速显微电子创始人：端侧大算力处理器，不是只有追制程这一条路

当下，具身智能和泛AI类硬件的发展，让IC行业的从业者都在思考，下一个创新的风口如何打开。

2026年7月25日，端侧智能计算国产GPU芯片及解决方案供应商速显微电子科技有限公司（速显微电子）正式发布面向下一代AI与异构计算的雷神统一计算架构（Thorsianway Unified Computing Architecture—TUCA架构），以及应用于具身智能等AI场景的GPGPU处理器“天衡1100”（TH1100）。

速显微电子成立于2015年，是国内最早成立的GPU设计公司之一，专注嵌入式GPU芯片及相关系统解决方案研发。成立之初，速显微抓住汽车行业向新四化转型的时代契机，围绕车内液晶仪表场景研发了全球第一款集成GPU的MCU芯片GC系列。目前，速显微电子相关产品已广泛应用于汽车智能座舱、智能家电、工业控制、国防军工等领域。

面向加速到来的AI时代，速显微电子开启了第二条产品线——打造具身智能GPGPU。对速显微电子来说，这既是成立十年来公司技术、商业经验积累的自然升维，也是面向下一个十年乃至更远未来的战略布局。

据介绍，“天衡1100”是公司自主研发的首颗面向边缘AI推理场景的GPGPU SoC芯片，支持最高128GB板载高速内存配置，峰值带宽85.3GB/s，且支持FP32、FP16、FP8、INT8、INT4、FP4等多种精度计算。在AI推理常用的FP4混合精度计算方面，TH1100可提供50TOPS算力；在支持稀疏计算的场景下，FP4稀疏算力可达100TOPS。

速显微电子创始人、董事长兼CTO项天

速显微电子创始人、董事长兼CTO项天在发布会中介绍，TH天衡系列对标英伟达GPU，算力覆盖100T到4000T。TH1100今年落地，是全系列第一个量产型号，100T算力；TH1800，800T算力，对标Jetson Thor，面向高性能机器人和自动驾驶域控，计划2027年底流片；TH24K0，4000T算力，对标RTX4090，面向高端自动驾驶和一体机场景，计划2028年量产。产品策略上，走“小算力先量产、大算力跟进”的路径。

TUCA是速显微自主研发的全栈异构计算架构，对标国际主流的NVIDIA CUDA、AMD ROCm等计算平台。据介绍，TUCA可提供统一异构算力底座、统一编程接口、高性能加速库支持、生态兼容与迁移适配、开源共建与生态扩展、全场景灵活部署等能力。

项天指出，决定芯片能不能大规模用起来的是软件生态，速显微把兼容CUDA作为产品的基础能力之一。TUCA在底层实现CUDA API的完整映射，开发者在CUDA生态里写的代码、训练好的模型、调试过的工具链，迁移到速显微的芯片上不需要重写，编译一次就可以跑起来。“目前我们已经完成了所有涉及核心库的兼容适配，包括cuBLAS、cuDNN、cuFFT等主流计算库。在PyTorch、TensorFlow框架下的模型都可以直接部署。”

发布当天，围绕公司未来的战略布局、技术路线思考和行业趋势观察等问题，项天与速显微电子联合创始人兼总经理王攀共同接受了RoboX在内的媒体采访。

速显微电子联合创始人兼总经理王攀

生态兼容英伟达，超越要靠工艺和器件创新

Q：这次开启新产品线是因为什么？过去十年做的渲染类GPU和做具身智能GPU有何区别？

王攀：2015年公司成立时，资本市场对芯片投资热情不大，也遑论AI应用的爆发。在从零开始的前提下，若要与英伟达在PC游戏显卡领域交锋，或与ARM在手机端GPU市场竞争，都不太现实，我们要找一个新的市场去做闭环，因此选择了物联网做渲染。当时我们的目标是花20年时间追赶上英伟达。英伟达早期，游戏显卡是其主战场，此后花费十余年培育CUDA生态，研究AI应用和科学计算，随着近五年AI爆发，英伟达的主战场也就转到AI领域。速显微的技术迭代也是不断适应时代适应场景的过程。创立时我们就采取从零开始做正向研发的路径，自己做IP就像盖楼，“一楼”是渲染，二楼是AI应用。2015到2019年，我们专注端侧显示与渲染技术研发，2020年开始量产落地应用于汽车、家电等领域，2021~2022年将渲染技术打磨完善，正式开启端侧具身智能为场景的GPGPU IP研发，去年和今年我们完成了第一代AI产品的攻关，在今年正式推出。我们遵循“量产一代、研发一代”的节奏。未来三到五年，具身智能市场在公司业务中的占比预计逐渐攀升，同时我们在云端GPU技术方面也在持续积累。

Q：公司在端侧智能上的战略规划是什么？

项天：我们未来要做具身智能的GPGPU，这是一个前沿热点方向。当前，海外头部企业已开始采用3nm甚至2nm的先进制程推进研发，而我们国内企业面临的最大制约因素也恰恰是制程问题。对此，国内AI芯片企业各有路线，有的致力于创新架构，我们则选择做CUDA兼容的GPGPU。这么选基于两点判断：其一，端侧产品的首要任务是让客户愿意用，全球有几百万开发者基于CUDA写模型、做应用，如果我们做硬件另起炉灶，生态迁移成本会极高；其二，华为今年发布的“韬定律”指出，在制程受限下要想办法缩短晶体管的传输时间，这一思路已经走在了西方前面，因为西方的半导体发展一定会遇到物理尺寸下不去的问题，届时再考虑更复杂的互联和器件优化就会落后于国内，因此在半导体体系结构兼容CUDA生态的前提下，我们要用半导体工艺和器件层面的创新来提升芯片算力和能效。

Q：有观点说今年是端侧AI的元年，您对这个观点是什么态度？

项天：我认为今年是端侧AI元年这一说法非常到位。首先，端侧大模型的需求已经出现，回顾去年，业界主流做法是将数据上传云端处理后再传下来，但此法体验欠佳，所能实现的功能也相当有限，唯有将大模型部署到端侧，才能真正实现具身智能；其次，适配端侧部署需要的模型已经出现，如参数规模35B的千问Qwen3.6-35B-A3B，可以说需求端和能力端已具备了条件。但落地要素还不全，当前主要存在两大瓶颈：一是端侧好用的芯片不多，如何在低功耗情况下提升算力以满足更大规模模型的算力需求；二是把模型部署在端侧的成本较高，尤其是在存储价格持续走高的时代，以今天的价格来说，35B的模型至少需要付出六七千元的存储成本，再加上芯片成本将达万元，不利于具身智能在端侧普及。未来我们的发展方向就是解决这两大问题，一方面做CUDA兼容，让芯片好用；另一方面在工艺和器件上做创新，让模型低成本部署在我们的芯片上，做成每年百万级千万级甚至上亿级部署规模的产品。

“IC公司是服务业公司，不是制造业公司”

Q：AI芯片有很多新的路线出现，包括ASIC也挺火，我们的优势和创新点是什么？

王攀：所有可能能够达到目的的方案和途径，大家都愿意去尝试，因为你不知道哪条路径会是个好方案，哪怕是给主赛道做一个备份。如果某个通用算法和算子结构已经成为AI某一赛道的主流方案，针对该通用算法和算子结构为芯片设计专用的创新架构，那么该芯片确实会形成显著优势。但当下AI仍处于快速迭代中，没多久就会有新的算法、算子和框架出现，专用架构的优势与算法动态性持续博弈。具体到具身智能场景，不同细分场景下的算法、算子、框架既没有形成固定的方案，也尚未实现闭环，为特定场景专门开发ASIC芯片在经济性上暂时难以成立，生态适配性也面临巨大挑战。当然，新架构值得鼓励和探索，只是风险与不确定性相对较高。

技术层面我们有两个比较大的创新点。第一，创新地将数字存算设计与GPU IP结合，避免了数据跨芯片传输带来的损耗。第二，我们将大模型参数硬化到GPU的ROM里，这种相对通用的技术比较值得开发，因为它可以普及到各个方向的芯片中。

商业层面上，我们也有两大优点。一是坚持从0到1做GPU IP的正向迭代，正向迭代的好处是知其然也知其所以然，开发新应用时可以直接在IP层做对应设计、适配和应对，上述两大技术创新点的实现也得益于此；二是在推出AI相关GPU产品前，我们通过显示渲染业务已经实现了商业闭环，也具有多年的技术、人才、客户和供应链积累，出货时我们可以给到客户即插即用的产品。

项天：补充一下，我们在体系结构上选择保守，我们希望做一个生态兼容的产品，做大多数客户能接受、愿意用的东西，我们要保持对客户的敬畏，避免做太多让客户学习的新架构。我们把创新从体系架构上转移到工艺和器件层面，比如我们在存算、参数固化上的创新都是原始自研，在这两项创新上，我们是国内GPU公司里走得比较激进的一家。

Q：现在具身智能GPU赛道里，技术上的趋势性共识是什么？有没有非共识？

王攀：共识是（产品）最终要用户来买单，用户非常在意易用性，他们不想用GPU跑出来的东西到了推理和应用时再重新弄一遍，损失方案和效率。在存储跟计算的平衡方向去做新的方案和架构也是大家的共识。

非共识是大部分从事GPU或AI芯片研发的企业，往往缺乏To B市场从零到一的实战经验，因此容易忽视一个关键事实：推出这类芯片实际上需要芯片企业自带完整解决方案。因为AI场景中一切都是新的，既缺乏成熟可借鉴的落地方案，又由于英伟达架构闭源而无法简单复制，加之诸多新兴赛道中大模型的应用尚处早期，芯片厂商实际上扮演着拓荒者角色。企业必须亲自下场做方案，这对于迭代产品定义和培育生态都具有深远价值。

项天：我再补充一个爆论，IC公司是服务业公司，不是制造业公司。

芯片公司的“护城河”≠代码能力的高低

Q：您觉得端侧最先落地的具体场景分别是什么？

王攀：端侧大模型的落地场景极为广阔，其中几个方向已比较明确：一是工作流程可被文本化、标准化的场景，例如高级数控机床可通过模型输入直接操作；二是依赖长期经验积累且人才稀缺的场景，典型如医疗行业，优质医生资源有限且分布不均，若能通过大模型或Agent将专家的知识与经验进行蒸馏与固化，便可辅助经验尚浅的医生，或将顶级诊疗能力下沉至偏远地区，实现优质医疗资源的复制与规模化；三是在有限空间或固定环境等干扰因素较少的环境下与物理世界发生交互的场景，比如固定产线上机器人、机械爪的升级，或3D打印设备自主规划生成成品等等。

Q：公司目前推出的TH1100和TUCA平台现在落地进展如何？

王攀：目前，我们已在医疗领域找到细分切口，首批产品已于本月正式出货；在体育场景，我们通过AI视觉替代教练完成动作指导与视频自动剪辑；在量子设备领域，将原本依赖人工的电脑操作替换为AI执行以提效降本；在机器人方面，公司正与行业头部的基础模型厂商合作，由于当前机器人行业的最终方案尚未闭环，我们仍努力推进中。

项天：TH1100这类处理器在通用算力的一个实践，是我们的智能口腔一体机，这是专门针对口腔诊疗的医用AI工作台，可以帮助医生对病人的各项生理数据进行测量和分析，直接给出量化结论。从患者入院建档到资料上传，再到AI报告生成和向工厂发送耗材订单，可自动闭环完成。相关报告可以做到可视化、可控化和专业化。所有流程可追溯，自动存档，数据端完全实现本地部署，安全，高效，稳定，减少医疗风险。不只是牙科，这类模块设计可以很方便地在线升级迭代，用于其他科室的诊疗和病患场景。

Q：过去十年的业务场景与当下AI市场对芯片的需求有什么不同？

王攀：渲染市场的客户大多已有成熟的显示屏需求，此前主要依赖进口的单片机方案，我们最初切入该市场时面临国产品牌信任度不足的困境，同时渲染市场已建立了明确的价格锚定和性能基准，在品牌弱势情况下，想要在竞争中获得优势就必须以极大的技术创新实现更低价格和更高性能，无异于一场攻坚战。

AI市场的机会在于，其一，各行业已认识到大模型可以提质增效；其二，经历过云端GPU断供和贸易战之后，客户采用国产芯片的意愿增强；其三，数控机床、焊接机械手等大量细分场景需要有专门的服务商来帮助做模型开发和方案落地工作，而这些高度细分的场景还没有形成固化的解决范式，如果能为客户提供成型方案，价值显著。以我们做的量子案例为例，单台设备每年可为客户节省超过百万元的人工成本，这也为芯片公司预留了可观的定价空间。

Q：英伟达马上要推一个芯片设计方向的Agent工具，您怎么看？

王攀：永远不要认为掌握一门技艺或技术是一件多么有门槛或多么高级的事情，人最可贵的地方在于持续产生新想法，有魄力统筹全局，从0到1定义市场，并跑通闭环，这才是芯片公司的“护城河”，而不仅仅在于代码能力。事实上，任何公司的门槛也都不在于技术人员多么擅长编程或多么能加班。

当前大家热议AI究竟带来了什么，对企业而言，AI带来的是试错成本的降低和迭代周期的压缩。看起来门槛变低了，实际上竞争更激烈了。对于芯片行业来说，芯片迭代一版就意味着先要付出上亿元的流片投入，迭代速度越快，留给人判断的时间就越短，决策就必须更精准，因此，表面门槛降低的背后是对团队综合素质的更高要求。