【导读】7月13日，以“东方范式引领AI算力新趋势”为主题的东方算芯软件定义算力芯片、系统及路线图发布会在上海举行，来自中央和地方政府相关部门、产业界、学术界和投资机构的七百余位嘉宾齐聚一堂，共同见证东方算芯首颗大算力芯片DF1000的全球首发。
比起一颗芯片的参数表，这场发布会释放的另一层信号或许更值得产业观察：浦东新区、上国投等政府与国资代表登台致辞，香港工程院院士郑光廷、北京超弦存储器研究院执行院长赵超等重量级专家带来主题报告，上海兆芯与东方算芯联合分享“CPU+AI算力”协同实践，两场圆桌论坛分别聚焦技术路径与产业资本——这些拼图共同指向一个问题：一条国产算力技术路线，能否走出实验室与发布会，获得可持续的产业链与资本生态支撑？
AI芯片的竞争坐标，正在悄然改写
过去十年，AI芯片的竞争几乎等同于制程与算力的竞赛：谁能用上最先进的工艺节点、谁能堆出更高的峰值算力、谁能集成更大容量的高带宽存储，谁就掌握了话语权。
但随着大模型从训练主导转向大规模推理落地，这套评价体系正在被重新审视。推理阶段对算力的要求不再是单纯的峰值堆叠，而是数据搬运效率、访存带宽、能效比与系统扩展成本的综合考验——这也是行业常说的「存储墙」问题：计算单元的速度增长远快于存储与互联，算力被「卡」在了数据搬运环节，而不是运算本身。
这个判断并非东方算芯一家的一面之词。谷歌TPU、亚马逊Trainium等自研AI芯片选择绕开通用GPU路径，本质上也是在同一命题下寻找答案；近存计算、存算一体等技术路线近年重新被产业关注，反映的是同一个趋势：当先进制程与HBM产能成为稀缺资源，「用架构换效率」正在成为一条被验证可行的路径。
这是东方算芯 DF1000 的核心逻辑也是其差异化定位的坐标：不局限于制程赛道的追赶，依靠架构创新打造全新算力路线。
东方算芯：一支二十年团队的产业化落子
上海东方算芯科技有限公司（以下简称「东方算芯」）成立于2024年5月，由国际欧亚科学院院士魏少军教授领衔。公司成立2年但技术根基并非一朝一夕：核心团队自2006年便于清华大学深耕可重构计算与近存计算体系架构研究，先后承担国家自然科学基金重点项目、863计划、重点研发计划等课题，相关成果获得国家技术发明奖二等奖、中国专利金奖、教育部技术发明一等奖。
2017年起，团队将可重构架构的积累延伸至信息安全芯片与人工智能芯片方向；2021年，团队完成软件定义近存计算的验证芯片。2024年5月，东方算芯正式成立。
DF1000：两大技术支柱如何解决「存储墙」
东方算芯首款旗舰芯片DF1000基于国产成熟工艺打造，官方公布的核心参数为：BF16算力520 TFLOPS，访存带宽6.4 TB/s，Scale-up互联带宽900 GB/s。这些数字本身需要放在合适的参照系里理解——与采用4nm级先进制程、CoWoS封装与HBM3高带宽存储的国际旗舰GPU相比，DF1000在绝对算力与制程上仍有客观差距；但其访存带宽与互联带宽已进入同一量级，这正是「架构换效率」路线试图证明的地方。
上表中H100参数引自公开资料，而非严格意义上的同场景实测对比——两款芯片的内存架构（近存混合键合 vs. HBM外挂）、目标workload、软件生态成熟度均不相同，直接类比存在局限。
支柱一：软件定义芯片——用可重构架构降低制程依赖
DF1000的第一个技术支柱，是东方算芯自主提出的「软件定义芯片」架构。团队构建了从硬件到软件的全栈可重构计算体系，通过动态重构多精度融合计算阵列，使芯片能够根据不同模型的计算特性自动选择最优数据通路。
具体到执行层面，该方案以TensorTile为基本调度单元，构建全异步、无阻塞的数据流执行引擎；通过任务处理的空间并行与硬件资源的时分复用，在同样的晶体管资源下提升硬件利用率。这也是DF1000能够在14nm这一相对成熟的工艺节点上，实现具备竞争力的算力密度的核心原因——本质上是用架构设计的创新，去置换对先进制程的依赖度。
在推理部署层面，DF1000还支持AFD等多种分布式推理模式，可实现Prefill/Decode（P/D）分离与Attention/FFN（A/F）分离的多机并行化部署，以满足大模型推理场景下对高速率token输出的需求。
支柱二：3D堆叠近存计算——把「存储墙」直接搬开
第二个支柱聚焦在数据搬运本身。随着大模型参数规模持续增长，AI芯片的瓶颈正从纯算力转向数据搬运效率，传统冯•诺依曼架构下计算单元与存储单元的物理距离，成为延迟与功耗的主要来源。近存计算的思路，是把计算和存储在物理上尽可能拉近。
东方算芯采用Hybrid Bonding（混合键合）封装技术，实现逻辑晶圆与DRAM晶圆之间的无凸点垂直互连。相较于依赖硅中介层与微凸点的传统HBM方案，混合键合能将互连间距从数十微米级压缩至亚微米级，从而在带宽利用率和访存延迟上取得优势。这一设计还带来一个附加价值：不再依赖HBM，整条技术路径可实现全国产供应。
在这两大支柱之上，东方算芯搭建了自主编程框架与软件生态，为开发者提供从底层架构到上层应用的完整工具链——这一点同样值得关注：架构创新如果没有配套软件生态的承接，很难真正转化为客户可用的算力，这也是接下来需要持续验证的能力。
产品矩阵：从芯片到集群的完整落地路径
围绕DF1000，东方算芯已构建相对完整的产品层级，覆盖加速卡、单机、服务器与超节点集群：
巅峯 DF1000 加速卡：遵循OAM2.0规范，适配国内主流OEM服务器平台，支持AFD等多种分布式推理模式，是客户导入的最小交付单元；
擎元 QY100P-S（风冷版）与QY100X-S（液冷版）：集成DF1000加速卡的AI服务器，可直接向最终用户交付，满足客户快速上手的应用要求；
拓域TY64：分布式超节点液冷服务器，单柜配置64卡DF1000系列OAM模组，提供33 PFLOPS@BF16超高算力，满足后训练（强化学习）、AI推理的多机并行化部署（P/D分离、A/F分离）等场景需求；
慧算 HS128/HS512：基于超节点搭建的512卡集群，面向大规模数据并行训练与推理需求；此外还提供慧算HS64（64卡超节点）及128卡集群等中间规格，覆盖从64卡到512卡的更细粒度容量选择。
该产品矩阵的意义在于，东方算芯没有停留在「发布一颗芯片」的阶段，而是提前完成了从单卡到集群的系统化交付准备——这是国产AI芯片能否被客户实际采用的关键变量，比单一参数更值得产业关注。
产业链共振：从院士智库到产业资本的多方参与
如果说芯片本身回答的是“能不能做出来”，那么发布会当天的另外两个环节，回答的是“能不能走下去”的产业链问题。
发布会特设的主题报告环节，邀请了香港工程院院士郑光廷、北京超弦存储器研究院执行院长赵超、上海兆芯总经理兼总工程师王惟林、芯原股份董事长兼总裁戴伟民四位行业代表，分别从半导体芯片技术演进、3D封装与存储技术突破、CPU与AI算力协同、先进封装产业机遇四个维度展开分享。其中，上海兆芯与东方算芯联合分享的“CPU+AI算力”协同实践，被视为国产算力生态从“单点技术突破”走向“产业链协同”的一个具体信号——通用计算与专用AI算力打通，是国内政企与产业客户构建一体化算力底座的现实需求。
发布会同期举办的两场圆桌论坛，分别围绕“后摩尔定律时代，AI芯片的东方范式”（技术路径）与“新一代算力芯片产业投资趋势”（产业资本）展开研讨，产学研资多方代表同台交流——这也从侧面说明，架构创新型公司要获得长期生存空间，除了技术验证，同样需要资本市场对这条技术路线的持续认可。
东方算芯董事长兼CEO魏少军在发布会上表示：“DF1000的发布，是建立在国家全产业链深厚基础上的成功”，并提出“坚持自主创新，开放合作”“坚持长期主义，耐心投入”“立足上海、布局全国、面向世界”的“共建、共筑、共赢”产业发展主张。
放在产业坐标里看：这条路线意味着什么
过去几十年，半导体产业的发展逻辑主要围绕摩尔定律展开：通过先进工艺提升晶体管密度，从而获得更强算力。但进入大模型时代，尤其是推理需求爆发之后，单纯依靠制程演进已经难以同时解决数据搬运、能耗与成本三重约束，新的计算架构正在成为产业突破的关键变量之一。
从全球范围看，谷歌TPU、亚马逊Trainium等自研路线，以及近年重新升温的近存计算、存算一体技术方向，都指向同一个判断：AI芯片的竞争不会只有「制程竞赛」一条路径。对于在先进制程与HBM产能上受到客观限制的国内企业而言，这一判断的现实意义更为直接——通过架构创新在成熟工艺上释放更高的系统效率，是当下少数具备现实可行性的突围方式之一。
东方算芯选择的「软件定义芯片＋3D堆叠近存计算」路线，正是在这一背景下的一次具体实践。它不是对国际巨头技术路径的复制，而是试图在国产制造体系的约束条件下，重新定义「性价比算力」的实现方式。当然，架构创新的价值最终仍需通过量产良率、客户实测数据、软件生态成熟度与长期成本曲线来检验——这也是DF1000在7月13日发布、WAIC 2026集中亮相之后，真正需要持续回答的问题。
写在最后
AI时代的竞争，本质上不只是算力规模的竞争，更是计算体系创新能力的竞争。对于中国AI产业而言，真正的挑战从来不只是造出一颗芯片，而是让芯片架构、制造工艺、软件生态与系统应用之间形成完整闭环，并经受住真实工作负载的检验。
东方算芯此次公开亮相DF1000及其配套产品体系，提供的是一种不同于「堆参数、追制程」的发展思路：在成熟工艺条件下，用架构创新去逼近甚至局部超越先进制程带来的效率红利。
这条路线能走多远，参数表给不出答案——发布会当天七百余位嘉宾、四位院士级专家与两场产业资本圆桌所共同指向的，或许才是更接近答案的地方：一条技术路线要真正站稳，靠的从来不只是一颗芯片，而是它能不能持续换来产业链的信任与资本市场的耐心。这也是DF1000故事真正有价值的下半场。
