物理AI时代，算力范式正在转移

时氪分享·2026年09月09日 16:56

从高光D35量产，看数据流架构为何成为推理时代的“正确答案”

2026年，AI芯片赛道不缺新闻。

英伟达以200亿美元拿下Groq数据流技术授权；AMD收购加拿大数据流推理芯片公司Taalas；英特尔、三星同步布局数据流路线。全球科技巨头用真金白银投下的一票，指向同一个判断：数据流架构，正在成为推理时代的战略选择。

几乎在同一时间，苏州睿芯宣布其自主研发的“高光D35”数据流AI芯片实现量产。官方定位是“全球首款RISC-V数据流物理AI芯片”。

芯片量产在今天不算大新闻。但把“数据流+RISC-V+物理AI”这三个词放在一起，指向的可能不只是一款产品，而是整个算力产业正在发生的一次底层范式转移。

物理AI的真正瓶颈，不在模型，在芯片

过去两年，物理AI和机器人赛道热得发烫。人形机器人、具身大模型、世界模型——几乎每隔一段时间就有新Demo、新融资、新发布。

但热闹之下，一个结构性问题正在浮出水面。

大模型时代，算力可以靠堆GPU解决——几千张卡堆在一起，模型参数从百亿涨到万亿，能力就上去了。但物理AI不一样。一台工业质检机器人需要在几毫秒内完成缺陷检测，但它不能连着一台服务器跑；一台安防摄像头需要24小时不间断做AI分析，但它的供电可能只有几十瓦；一台人形机器人需要端侧大模型做决策，但它身上不可能背一个数据中心。

这些场景的共同点是：AI能力必须放在端侧，而端侧的功耗、体积、成本都是硬约束。

物理AI的胜负手，正在从“模型有多大”转向“同样一瓦电，能完成多少推理”。比的不是峰值算力，是能效比。

GPU的“先天不足”

为什么传统的GPU路线在物理AI端侧很难跑通？

因为GPU的设计原点，就不是为端侧推理准备的。GPU的故事始于图形渲染——一堆像素并行处理，数据一次性加载到显存，然后全力计算。后来人们发现GPU也能跑AI训练，因为训练也是类似模式——大量数据一次性喂进去，模型参数都在显存里，GPU满负荷跑几个小时甚至几天。

但推理不一样，尤其是边端推理。

推理的数据是“流式”的，不是“批量”的。训练时可以把几千张图片组成一个batch一次性喂给GPU，但推理时数据是实时进来的——一帧视频、一张图片、一组传感器数据。你不可能等攒够了100帧再处理。

行业里有个公开的秘密：在很多实际推理场景中，GPU的算力利用率不到30%。没有足够的数据填满计算单元，很多核心只能闲着。这不是GPU不努力，这是架构决定的“先天不足”。

数据流：一个等待了半个世纪的“正确答案”

数据流架构的概念，最早由MIT的Jack Dennis教授于上世纪60年代提出。

与传统控制流架构不同，数据流采用“数据驱动计算”的模式——数据就绪后自动触发计算，无需程序计数器调度。打个通俗的比方：控制流像食堂打饭，有个阿姨指挥，所有人排着队一步一步走；数据流像自助餐，所有的菜都摆在那儿，你想吃什么就拿什么，不需要任何人指挥。

这意味着四个关键优势：计算单元利用率更高，因为没有指令调度开销，核心几乎一直在干活；数据搬运更少，数据在计算单元之间直接流动，不需要反复读写内存；延迟更确定，没有分支预测失败、没有缓存失效，计算延迟可预测；能效比更高，省掉了控制流的大量开销，每瓦能做更多的事。

这些特性，让数据流架构天生适合AI推理——尤其是物理AI场景下的推理。

也正因如此，全球产业界在过去两年加速押注这一方向。英伟达以200亿美元获取Groq的数据流技术授权；AMD收购加拿大数据流推理芯片公司Taalas；英特尔、三星通过投资和自研布局数据流。产业界的持续投入印证了一个判断：数据流架构，正在从实验室走向商用主战场。

高光D35：回应一个时代的三个答案

高光D35的出现，恰好站在了三条产业趋势的交汇点上。

全数据流架构的设计，从底层解决了传统AI芯片算力利用率低的问题。相比同类竞品，能效比提升数倍。在边缘侧功耗受限的场景下，这意味着相同功耗能处理更多的AI推理任务。这一架构创新也获得了国际学术界的高度认可——相关技术成果获ISCA 2026国际计算机体系结构顶会最佳论文提名。ISCA是计算机体系结构领域历史极悠久、影响力极大的顶级学术会议，能够获得最佳论文提名，代表了这项技术的国际顶尖水平。

与此同时，高光D35集成了睿芯全自研的高性能RISC-V CPU内核，该内核获得了Intel全球唯一采购认可。这意味着RISC-V已经不再是“低端嵌入式”的代名词，它正在走向高端计算领域。2026年正是RISC-V商业化的关键分水岭——Ubuntu 26.04 LTS成为先一步对RISC-V进行原生优化的企业级操作系统，RISC-V服务器平台规范1.0正式发布，硬件标准化的实现为生态爆发铺平了道路。据SHD Group预测，到2031年RISC-V在所有硬件市场的合计份额将达到33.7%。高光D35的出现，恰逢其时。

此外，128GB大显存和数倍于同级边缘GPU的高通量视频编解码能力，让高光D35能够支撑更大规模的AI模型在边缘侧本地部署——数据不用传到云端，数据安全有保障；不用等网络传输，响应速度更快；不用一直连网，离线场景也能用。这三个维度的能力叠加，让高光D35在行业智能计算、具身智能、舱驾一体和通信领域找到了明确的用武之地。

在行业智能计算方面，多路视频分析、工业视觉检测和AIPC加速可以充分利用数据流的高算力利用率和视频编解码优势，在单位成本下处理更多路数。在具身智能领域，机器人和无人车域控对实时响应和功耗有着硬性约束，数据流的低延迟、高能效和确定性恰好匹配。舱驾一体场景中，大显存和混合负载处理能力让智能座舱的AI应用与驾驶域的感知计算能够同时运行在一颗芯片上，为汽车电子架构的融合提供了可能。而在通信领域，5G小基站、毫米波和AI RAN对功耗、体积和可靠性要求极高，数据流的架构优势在这些维度上全面体现。

生态之战，从“光荣社区”开始

芯片行业的历史反复证明，硬件性能的兑现程度最终取决于软件生态的成熟度。数据流架构的推广，本质上是一场生态之战。睿芯深谙此道，在发布高光D35的同时，宣布启动“光荣社区”——RISC-V数据流开发者社区。这个社区并非简单的技术论坛，而是一个集文档中心、SDK工具链、模型库、在线实训和技术支持于一体的完整资源平台，睿芯还设立了专项基金支持生态创新。这一布局的战略意义在于，它为全球RISC-V与数据流开发者提供了一个开放的试验田，有望加速这一技术路线的成熟与普及。