AI·具身会客厅｜对话清微智能研发副总裁李彬： 以四大路径助力国产算力迈向好用

策划靖程

作者高雅

先进制程受限，成熟制程如何撑起大模型时代？这句话背后，是一道横亘在国产芯片面前的结构性难题。

近日，在2026北京智源大会上，清微智能带来了答案：从计算架构上突破。

"模型越做越大，算力却跟不上了。"清微智能软件副总裁李彬表示，传统架构芯片面临功耗墙、内存墙、通信墙层层限制，有效晶体管利用率不足40%。为了解决这个问题，清微选择以架构补工艺，用可重构数据流引擎让计算单元根据数据流动按需重组，晶体管有效利用率一举突破70%，用成熟制程实现接近先进制程的有效算力。

作为可重构芯片代表企业，会议现场，清微智能也带来了即将问世的下一代AI芯片——三维集成芯片技术的展示，其采用3.5D异构堆叠与Chiplet架构，让可重构计算芯粒与DRAM存储芯粒实现了三维垂直堆叠。

"除了以架构补工艺和以集成超制程外，清微还选择以系统聚算力、以自主创生态，这是清微智能环环相扣的四步动作。"李彬表示，下一步，清微智能将以四大路径抢抓AI基建发展机遇，助力国产算力从"可用"迈向"好用"。

以下为李彬与财经网科技等媒体的对话原文（略有删改）：

Q：请介绍清微智能的核心技术路线，以及为什么要走可重构架构这条路线？

A:我们从创立之初就选择了一条和主流不同的技术路线——可重构计算架构，之所以坚持走这条路，主要有两个原因。

第一，从国际科技竞争的大背景来看，以美国为例，其对中国芯片产业的遏制是长期性的,如果我们选择跟随国际主流成熟路线去追赶，永远只能跟在后面，差距难以缩小。

第二，从纯技术角度讲，摩尔定律已经接近尾声，传统的计算架构本身也已经很难再做出突破性提升,要继续大幅提升算力性价比，必须在架构层面做根本性创新，而不是在别人的架构上做渐进式改良,所以我们宁愿选择一条难而正确的路。清微智能 2018 年成立，到今天已经八年，我们真正完成了从架构创新到产品落地、客户验证的全过程,这是我们最核心的护城河。

Q：在先进工艺受限的背景下，清微是如何应对"卡脖子"问题的？

A:我们的应对思路是"以集成换性能"——通过系统级的技术创新，绕开单点工艺的限制。

具体来讲有两个关键点。第一，不用 HBM（高带宽内存），我们的第一代算力芯片用的是低成本的 DDR，通过可重构架构在芯片内部解决带宽瓶颈，在系统级实现高性能，从而绕开了 HBM 依赖。

第二，用3D封装技术弥补工艺差距。通过先进的封装集成技术，我们用成熟制程实现了接近先进制程的性能效果，这是一种弯道超车的思路，不是去硬碰硬地突破工艺封锁，而是通过架构和系统集成创新，跨过这道墙。

Q：和行业内其他AI芯片产品相比，清微的产品竞争力如何？

A:在性价比和大规模集群两个维度上，我们已经能够打平甚至超越。

单芯片性价比：同样成本条件下，我们的性能、性价比大幅提升，下一代即将回片量产的产品，性能还会有 2~3 倍的快速提升。

大规模集群的创新：我们摒弃了传统依赖外部交换机、以太网卡的互联架构，而是从芯片层面就内置了高速通信能力。这样可以不依赖额外的交换机和交换芯片，最多可以将4096 颗芯片通过光纤直连成一张网，实现高带宽、低延时。

成本优势非常显著：构建同样规模的 4千卡集群，我们的互联通信成本可以降低约 90%。 交换机和光模块在算力集群总成本中占比很高，而我们的方案几乎可以把这部分成本省掉。相当于花同样的钱，我们能建更大规模的算力集群。

Q：芯片研发的周期为什这么长？清微如何保持技术路线的前瞻性？

A:芯片行业和互联网行业完全不同。一款芯片从架构设计、前端后端仿真，到流片、回片、量产，至少需要1年半到2年时间。你今天看到的产品，其实是2年前设计的。这就意味着，芯片公司必须往前看3~5年，预判技术趋势，才能做出适合未来市场的产品。

所以对清微来说，我们在2018年选择可重构计算架构这条路的时候，就是基于对未来5~10年技术趋势的判断，今天看起来，这个判断是被验证了的。我们现在的研发节奏是：落地一代、研发一代、预研一代，三个节奏同时推进，确保技术路线持续领先。

Q:请介绍清微目前产品的量产情况如何，以及主要的应用场景在哪里。

A:清微智能作为北京市集成电路产业的代表性企业，已量产十余款芯片产品，覆盖"端-边-云"全场景，并在全国十余个千卡智算中心实现规模化落地。

Q:现在国内也有一些企业走这个技术路线，您认为清微智能处在什么位置？

A:可以说我们是进展最快的企业之一，或者说是取得阶段性成果最为明显的，我们是第一个将这套技术（可重构技术路线架构）的2.0范式统筹和进一步推进完成的。

Q：您怎么看当前 AI 大模型对算力需求的影响？

A:大模型能力的快速增长，正在从根本上改变算力供给的方式。过去，算力是以单台服务器、单机的方式供给，比较离散，现在，模型越来越大，推理和训练对算力的需求越来越集中，集约式的集群部署方式成为必然选择，相比过去离散的部署方式，集群化部署的整体 TCO（总拥有成本）效率明显更好，如果再叠加我们超节点技术的优势，性价比会进一步提升。

从需求侧来看，模型能力的提升也非常快，模型从"辅助工具"变成"可以平起平坐的助手"，这种能力的跃迁，会进一步引爆对算力的需求。

Q：算力成本什么时候能降下来？普通用户和企业什么时候能用上便宜的 AI？

A:
算力成本下降需要两个维度同时推进。算法模型维度方面，同样参数规模的模型，能力在持续提升，但价格并没有相应下降，未来随着模型算法进一步成熟，同样智能水平的模型，成本会继续下降。

硬件算力维度方面，我们需要进一步挖掘芯片架构的潜力——同样的硬件，今年能跑10个任务，明年通过软件优化可能能跑15个，单位成本自然就降下来了。同时，像我们这样的算力芯片厂商，通过架构创新（可重构架构、3D 封装、超节点互联），从底层提升性价比，最终给用户提供价格更具性价比、速度更快的 token 供给。这是一个持续迭代的过程，但趋势是明确的，算力会越来越普惠。

Q：国产 AI 芯片的生态如何走向主流？

A:这个过程是相辅相成的，五年前，国产芯片默默无闻，后来外部环境变化，加上我们自身创新能力提升，大家才慢慢发现国产芯片其实能够解决很多问题。

但当国产芯片越来越多地被用来支撑算力需求时，一个新的问题出现了：统一的软件接口和标准。

如果每一家芯片公司都用自己的软件栈，用户面对这么多不同品类的国产芯片，要分别做适配、分别读手册、分别开发，同一个应用可能要做很多份，这是不可持续的。我们需要一套统一的软件生态，就像今天的安卓手机——虽然是不同厂商的硬件，但系统是统一的，用户不需要关心底层芯片是什么，只需要在统一的软件接口上开发一次，就能适配所有芯片。

这个生态一旦建立起来，规模效应会指数级增长，芯片厂商更容易触达开发者，开发者迁移成本大幅降低，最终形成正向循环。

Q：清微在软件生态建设方面有什么布局？

A:生态建设的重要性，可能比芯片本身的技术创新还要重要。我们过去两三年就意识到了这个问题，所以很早就参与到了国产AI 算力统一软件生态的建设中，投入了大量资源，去适配这个统一生态框架。

对我们芯片公司来说，只需要做少量的适配工作，就能触达到大部分的开发者；对开发者来说，他们只需要适配一次，就能让我们的芯片跑起来。它的意义不光在于节省开发者的适配时间，让用户更快地用上新模型新应用，更深层次的价值在于，它让国产算力生态大家各自发挥自己最擅长的优势，芯片厂商专注架构等硬件创新，软件生态把算力的易用性拉满，这种极致的专注和协同式创新，才能让国产算力才有可能用最短的时间赶超领先国家的水平。

Q:所以是双赢的结果。

A:对，这一定是一个多赢的结果，开发者降低了迁移到国产芯片的成本，我们也降低了服务客户的投入，整个产业有机会抓住快速发展的窗口期。目前看，这个统一生态的建设进展比预期快。

举个例子，以DeepSeek为例，去年R1模型发布时，各家国产芯片平均需要1~2个月的适配优化才能跑起来；今年 V4 版本发布，模型发布当天，多家国产芯片就已经同时完成了适配，这个变化是非常显著的。

Q：您认为国产算力替代的临界点什么时候会到来？

A:我认为现在已经很接近这个临界点了，刚刚提到的DeepSeek V4的发布是一个标志性事件。

从软件生态角度看，统一软件框架的成熟速度也超出预期，当市面上主流的大模型和算法都能在国产芯片上跑起来时。我判断，未来1~2年内，我们会看到这个临界点真正到来——到那时候，用户选择国产算力芯片，单纯是因为它确实好用、性价比高。

Q：你怎么看 AI 对人力工作的替代？现在我们讨论这个是不是太早了？

A:
一点都不早，而且这个趋势已经非常明显了。

从个人体感来讲，我自己的 token 消耗量非常高，今天这次分享的选题和归纳，我也用 AI 做了辅助，我日常看代码、写代码、了解团队每天的研发进展，都会用 AI 来提升效率。

从企业视角看，如果是科技型公司，IT 团队统一采购算力、采购 token，正式引入生产环境，会是未来一两年的标配。以清微智能为例，今年我们就正式给每一位工程师开通了 AI 辅助服务，用量是爆炸式增长的。

再算一笔账，现在100万token只要几块钱，用AI完成一个工作需要几百到一千块钱，但它可能替代一个工程师一周的工作量。按软件行业从业者的薪资水平来看，AI 的 ROI 已经远超人力成本，这个回报是非常高的。

至于企业到底要保留多少人力，这是各行各业都在摸索的问题，但方向是明确的，AI不会让人失业，但会用AI的人会替代不用AI的人。