新濠天地官網

新濠天地官網

“RISC-V具备一定的包容性，有机会融合 CPU、GPU 和 AI 处理器的特性，突破 CUDA 的生态壁垒。”

作者丨包永刚

编辑丨林觉民

2025年12月12-13日，第八届GAIR全球人工智能与机器人大会在深圳·博林天瑞喜来登酒店正式启幕。

作为AI 产学研投界的标杆盛会，GAIR自2016年创办以来，始终坚守“传承+创新”内核，始终致力于连接技术前沿与产业实践。

在人工智能逐步成为国家竞争核心变量的当下，算力正以前所未有的速度重塑技术路径与产业结构。13日举办的「AI 算力新十年」专场聚焦智能体系的底层核心——算力，从架构演进、生态构建到产业化落地展开系统讨论，试图为未来十年的中国AI产业，厘清关键变量与发展方向。

深圳理工大学算力微电子学院院长、龙芯 CPU 与海光 CPU 创始人唐志敏发表了题为《XPU的未来——软件决定成败》的主题演讲。

唐老师指出，算力不仅是硬件性能的体现，更是一种在资源与时间约束下完成任务的能力体系。在这一背景下，训力、推力等新型算力能力正在逐步形成，推动人工智能从语言理解向多模态生成发展。

他强调，随着生成式 AI 对算力需求的快速增长，单靠 CPU 已无法满足现实需求，异构计算（CPU+XPU）成为必然选择。但硬件本身并非决定因素，真正影响算力释放的，是软件与应用生态。他通过对x86、Arm和RISC-V的分析，指出生态惯性和软件兼容性在商业化和技术落地中起到决定性作用，生态成熟度往往比硬件性能更能决定芯片成败。

唐志敏也强调，软件定义一切，这不仅意味着应用开发与性能优化，更决定了算力芯片的长期竞争力和产业格局。

在算力体系演进中，硬件是基础，但软件和生态才是真正的“决定因素”。无论是 CPU、GPU 还是未来的 XPU，掌握和构建完整的软件生态，才能在高速增长的算力需求与复杂的技术挑战中立于不败之地。

精彩演讲回顾

演讲完整视频，详见链接：https://youtu.be/m47Dd5rJisw

以下为唐志敏老师的精彩演讲内容，雷峰网作了不改变原意的整理与编辑：

从“算力”到 Computility：算力正在被重新定义

“算力”其实是中国人自己创造出来的一个词。以前在计算机领域，更多讲的是performance（性能），而不是算力。中国人什么事情都喜欢讲“力”，比如体力、臂力、脑力，现在又有了算力。

既然是我们自己创造的词，那怎么翻译成英文？有人翻成Computing Power，但这个词我觉得不太好，听起来就很费电，现在的算力确实费电，但我们并不希望算力特别“更费电”。

所以有计算所的老师创造了一个新词，叫Computility，把Compute（计算）和Utility（设置）合在一起，我个人是比较认同这个说法的。我们希望算力像水、电一样，成为一种基础设施。

实际上算力就是：在可接受的资源、可接受的时间内，完成某种计算任务的能力。

在算力这个概念之上，最近几年又出现了很多新的“力”。比如现在大家讲得比较多的：

训力，就是快速训练出大模型的能力；

推力，就是基于大模型快速推理、生成结果的能力。

未来还可能会有什么力？我自己也做过一些畅想。现在的大模型已经可以理解语言，也可以生成视频，GPU 可以渲染高度逼真的图形。如果把这些能力结合起来，也许有一天，我们可以把小说直接“演”成电视剧。这种能力，本质上还是算力体系不断演进的结果。

CPU 不能满足需求，异构计算成为必然选择

各种各样的计算芯片，是算力的基础。我原来是做高性能计算机体系结构，后来进入半导体行业，会发现处理器和其它很多芯片并不一样。处理器不是一个单纯的硬件，它最复杂的地方在于，要支撑运行非常复杂、规模巨大的软件系统，所以出现了“软件定义一切”的概念，比如软件定义存储，软件定义网络，软件定义无线电。

虽然摩尔定律逐渐放缓，但算力需求，尤其是生成式人工智能对算力的需求，却在持续快速增长，而且增长速度远远超过了制程和工艺所能带来的性能提升。

在这种情况下，只靠CPU肯定不能满足对算力的需求。CPU的主频和整体架构，二十多年里并没有发生本质变化，所以我们只能通过CPU + XPU的方式，比如CPU+GPGPU，或者其他的PU，总称为XPU，和CPU形成异构计算架构，在通用性、性能、能耗和成本之间寻找平衡。

XPU 的本质：硬件只是资源，性能取决于软件

但异构计算带来了编程、软件兼容性两大难题：

编程变得更加困难；

原来只在CPU上运行的程序，如今要分为两部分，一部分仍在CPU上，另一部分放到XPU上运行。

从计算机体系结构的角度看，我习惯把架构分成三类。

第一类是比较激进的结构，主要靠硬件做动态优化。为了运行复杂应用，硬件要分析指令之间的并行性，典型代表就是传统 CPU。

第二类是比较保守的结构，硬件并不去做复杂分析，而是提供大量运算部件和存储资源，至于这些资源怎么用，主要依赖软件，比如GPU和各种XPU。

第三类是动静态优化相结合的结构。

XPU本质上属于保守型结构。硬件只负责把计算资源提供出来，并不保证性能一定能发挥出来。性能能不能出来，更多取决于软件、编译器和程序员。

自动并行化这个方向，学术界和工业界研究了几十年，效果始终有限。现实中，真正能把性能跑出来的，还是依赖经验丰富的程序员和成熟的软件体系。

也正因为这样，我一直强调，算力芯片真正面临的核心问题，不是硬件架构，而是应用生态。

所谓生态，就是能在处理器上运行的所有软件的总和，包括应用软件、操作系统、编译器、中间件、函数库和开发工具。最终真正产生生产力的，是应用软件，而不是芯片本身。

生态惯性：x86、Arm与RISC-V的现实边界

在CPU领域，x86生态经过四五十年的发展，已经有非常高的市场占有率和生态惯性。哪怕是英特尔自己，也很难去推动一个不兼容x86的体系。

根据Gartner给出的全球企业软件的情况，经过多年发展，x86软件市场越来越大，基于x86软件的销售收入是3000多亿美元。为x86开发软件的费用，每年大概是600亿美元。而全球服务器市场总的收入，大概是800亿美元。也就是说，一年卖出800亿美元的服务器，为了开发x86软件，每年要新增600亿美元。可见软件开发需要耗费大量精力。

在手机领域很成功的Arm也想要进入服务器领域，可以看到一个又一个Arm架构服务器公司屡战屡败。他们的失败有各种各样的原因，我认为Arm架构在服务器领域要成功需要有两个原因：一个原因是掌握全栈技术的大公司不再使用x86，这是Arm的机会，典型的比如苹果不用x86，自己掌握软件栈可以切换。另一个原因是端云融合，手机上和云端都用Arm架构，这样手机上的应用比较容易迁移到云端，包括云游戏等，这样Arm在服务器市场才更容易成功。

除了Arm，RISC-V也是一个大家都在关注的方向，但RISC-V到底灵不灵？它的开放性确实带来了新的可能性，但开放和开源本身，并不自动等于成功，开放的CPU有很多，比如OpenRISC、OpenSPARC、OpenPower现在也开放了。

也有人说Arm太贵，用RISC-V可以省钱。但我之前做芯片公司的时候，一直买Arm的IP授权，也没觉得有多贵。若干年前，Arm一年的收入十几亿美元，如今Arm每年收入三四十亿美元，Arm收入的增加是在很多公司使用RISC-V的背景下，这从某个角度说明了做RISC-V的公司需要反思。

还有人说RISC-V更适合做研究，因为可以随便修改。但我认为做研究用什么架构都可以，不一定要用RISC-V，用x86、Arm照样可以做研究，这不是理由。

RISC-V开放，很多人希望用开源硬件去走一条类似开源软件的发展路径，但我一直觉得，这条路并没有那么容易。和开源软件相比，开源硬件的难度要大得多。

从现实情况看，现在全球的 RISC-V 都面临着商业化的困难。我看到一条新闻，Jim Keller——这个行业里做CPU架构的顶级人物——创办了一家做RISC-V的公司Tenstorrent，最近开始裁员了。包括Tenstorrent在内美国好几家公司做出了RISC-V芯片，但问题是不知道卖给谁。

目前相对做得好一些的，反而是一些软件相对简单的嵌入式场景，比如做存储的企业，把 RISC-V 用来做存储控制器。这类场景软件非常简单，确实能用，也用得不错。但一旦进入计算领域RISC-V面临的问题就多了很多。

这背后反映的，不只是软件生态的问题，硬件生态本身也还不成熟。只要是 CPU，就一定会走向多核，多核就涉及片上互联网络，Arm在片上互联这件事上，已经有比较成熟的解决方案，但RISC-V还没有。

于是就出现一种很现实的困境：想做RISC-V CPU，但片上互联又要去找Arm买。Arm愿意把互联网络卖给你，也想顺便把CPU核一起卖给你。这就是RISC-V目前在工程层面面临的实际困难，也说明还有很长的路要走。

为什么兼容 CUDA 容易，复制 CUDA 生态极难？

也有人认为，将来指令系统可能没那么重要，因为现在是“软件定义一切”，上层可以用 Python、Java 这些平台无关的高级语言。但从实际发展来看，情况并不是这样。以Intel为例，无论是过去的AVX-512、SGX，还是现在围绕人工智能不断加入的新指令，都说明：硬件指令的直接支持，对性能和能效始终是有价值的。

在XPU领域也是类似的情况。现在大家都在讲兼容 CUDA，因为 CUDA 的生态确实做得好。很多做其他XPU、AI加速器的厂商，第一件事就是要兼容CUDA。

但 CUDA本质上是什么？它其实就是一个高级语言接口，是英伟达的一套API。从技术角度看，兼容一个API并不难，有一个编译器，就可以兼容CUDA的接口。但真正难的，是兼容 CUDA 背后的软件生态。

生态从来不只是一个 API，它包含了大量算力库、函数库、开发工具和工程实践，这是一套非常复杂、长期演进的体系，工作量极其庞大。

也正因为如此，现在国家层面也意识到这个问题的重要性，正在推动大家一起做生态建设。从这个角度看，打造我们自己的算力生态是非常有必要的。除了CUDA，英特尔、AMD 也都在做各自的生态，我们如果不做，就永远受制于人。

谁能把芯片做成？软件生态决定成败

从整体来看，我们现在的算力体系仍然存在不小的缺口和瓶颈。中国乃至全球范围内，半导体的发展速度都在放慢，但算力需求却在持续增加。中国还面临制程方面的限制，这就决定了我们必须通过跨学科交叉，在系统、软件和算法层面，去寻找实际性能的突破。

算力的发挥，靠的不只是硬件。硬件当然是基础，但硬件的峰值性能，本质上只是一个指标。真正的性能提升，很大一部分来自软件优化。

做高性能计算的人都知道，LINPACK可以把整机效率跑到60%～70%，但LINPACK只是测试程序，不是真实应用。真正的应用软件，能跑到整机20%～30%的效率已经非常不容易。这里面还有很大的优化空间。

我们的芯片峰值性能可能很难做到最高，但如果能打破硬件和软件之间的隔阂，在软件、编译、系统层面多做一些优化，即便在峰值性能相对低一些的芯片上，也完全有可能获得不错的应用效果。这是未来非常重要的一项工作。

另外，现在大家都在做 GPGPU，但GPU最基本的能力同样重要，比如纹理生成、图案着色、光照和阴影处理等。现在有些GPGPU已经发生了“异化”，只能计算，不能渲染。但如果我们真的要实现从小说生成电视剧，不仅需要 GPGPU 的计算能力，也同样需要GPU的图形渲染能力。AIGC不只是生成文章，还应该能生成影视内容。

计算芯片产业的发展，本身是一个螺旋式上升的过程。早期系统厂商都会自己做CPU，因为 CPU是计算机系统的核心；后来由于量产和成本压力，x86快速发展，系统厂商逐步退出；而现在，系统厂商和平台厂商又重新开始自研芯片。

美国的互联网巨头如此，中国的互联网厂商、系统厂商也都在自研CPU。自研自用这条路能不能走通，关键并不在于“能不能做芯片”，而在于：能否为产品和服务提供足够大的增值，能否掌控全栈软件体系。

苹果是一个非常典型的成功案例。从跟摩托罗拉和IBM联合开发PowerPC CPU，到转向采用Intel CPU，再到基于Arm架构自研CPU，它之所以能成功，原因其实非常简单：通过自研高性能芯片，配合自有的软件体系，形成非常领先的用户体验，在此基础上把产品卖得很贵。手机卖得贵，笔记本也卖得贵。其它厂商如果做不到这一点，仅仅自研芯片，最终大概率都会失败。只有软硬件通吃，才能真正卖得贵。

我们要不要再搞新的指令系统？我个人的看法是：架构创新不需要依赖新的指令系统。指令系统只是硬件和软件之间交流的语言，我们没必要不断增加新的语言。如果要做创新，在现有指令体系下完全可以做，RISC-V 已经足够了。

归根结底，谁能把芯片做成功？不管是CPU还是GPU，只有真正重视软件和应用生态，才有成功的可能。“软件定义一切”，这个“一切”，同样包括成功和失败。

对于平台厂商和系统厂商来说，如果要自研芯片，一定要有清晰的差异化，并且这个差异化必须能为系统或服务带来显著增值，否则使用成熟的商用芯片，反而是更理性的选择。

最后我还是希望，大家能把RISC-V作为一个统一的指令系统方向。无论是CPU、GPU还是其他处理器，都尽量统一到同一架构平台上，减少重复投入。

我们常说“三国定律”，合久必分，分久必合。过去是CPU为中心，现在是CPU + XPU的异构体系，未来也许会回到以CPU为中心的新一体化架构。RISC-V具备一定的包容性，有机会融合 CPU、GPU 和 AI 处理器的特性，吸收开源体系的力量，逐步突破 CUDA 的生态壁垒。

以上就是我全部的分享，谢谢大家。