【导读】今年WAIC上，大模型依然是绝对主角。但相比去年，今年还有一个变化开始变得越来越明显。越来越多企业，不再讨论"模型有多大"，而开始讨论"算力还能不能继续这样堆下去"。GPU、HBM、Chiplet、3D封装、近存计算……
AI产业竞争的焦点，正在悄悄发生变化。
也正是在这样的背景下，东方算芯首次完整展示了以DF1000软件定义近存计算3D AI芯片为核心打造的国产AI算力平台。
从清华实验室，到产业化公司
很多国产AI芯片企业，都是先成立公司，再寻找技术方向。
东方算芯恰好相反。
公开资料显示，公司技术源于清华大学长期开展的软件定义芯片、可重构计算及近存计算研究，经过20余年持续积累，逐步完成从科研成果到产业化产品的转换。2024年，东方算芯公司正式成立，总部位于上海张江，并开始推动DF1000及系列产品的产业化落地。
相比单纯强调芯片性能，东方算芯更加关注AI时代真正制约系统效率的数据搬运问题，希望通过软件定义、3D混合键合及近存计算等技术，提高计算与存储协同效率，为国产AI基础设施探索新的实现路径。
2026年7月13日，东方算芯在上海正式发布DF1000系列产品；随后，公司又携完整产品矩阵亮相WAIC 2026。在发布会及WAIC上，东方算芯集中展示了公司对于算力技术发展趋势的理解。
GPU为什么越来越依赖HBM？
如果把GPU比作工厂，计算核心（如CUDA Core、Tensor Core等）就是生产车间，显存则是仓库。如果仓库供货跟不上，车间工人再多也会导致整体生产效率下降。早期处理具有强数据局部性的图形任务时，这个问题并不突出。但进入AI时代，特别是Transformer架构普及后，矩阵乘法成为主角，拥有数百亿参数的大模型在训练和推理中需要频繁访问参数、激活值和中间计算结果，导致计算单元几乎每时每刻都在等待数据输入。
GPU面临的尴尬不是算力不够，而是“等数据”。多项行业分析与公开测试数据显示，在众多AI工作负载中，真正用于计算的时间仅占较小部分，大量时间被消耗在数据搬运上（具体比例因工作负载类型和硬件配置差异而不同）。计算单元越强，对数据供应速度的要求就越高。为缓解此问题，产业界大规模采用高带宽存储器（HBM）。HBM利用3D堆叠技术将多层DRAM垂直集成，并通过硅通孔（TSV）实现超宽位宽连接，从而在单位面积内获得远高于传统DRAM的带宽。从近几代高性能AI GPU的发展可见，HBM已成为不可或缺的组成部分，与GPU性能提升形成了高度耦合的技术路线。
然而，HBM也带来了多重代价：
成本高昂：HBM采用先进封装工艺，制造复杂且良率控制难度高，其成本远高于传统DRAM，已成为决定高端AI芯片平台整体成本的重要部分。
供应链受限：近年来，全球HBM产能一度处于结构性紧缺状态，少数企业的规模化供应能力制约了AI产业链的发展。
能耗巨大：尽管先进封装拉近了计算与存储的距离，但千亿甚至万亿参数模型带来的海量数据搬运所消耗的能量，已成为系统总体能耗的重要来源。
因此，仅靠提升GPU计算能力无法无限解决AI算力问题，产业界开始重新思考能否让计算主动靠近数据，而非让数据频繁奔波。
一个被讨论了几十年的方向，再次走到了聚光灯下
“让计算靠近存储”并非新概念。早在二十世纪九十年代，学术界就提出了近存计算（Near Memory Computing）和存内计算（Processing in Memory）等技术路线，旨在通过缩短数据搬运距离来提高系统效率。由于当时工艺、存储和封装技术的限制，CPU和GPU在很长一段时间里依然沿用传统的冯·诺依曼架构持续演进。
近年来，3D封装技术，特别是晶圆级混合键合（Hybrid Bonding）技术的成熟改变了这一局面。该技术使逻辑芯片与存储芯片能以极高密度垂直互连，大幅降低互连距离并提升连接密度和带宽，为近存计算的大规模产业化打开了大门。同时，大模型时代让这种架构优势变得更加突出。越来越多的芯片设计核心正从追求“计算速度”转向追求“数据效率”，未来AI芯片竞争的重点逐步从“谁算得最快”转向“谁搬得最少”。这也为架构层面的后来者提供了差异化突围的窗口期。
架构创新，正在成为新的竞争维度
过去十多年，半导体产业遵循制程升级的逻辑来提升整体性能。然而，随着先进制程研发和制造成本攀升至数十亿美元甚至更高，仅依赖先进制程获得竞争优势不仅成本高昂，还意味着面临更大的供应链压力。因此，越来越多的企业纷纷将目光转向架构创新，如Chiplet、3D封装、近存计算、软件定义硬件等方向，试图通过系统架构优化寻找新的“性能增长曲线”。
国内AI芯片产业同样开始探索不同于传统GPU的发展路径。近年来，一批企业开始围绕数据流架构、可重构计算和近存计算进行布局，希望通过架构创新弥补先进制造工艺上的差距。公开资料显示，成立于2024年的上海东方算芯科技有限公司正是探索者之一，其技术路线源自清华大学长期开展的软件定义芯片和可重构计算研究，并聚焦软件定义近存计算架构的发展。其产品DF1000定位为采用软件定义近存计算架构的3D AI芯片，面向大模型训练和推理等场景，采用逻辑芯片与存储芯片进行3D集成，并构建自主的软件栈和系统方案。作为一家成立仅两年的初创企业，其技术路线的规模化产业验证仍处于早期阶段。
软件定义近存计算，到底解决了什么问题？
面对层出不穷的新概念，近存计算真正回应的是AI发展速度将传统计算架构逼至极限的新问题：数据搬运瓶颈。
从“算得快”到“搬得少”：过去几十年芯片产业致力于提高主频和增加计算单元以提升算力。但在大模型训练中，模型参数、中间结果、梯度和缓存需要频繁读写，大量时间和能量消耗在将数据送到计算单元的过程中。因此，新一代AI芯片的设计思想转变为尽可能减少数据移动距离，这也是近存计算最核心的理念。
“近存”并不是“存内”：存内计算是将计算逻辑直接嵌入DRAM或SRAM中，理论上数据移动最少，但面临精度、通用性及软件生态等挑战，多处于科研探索阶段。近存计算则更为务实，它将计算逻辑部署在距离存储极近的位置，通过高速互连降低搬运成本。这既保留了较好的计算灵活性，又获得了远高于传统架构的数据访问效率。
3D混合键合支撑架构落地：相较于依赖封装基板的传统二维平面连接，3D混合键合实现了逻辑芯片与存储芯片的晶圆级垂直堆叠，提供了极高密度的互连。这不仅显著提升了带宽，降低了延迟和能耗，还使存储不再只是外围器件，而成为芯片架构本身的一部分。DF1000正是利用该技术在算力和访存带宽间取得新的平衡，不过其实际性能表现仍需量产后的进一步公开测试验证。
软件定义，或许才是最值得关注的地方
“软件定义芯片”源于可重构计算领域的软件定义硬件思想，旨在解决AI算法更新速度远快于芯片迭代速度的长期矛盾。通过软件配置，同一套硬件资源能够动态映射不同算法，使芯片不需要随着算法变化而频繁“推倒重来”。东方算芯的技术强调通过任务处理的空间并行和硬件资源的时分复用来提高资源利用效率，并希望降低对先进制造工艺的依赖。这就如同将固定流水线升级为能根据订单快速调整布局的智能工厂。
然而，软件定义意味着更复杂的编译器、更成熟的软件栈以及算法与硬件之间更紧密的协同优化。这也使得国际AI芯片竞争越来越从单纯的“拼硬件”走向“硬件+软件+系统”的整体竞争。
一颗AI芯片真正的考验：不是流片，而是生态
今天的大模型训练依赖大规模集群，芯片只是系统中的一个节点。真正决定效率的还包括编译器、运行时系统、通信框架、集群调度、互连网络和软件生态。东方算芯的产品规划覆盖了芯片、AI服务器、机柜、POD级系统及配套自主软件开发框架，体现了系统级协同设计思路。
对于国产AI芯片而言，流片成功距离真正的产业成功依然遥远。理论算力和性能指标只是采购算力的决策起点，真正的门槛在于整个软件生态的迁移：
CUDA难以复制的生态壁垒：CUDA的护城河在于其十多年积累形成的完整生态，全球大量AI框架（如PyTorch和TensorFlow）及科学计算软件均优先围绕其进行长期优化。丰富的通信库、推理工具等基础组件构成了GPU软件生态的重要部分，让开发者无需关心底层硬件实现。用户购买的实际上是一套被数百万开发者验证过的软件体系。
迁移成本决定商业竞争力：更换硬件平台意味着研发团队积累的数百万行代码（涵盖数据处理、训练脚本、集群调度、运维监控等）可能需要重新适配。训练速度的下降或调试时间的增加都是企业的真实成本。因此，客户高度关注迁移周期、代码修改量及第三方软件支持度，软件生态的重要性甚至不亚于芯片本身。
编译器成为竞争新高地：新型架构芯片引入了更灵活的执行模型，硬件资源需要更加智能地调度。现代AI编译器除了翻译高级语言，还需完成算子融合、图优化、内存调度、资源映射等工作，成为连接算法与硬件之间最重要的桥梁。这也促使产业界越来越走向“软硬件协同设计”。
DF1000虽然提出了“软件定义芯片”的路线来提高硬件利用率，但这种优势的发挥高度依赖软件系统的成熟度。成熟的软件生态需要开发者社区、开源框架、行业伙伴及终端用户共同参与打磨。
WAIC现场可以看到什么？
今年WAIC期间，东方算芯并不仅展示一颗DF1000芯片，而是完整展示围绕DF1000构建的软件硬件一体化AI算力平台。
现场展出的产品包括：
DF1000软件定义近存计算3D AI芯片
巅峯DF1000 AI加速卡
擎元QY100 AI服务器（风冷/液冷）
拓域TY64超节点
慧算HS64超节点
128卡、512卡智算集群
从芯片、加速卡到服务器、超节点和集群，基本覆盖了当前AI基础设施建设的主要产品形态，也展示了东方算芯从芯片设计向系统级解决方案延伸的发展思路。
国产AI芯片的下一场竞争，或许已经开始
在半导体发展史上，从未有一种架构能完全取代另一种架构，每种架构都有最佳应用场景。衡量一种新架构的产业价值，应当看它是否解决了传统架构的长期问题、是否能降低用户总拥有成本（TCO）、是否能建立可持续发展的软件生态。
国产AI芯片产业正从前几年关注“有没有”的参数竞争，进入考验产业化能力的“下半场”。大模型时代，客户更关心训练效率提升、部署成本降低、软件迁移周期等指标，即完成任务的整体TCO（包含采购成本、能耗、运维、软件迁移等）。很多时候，能显著降低系统整体成本的芯片反而具有更强的竞争力。
大模型应用场景的多样性和关键供应链的挑战，意味着未来国产算力需要更多经过市场验证的技术路径。软件定义近存计算的价值不在于“替代GPU”，而在于丰富国产AI计算体系的技术选择。当先进工艺逐渐逼近极限后，从系统层面重新思考计算方式的架构创新（如3D IC、近存计算等）成为推动技术进步的重要动力。
真正决定芯片企业长期领导力的，是依靠研发投入、软件生态和客户反馈形成的正向循环及持续迭代能力。中国AI芯片产业的长期竞争力在于能否持续提出新的计算架构并落地成熟生态。
尽管DF1000的最终市场表现有待检验，但它围绕数据搬运和系统效率寻找新思路的探索，为国产算力的发展提供了值得持续关注的新方向。
未来的算力竞争将越来越体现在系统架构、软件生态以及工程化能力等多个维度，国产AI芯片也将在此进程中迎来属于自己的下一阶段。
