智能AI
evening
龙芯、海光老兵集结,通研院孵化的AGI芯片公司浮出水面!半年连融数亿元
2026-11-16
1 阅读
约9分钟阅读
思邈
字号:
< img id="wx_img" src="https://www.qbitai.com/wp-content/uploads/imgs/qbitai-logo-1.png" width="400" height="400"> 龙芯、海光老兵集结,通研院孵化的AGI芯片公司浮出水面!半年连融数亿元 思邈 2026-11-16 13:05:22 来源: 量子位 杨立昆、李飞飞都在追问的事,通芯智能想用一颗芯片来回答。 允中 发自 凹非寺 量子位 | 公众号QbitAI 一颗芯片还没造出来,准备跑在上面的AI,可能已经更新了好几轮。 这是下一代AI留给芯片产业的一个时间差:模型可以快速迭代,一颗芯片从定义到量产,却要经历漫长的工程周期。等计算需求完全定型再出发,可能已经晚了一步。 通芯智能选择在此时入场。 这家由著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,成立于今年4月。 短短半年,该公司已经连续完成种子轮和天使轮融资,合计数亿元,资金将主要投入流片前的核心架构设计与研发。 这家公司要做的,是面向AGI算法的新型推理芯片:兼容当下主流模型,同时为逻辑、因果、价值推理等计算增加专用硬件支持。 其背后的问题颇有挑战性:下一代AI究竟需要怎样的计算,现在就能开始定义吗? 为此,通芯让研究通用人工智能的科学家,与做过大芯片量产的工程师共同参与设计。他们需要从不断变化的算法中,辨认出那些会被反复调用、值得专门加速的计算,再决定芯片应该怎样组织。 模型还会继续演进,但关于哪些能力值得提前做进硬件,通芯已经开始作出选择。 AI走向真实世界,芯片迎来新命题 AI的边界正在从一次又一次的交互中,逐渐走向真实的物理世界。 早在今年上半年,离开Meta创办AMI Labs并完成10亿美元融资的LeCun就指出,大语言模型面对物理世界“束手无策”。LeCun给出的解决方案是世界模型,给定当前状态和一个设想中的动作,预测世界的下一个状态,再拿这个预测去做规划。 就在上个月,谷歌DeepMind公布世界模型Genie 4,用户可以在模拟环境中改变天气、加入人物或物体,模型则实时生成环境随之发生的变化。DeepMind明确将构建机器人与智能体的训练环境列为这一模型的重要应用方向。 △来自Google DeepMind官网 这些探索让AI面对的任务变得更加具体: 既要理解眼前有什么,还要预测采取行动后会发生什么,并为下一步决策提供依据。 智能体如何进化,也在影响着底层芯片的设计。这件事已经进入全球巨头们的视野。 今年9月,AMD宣布签署协议,拟以约82亿美元收购李飞飞创办的World Labs。苏姿丰解释这笔交易时强调,构建下一代AI计算平台,需要深入理解模型如何演进。 这里值得关注的是,做芯片的人,需要更早弄清楚下一代AI究竟要算什么,效率又会卡在哪里。世界模型和机器人算法仍在演进,硬件设计却需要提前作出选择,这也让模型研究与芯片设计走得更近。 李飞飞则更加直白地指出:“如果没有专门的硬件投入,AI的效率和规模都会受到束缚。”同时,她也透露,World Labs与AMD已围绕GPU上的模型训练和推理优化展开技术合作。 到了不久前的CoRL上,苏姿丰把这层逻辑讲得更加具体: 硬件优化需要多年,对模型要做哪些计算、技术会往哪里走理解得越深,就越有机会做好硬件、软件和系统的协同优化。 对于交互响应的需求,也在推动英伟达调整推理系统。针对智能体对低延迟的需求,英伟达将GPU与Groq的专用加速器搭配,让不同计算环节交给更适合的硬件执行,同时兼顾整体吞吐和交互响应速度。 这些变化指向一个共同的问题:当AI需要根据环境变化及时作出判断、采取行动时,芯片该怎样支撑它? 现代GPU擅长大规模并行计算,配合专门的矩阵运算单元,这是它称霸大语言模型时代的主要原因。 但一个要在真实环境里行动的智能体,还要处理另一组工作:反复查询物体之间的关系,随时更新环境状态,推演动作可能带来的后果。 当这些任务采用图结构、动态分支等方式实现时,计算就可能变得零碎,数据访问也更不规则。 GPU能够执行这些算法,但并行资源未必能被充分利用 ,一部分时间会花在找数据、搬数据,以及等待前一步的结果上。 到了这种时候,只看芯片每秒能做多少次运算,已经无法解释任务究竟完成得有多快。 软件优化、存储组织、计算单元和调度方式,都得一起重新考虑。 大模型时代的算力优势,不能直接兑换成真实世界里的行动效率。 效率问题背后,还有一个正在扩大的推理市场。CIC灼识预测,到2030年,中国AI推理芯片市场规模将达到约1.17万亿元。 通芯看到的机会,就藏在新任务与现有计算方式之间的效率缺口里。从云端到机器人端侧,任务对吞吐、响应速度和功耗的不同要求,也为通芯从任务出发、重新定义计算架构留下了空间。 AI走向真实物理世界的趋势已经清晰,实现路线仍在演进,判断就需要回到更基本的问题: 痛点是否真实,需求会怎样变化,哪些计算值得交给专用硬件,理论能否指导产品定义,工程团队又能否把它做出来 。 值得一提的是,从李飞飞和苏姿丰的合作中,不难看出, 想要定义下一代AI芯片,不仅要从理论上理解智能如何工作,还要有把这种理解落实到硬件上的工程能力。 沿着这样的思路往下看,才能理解通芯为什么选择从朱松纯教授的智能理论出发,去设计一颗芯片。 从理解智能出发,重新定义AGI芯片 给一个还没定型的负载设计芯片,最大的问题,也许是没有参照物。 GPU研发之初,有图形渲染可以对标,AI加速器有矩阵乘法可以优化。轮到AGI芯片,模型路线仍有分歧,计算需求尚未定型,观察现状并不能得出答案。 需求还在变化,硅片上该放什么,必须有一套判断依据。 通芯的起点,是朱松纯团队提出的CUV框架。 朱松纯教授是马尔奖、赫尔姆霍兹奖得主,在视觉、认知与机器人的交叉地带做了三十年研究。他的团队今年发表在《Engineering》上的CUV框架,将智能体的三个方面纳入统一框架:认知架构(C)、能力体系(U)和价值体系(V)。在这其中: C是认知架构 ,组织智能体的内部模块及其协作方式,让感知、记忆、推理等环节连起来; U是能力体系 ,涵盖识别物体、规划路径等可调用的技能; V是价值体系 ,描述目标、偏好与约束,为选择行动提供依据。落到机器人上,可以是完成服务任务,也可以是兼顾安全与他人的需求。 CUV这一框架把看见什么、能做什么、应该怎么做都放到同一个决策过程中。驱动智能成长的是“想要什么”,而非“喂了多少数据”。 这些问题,朱松纯团队早在2020年就已在论文中讨论过。 在深度学习如日中天的时代,朱松纯教授和团队就把“小数据、大任务”写成了论文,功能、物理、意图、因果、效用等五样像素里看不见的东西,被他们叫作视觉的“暗物质”。 六年后,世界模型和空间智能成了显学,行业开始追问AI怎么理解一个动作会带来什么后果。而这个问题,朱松纯和团队早已划过重点。 值得一提的是,“小数据、大任务”强调利用物理规律、常识等先验知识,以较少的训练数据应对更广泛的任务。这些知识,相当于帮助机器理解世界的一份说明书。 以为客人倒水为例,按通芯的设计思路,机器人可以将杯子、水源和客人的位置关系组织成解析图,再围绕送水目标规划动作,调用
这篇文章对您有帮助吗?
订阅66必读
每日精选科技资讯,直达你的邮箱