GPU之外，清微智能押注一条硬路

2018年清微智能正式成立，2019年便实现国内可重构芯片先行量产。此后几年，大模型爆发，算力需求陡增，先进制程、HBM、高速互联和软件生态成为竞争焦点。但到了今天，单靠“堆参数”的增长公式，已经很难回答所有问题。

今年WAIC 2026，清微智能再发新品，首秀可重构计算3.0技术、RAISA软件栈及supernode 4096超节点系统。半导体产业纵横对话清微智能联合创始人、CTO欧阳鹏，想要在WAIC 2026期间探讨：当AI芯片行业仍然习惯用更先进制程、更大显存、更高峰值算力来衡量竞争力时，国产AI芯片能不能依靠架构创新，走出另一种算力增长方式？

01 GPU之外，AI芯片路线开始分流

GPU不会轻易失去AI计算的中心位置。英伟达的优势也早已超出一颗GPU，CUDA、NVLink、服务器、机柜和开发者生态共同构成了一套完整的算力体系。但AI对于芯片要求正在变高和多元化。欧阳鹏在采访中谈到了一个先后关系：“GPU是先有芯片，后有人工智能。GPU最早服务图形计算，后来凭借并行计算能力进入AI市场。非GPU芯片则更多是在AI出现以后，围绕矩阵计算、数据流动和模型负载重新设计。”这种差别在推理和Agent阶段变得更加明显。模型可能只训练几次，推理却会发生亿万次；一个Agent任务还会连续触发规划、搜索、模型调用和工具执行。客户关心的不只是峰值算力，还有显存利用率、数据搬运、响应延迟、功耗以及单Token成本。

正是在这样应用场景的推动下，全球头部AI公司已经开始重新分配算力负载。谷歌的TPU发展到第七代，最新一代Ironwood专门面向推理设计。按照谷歌披露的数据，Ironwood可以组成包含9216颗芯片的Pod，提供42.5 ExaFLOPS算力，单位功耗性能达到上一代的两倍，Gemini 2.5和AlphaFold都运行在TPU上。当然这并不意味着GPU正在被替代，而是不同负载开始寻找更合适的硬件。训练需要GPU的通用性和成熟生态，大规模推理、推荐等负载则越来越适合专门优化的芯片。非GPU架构已经从边缘场景进入大模型训练和推理，性能、能效和集群规模也开始得到验证。

固定功能的AI芯片虽然效率高，却很难跟上模型变化。一颗芯片从设计到量产需要数年，等硬件做出来，算法可能已经换了一轮。产业需要一种介于GPU与固定ASIC之间的架构：既能提高AI计算效率，又可以适应算法变化。可重构计算，瞄准的正是这个位置。

02 从清华出发，可重构走了二十年

清微智能的可重构技术，起点是清华大学。

2018年，清微智能成立，可重构计算从学校走向产业。2019年，第一颗可重构处理器实现量产；2024年，首款云端AI芯片TX81问世。谈及清微智能为何选择这样的一条路线时，欧阳鹏说得很直接：“如果只是跟随别人，别人的起点很可能就是你的天花板。特别是在工艺制程和供应链条件不同的情况下，做一模一样的东西，很难获得市场竞争力。”

我们进一步了解到，清微智能的可重构3.0技术由可重构计算架构、三维存算融合和算力网格组成，分别对应AI计算中的效率墙、存储墙和互联墙。可重构架构减少通用控制带来的计算损耗，提高硬件有效利用率；三维存算融合让存储更靠近计算单元，减少模型参数、激活值和KV Cache的搬运距离；算力网格通过Mesh、Torus等拓扑连接多颗芯片，降低大规模集群中的通信损耗。也正是三者的组合，形成了清微智能技术路线的优势：既保留接近专用芯片的计算效率，又能适应不同模型；既提高单颗芯片的访存效率，又把扩展能力延伸到千卡集群。

对新架构芯片来说，一颗芯片从实验室走进智算中心，需要编译器、框架、服务器、网络和应用企业共同参与。GPU已经拥有成熟产业链，新架构必须在软硬件协同中补齐这些能力。围绕可重构计算，清微智能从开始就立足产业，花很大精力推动技术发展与应用普及，搭建了“1+2+X”平台化创新协同体系，牵头建设新架构智能芯片技术北京市重点实验室、北京市可重构算力软硬件协同技术创新中心和可重构芯片应用研究院，并联合清华大学、北京智源人工智能研究院及产业链企业开展技术攻关、成果转化和标准制定。

清微智能的布局也很有前瞻性，对3D芯片的研究也早于这一轮先进封装热潮。 欧阳鹏在采访中提到：“我们从2019年就开始布局这条线。当时国内相关设备和工程条件尚不完备，这一方向也一度被认为过于超前。清微智能仍然坚持推进这项前沿技术，是因为团队判断将芯片连接从二维扩展到三维，有可能带来量级上的性能提升。” 

03 参数之后，生态与Token才是硬仗

坚定了这条路线，清微智能持续攻坚，通过产品快速迭代，让应用走向产业并实现了规模化落地。

从产品布局来看，清微智能的可重构计算已经从1.0、2.0发展到此次发布的3.0，下一步将进入面向晶圆级计算的4.0；产品则从支持数据流和网格计算的TX81，演进到支持三维计算的TX82，再到规划中的晶圆级芯片。

清微智能此次在WAIC 2026首秀的TX82，是一颗基于可重构计算3.0的3D芯片，由一颗逻辑芯片与四颗存储芯片组成。与上一代相比，TX82将计算精度更丰富，算力更高，互联带宽也更高。欧阳鹏用了一个直观的比喻：“3D芯片相当于把原来二维平面的连接变成三维连接，相当于从单车道变成四车道。”

单颗芯片之外，清微智能还将展示千卡超节点。清微智能的REX81 Supernode集成4096颗TX81芯片，通过2D-Torus拓扑和芯片直连通道组成千卡量级系统，算力突破每秒500千万亿次。欧阳鹏介绍：“超节点，就是把众多芯片紧耦合在一起，像一个单一节点一样工作。”据了解，这套方案减少了传统集群中的交换节点，清微智能给出的互联成本降幅约为90%。

从生态建设来看，AI芯片的参数决定能不能进场，生态决定客户能不能用，Token成本决定产品能不能规模化。围绕TX81，清微智能已经形成计算模组、REX1032服务器、REX81 Supernode和RAISA软件栈。RAISA适配PyTorch、vLLM、SGLang等主流框架，支持CUDA生态算子迁移和Triton编程。目前，清微智能已经完成DeepSeek、智谱GLM、通义千问等超过200个模型的适配。作为FlagOS卓越共建单位，清微智能还参与国产AI软件生态和新架构算子库建设。对于非GPU芯片，软件生态不是产品发布后的附加项，而是硬件能否被客户使用的前提。算子库越完整，模型迁移和部署成本越低，新架构才越容易进入现有智算中心。目前，清微智能产品已经在国家级、区域级及商业化智算中心中获得部署，包括“东数西算”工程项下的运营商项目，并参与北京市智算中心建设。

从应用落地来看，清微智能披露，全国算力部署及在建规模已达5000P。如果说5000P说明的是项目交付进度，市场排名则提供了横向坐标。据IDC统计，2025年上半年，清微智能在国内主要可商用AI加速卡出货量中排名第六，进入国产算力第一梯队。对于一家采用非GPU架构的企业，这一排名意味着可重构计算已经不再停留在少数试点，而是开始进入规模采购和商业部署。累计3000万颗端侧芯片出货，证明的是规模化量产能力；5000P的部署规模，证明的则是清微智能已经开始进入云端算力市场。

04 从千卡集群走向全国算力网

截至2026年3月底，我国智能算力规模已经达到1882 EFLOPS（FP16），约为上年同期的2.5倍。算力规模快速增长后，产业面对的问题已经不只是“建多少”，还有不同地区、不同架构的算力能否被统一调度和充分使用。

“东数西算”也从数据中心布局走向算力协同。全国算力一张网，实际要解决的是如何把合适的任务送到合适的算力上。这张网不可能只运行一种GPU。面对已经部署的GPU及多种国产AI芯片，模型能否跨架构迁移，算力能否被识别、计量和调度，将决定它们能否真正进入国家算力基础设施。欧阳鹏把这种关系比作汽车：“可重构计算只是一种底层技术，就像车可以烧油，也可以用电，但对用户来说还是一辆车。”底层架构可以不同，开发者的框架、接口和使用习惯不能全部推倒重来。而在技术打通上，清微智能已经完成了。

目前，清微智能已经在北京、河北、江苏、安徽等省市落地智算项目，并参与内蒙古、新疆等“东数西算”项目建设。可重构架构负责适应不同模型和任务，算力网格负责扩大集群规模，RAISA和FlagOS则用于降低模型迁移成本。但接入机房不等于成为基础设施。集群稳定性、算力利用率和单Token成本，才决定这些算力能否被长期使用。国产芯片也需要从“可用”继续走向“好用”，再到易用。

05 结语

对于未来三到五年AI的发展，欧阳鹏判断：“训练和推理都会继续快速增长，其中推理会增长得更多。AI芯片也一定会走向多元，过去由GPU主导的格局会发生变化，非GPU芯片会获得越来越大的市场空间。”中国AI芯片需要GPU，也需要可重构、数据流等原创架构。算力自主不能只理解为用一颗国产芯片换一颗进口芯片，还要让中国企业拥有定义芯片、组织系统和建设生态的能力。

回看清微智能的发展，它实际上完成了三次跨越：从论文走向芯片，从芯片走向系统，再从系统走向智算基础设施。第一次考验原创能力，第二次考验工程能力，第三次考验的则是组织产业链、建设软件生态和服务大规模客户的能力。从可重构计算1.0到4.0，从TX81到TX83，清微智能的产品路线背后始终贯穿着同一个判断：当制程无法解决所有问题，架构就必须承担更多责任。

清微智能真正要做的，也不只是再增加一家国产AI芯片供应商，而是让一条由中国团队定义的计算架构，成为可以量产、可以部署、可以进入基础设施的长期选择。如果这条路最终走通，中国AI芯片得到的将不只是一支奇兵，而是一个属于自己的算力坐标。