首页 / 资讯详情
从一颗芯片到万卡集群，燧原的八年算力长跑
摘要
过去几年，AI芯片行业最容易比较的是一张卡。雷峰网 雷峰网峰值算力多少、显存多大、带宽多高，几组参数放在一起，似乎就能迅速分出高下。但当大模型进入规模化训练与推理，尤其是MoE、Agent等新型负载不断拉高算力需求后，单卡性能正在变得越来越不够用。真正进入数据中心，一张卡能跑多快只是第一关。数十张、数百张乃至上万张芯片如何高速互联，软件能否把硬件能力释放出来，集群能否在高负载下长期稳定运行，正在共同决定一套算力系统最终能够交付多少有效算力。AI芯片的竞争，正在从“造一颗更快的芯片”，变成一场芯片、模组、互联、软件和集群共同参与的系统战。这也让燧原科技过去八年的一条技术路线，开始显出不同的价值。从2018年成立开始，燧原选择的就不是一条只围绕单颗芯片展开的道路。四代架构、5款云端AI芯片之外，它逐步向AI加速卡及模组、编程软件平台、智算系统和大规模算力集群延伸，最终搭起了一套覆盖芯片、硬件、软件与集群的核心技术体系。这套体系也已经越过实验室阶段。燧原多代产品进入大型互联网公司的真实业务，在国民级应用中实现规模化部署；与此同时，千卡、万卡级智算项目也已经走向商业化。因此，如果只用“国产AI芯片公司”来理解今天的燧原，已经很难解释它真正想参与的竞争。当行业开始从单卡走向系统，燧原需要证明的也不再只是能不能造出一颗芯片，而是过去八年搭建的整套算力体系，能否在新一轮AI算力扩张中真正兑现价值。01从芯片到软件，系统级硬仗的光与影国产AI芯片公司有很多种技术路线。选择GPGPU路线的公司，希望依靠更通用的计算架构和兼容生态切入市场；燧原则从一开始选择了另一条路——基于自主指令集和DSA架构，研发自己的AI计算体系。这意味着，它既没有直接复刻英伟达的GPGPU架构，也没有选择兼容CUDA作为软件生态的起点。这条路的好处和代价都很明显。针对AI计算进行专门设计，让芯片在架构上有更大的自主优化空间；但离开已经成熟多年的CUDA生态，也意味着从驱动、编译器、算子库到开发工具，都需要自己重新搭一遍。燧原将这套体系拆成了三个层次。最底层是芯片和硬件。燧原基于自研指令集开发GCU-CARE加速计算单元，并通过GCU-LARE片间高速互连技术解决多颗AI芯片之间的数据交换。需要特别区分的是，GCU-CARE并不是一颗具体芯片，而是燧原芯片架构中的核心加速计算单元，目前已经迭代四代微结构，第四代原生支持FP8等多种精度计算。往上一层是软件。燧原自研的驭算TopsRider，覆盖驱动、编译器、算子库、工具链以及深度学习框架等环节。对于一条不依赖CUDA的技术路线而言，这部分能力的重要性甚至不亚于芯片本身——芯片的纸面性能最终能释放多少，很大程度上取决于模型能否迁移、算子能否优化以及开发者是否愿意使用。目前，燧原硬件已经适配近千个AI模型，覆盖互联网及非互联网领域超过300个应用场景。再往上一层，则是智算系统和算力集群。把这三层放在一起看，燧原过去八年的研发逻辑就更容易理解：它做的不是几个互不相关的产品，而是在尝试建立一条从芯片、硬件、软件一直延伸到集群的技术链。这也是一条昂贵的路线。2023年至2025年，燧原三年累计研发投入36.76亿元，截至2025年末838名员工中有643名研发人员。对于一家尚未盈利的AI芯片公司来说，这种投入强度背后，是芯片公司做全栈技术绕不开的成本。但技术最终有没有价值，不能只看研发投入，还是要看它有没有进入真实业务场景。这也是腾讯之于燧原真正值得讨论的地方。02订单之外的燧原与腾讯打开燧原科技的招股说明书，有一个名字无论如何都无法回避——腾讯。很多