯片,不仅兼容当下主流模型,还为逻辑、因果、价值推理等计算增设专用硬件支持。
为了匹配不断演进的算法,通芯让通用人工智能领域的科学家与拥有大芯片量产经验的工程师共同参与设计,从动态变化的算法中识别出可被反复调用、值得专门加速的计算环节,以此确定芯片的组织架构。
AI正从交互场景向真实物理世界延伸,这一趋势让计算需求发生了深刻变化。今年上半年,离开Meta创办相关机构并完成大额融资的学者指出,大语言模型在应对物理世界问题时存在明显局限,他提出以世界模型作为解决方案——通过当前状态与动作预测未来状态,进而指导决策。
上月,谷歌DeepMind推出世界模型Genie 4,用户可在模拟环境中调整天气、添加实体,模型能实时生成环境变化,该模型的重要应用方向之一是构建机器人与智能体的训练环境。
这些探索让AI任务更具具象性,不仅需要识别环境,还要预测动作后果并支撑决策,这一趋势已引起全球科技巨头的关注。
今年9月,AMD宣布拟以约82亿美元收购李飞飞创办的相关机构,苏姿丰表示,构建下一代AI计算平台需深入理解模型的演进方向。
此时,芯片从业者需要更早明确下一代AI的计算需求与效率瓶颈,世界模型、机器人算法的持续演进,让模型研究与芯片设计的关联愈发紧密。李飞飞曾直白指出,缺乏专门的硬件投入会束缚AI的效率与规模,她还透露,相关机构与AMD已在GPU的模型训练与推理优化上展开合作。
不久前的行业会议上,苏姿丰进一步阐释,硬件优化周期长达数年,对模型计算需求与技术方向理解越深,越能做好硬件、软件与系统的协同优化。
为满足智能体的低延迟交互需求,英伟达调整了推理系统,将GPU与专用加速器搭配,让不同计算环节交由适配的硬件处理,兼顾吞吐能力与响应速度。
现代GPU凭借大规模并行计算与矩阵运算单元,在大语言模型时代占据优势,但当AI进入真实物理世界,还需处理物体关系查询、环境状态更新、动作后果推演等任务。这些任务多以图结构、动态分支实现,计算过程零散,数据访问不规则,GPU虽可执行这些算法,但并行资源难以充分利用,大量时间消耗在数据查找、搬运与等待上。
此时,仅以每秒运算次数衡量芯片性能已无法反映任务完成效率,软件优化、存储组织、计算单元调度都需重新设计。大模型时代的算力优势,也无法直接转化为真实世界的行动效率。
效率问题背后,还有一个正在扩大的推理市场。行业预测,到2030年,中国AI推理芯片市场规模将达到约1.17万亿元,这一扩大的推理市场中,通芯看到了新任务与现有计算方式间的效率缺口。从云端到机器人端侧,不同场景对吞吐、响应速度、功耗的需求差异,为通芯从任务出发重新定义计算架构留下了空间。
AI走向真实世界的趋势清晰但路线仍在演进,通芯的选择基于一套明确的判断逻辑,其起点是朱松纯团队提出的CUV框架。朱松纯教授在视觉、认知与机器人交叉领域深耕三十年,是马尔奖、赫尔姆霍兹奖得主,其团队今年发表在相关期刊上的CUV框架,将智能体的三个核心维度纳入统一体系:认知架构(C)、能力体系(U)与价值体系(V)。
- C是认知架构,负责组织智能体内部模块的协作,串联感知、记忆、推理等环节;
- U是能力体系,涵盖物体识别、路径规划等可调用技能;
- V是价值体系,描述目标、偏好与约束,为行动选择提供依据,落实到机器人场景中,既要完成服务任务,也要兼顾安全与他人需求。
CUV框架将“看见什么、能做什么、应该怎么做”整合到同一决策过程,驱动智能成长的核心是“目标需求”而非“数据投喂”。这一思路早在2020年就被朱松纯团队以“小数据、大任务”为题发表,当时深度学习正处于鼎盛阶段,团队将功能、物理、意图、因果、效用等视作视觉的“暗物质”。六年后,世界模型与空间智能成为行业热点,而关于动作后果的推理,朱松纯团队早已开展了相关研究。
以机器人倒水为例,通芯的设计思路是将杯子、水源、客人位置组织为解析图,围绕送水目标规划动作,调用取杯、接水、移动等技能完成任务。若送水途中客人位置变化,机器人会保留有效信息,更新状态与路径,减少重复计算。
这一过程中,芯片需完成状态存储、关系访问、概率计算、方案比较、技能调度等工作,这些步骤最终会转化为算子。通芯的工作就是从这些算子中识别适合加速的部分,定义对应的计算单元、存储与数据通路。
向量与张量运算属于大语言模型的核心计算,是GPU的优势领域,但面向真实世界的智能体,还需处理“动作效果、行动价值”等问题,包括图结构推理、概率推断、物理后果推演、动作打分等。因此,通芯定义的AGI芯片并非更快的GPU,而是在向量、张量之外新增了运算类型,核心是结构设计而非单纯的算力堆叠。
具体到产品方案,通芯规划了三类核心单元:Vector单元处理向量计算,Tensor单元处理张量计算,支持CNN、Transformer等主流模型;AGI Core则面向基于解析图的逻辑、因果、价值推理与概率计算,提供专用加速能力。
AGI Core的设计思路与业界多个团队的研究方向不谋而合,比如李飞飞的空间智能关注三维环境理解,DeepMind的图网络以实体与关系组织信息,相关机构支持的概率编程结合先验知识完成推断,因果理论研究条件变化的影响,还有学者提出智能体通过试错追求回报,可发展出多类能力。
在通芯看来,图结构存储与处理、概率与因果推断、行动结果评估等环节都有专门加速的价值,AGI Core据此规划了对应的计算单元。朱松纯的理论体系为通芯提供了明确的出发点,其希望从中提炼出可被更多模型复用的计算能力,找到智能底座的最大公约数。
除了理论框架,通芯的落地能力同样关键。公司创始人兼CEO王海洋,师从中国计算机事业奠基人之一夏培肃院士,是龙芯CPU创始成员,曾任海光一至四代CPU架构总负责人,也是某GPU独角兽的联合创始人,拥有25年芯片研发与15年SoC架构设计经验,参与过CPU、GPU、GPGPU三类大芯片从研发到量产的全流程。
另一位创始人史峰师从朱松纯教授,博士毕业于UCLA,负责AGI Core的技术路线与架构定义,同时担任通研院AGI芯片中心主任。两位创始人都曾参与龙芯研发,王海洋推动大芯片量产落地,史峰则负责将算法需求转化为硬件设计。通芯核心团队平均从业超20年,骨干来自海光、百度、字节、阿里等企业,完整参与过十余款大芯片从架构定义到量产交付的全流程。
这些经验转化为具体的产品设计取舍。首先是存储,王海洋是混合存算一体思路的早期提出者之一,通芯并未采用存算一体方案,而是将其作为缓解“内存墙”的手段,根据不同任务的速度、容量、成本需求,搭配不同的存储与计算方式,避免数据搬运与计算单元等待的开销。其次是面积,通芯采用可重构设计,通用单元保持兼容性,专用单元提升效率,同时计划采用Chiplet芯粒设计,基于同一套架构与软件栈,适配云端的高吞吐量、端侧的低功耗与小体积需求。
通芯的产品策略循序渐进,没有一步跨越到未来。“只为明天设计的芯片,今天无法适配现有需求”,因此通芯首代产品定位高性价比推理芯片,瞄准云端大模型、世界模型与具身智能端侧计算,支持现有模型直接运行,AGI Core同步验证,新计算能力分阶段落地。通芯将自身与GPU方案定位为共生关系,大语言模型仍是AGI体系的重要部分,兼容与专用路线并行发展。
通芯的进展超出多数预期,成立仅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,12月初将开展FPGA原型验证。商业化覆盖云端推理、通用智能体、端侧物理智能三个方向,已形成初步合作意向。此外,通芯还计划与通研院的通用智能体及相关大模型适配,联合多所高校与头部企业共建联合实验室。
对通芯而言,架构定义只是起点,后续还有设计、验证、流片、量产等环节,需确保选定的计算能力能适应未来的模型与任务。当AI向真实世界延伸,芯片团队需更早理解算法,将关键计算拆解为算子,再将可加速部分落实到硬件设计中,这正是通芯探索的核心价值。这条路的价值,将通过机器人的及时响应、智能体的低运行成本、开发者的便捷部署来证明。
从理论到算法,从算子到硅片,再到真实任务,通芯选择将这些环节整合推进。下一代AI芯片的竞争,早已在硅片诞生前开始——理解智能的本质,定义所需的计算能力,这是通芯提前入场的意义所在,也是其未来要证明的方向。

