RISC-V，靠AI崛起

公眾號記得加星標??，第一時間看推送不會錯過。

賽昉科技（SiFive）新近宣布完成 4 億美元 G 輪融資，這標志著面向自主智能體 AI 數據中心場景的高性能 RISC-V 處理器開發，迎來了重要的技術拐點。本輪融資后公司估值達 36.5 億美元，資金將專門用于加速下一代 CPU 知識產權核（IP）研發、軟件生態成熟化以及超大規模部署落地。上述舉措共同應對新興算力瓶頸 —— 在日益異構化的 AI 基礎設施中，傳統架構難以在調度效率、擴展性與功耗限制之間取得平衡。

這筆投資背后的核心技術驅動力，是 CPU 在自主智能體 AI 系統中日益重要的地位。盡管 GPU 與專用加速器能為張量運算提供高吞吐率，但它們并未針對復雜控制流、任務調度與系統級協同進行優化。由多個交互推理循環、工具調用模塊與動態決策樹構成的智能體模型，需要低延遲調度與高效上下文切換。而具備可擴展指令集與可擴展向量運算能力的 CPU，尤其適合處理這類負載。RISC-V 的模塊化架構允許廠商針對特定調度模式定制標量、向量與矩陣擴展指令，相比整體式的傳統指令集架構能效更優。

從微架構角度看，其技術路線圖重點在于將標量流水線與向量、矩陣計算單元深度耦合。這種協同設計通過減少異構計算模塊間的數據搬運，降低內存帶寬開銷。將領域專用加速器直接集成到 CPU 結構中，可讓 RISC-V 處理器高效運行混合負載 —— 即控制密集型邏輯與本地數值計算交替執行的場景。這對執行推理、規劃與迭代優化任務的 AI 智能體尤為關鍵，這類任務需要頻繁在符號運算與數值運算間切換。這種集成設計還能簡化緩存一致性，降低因使用獨立加速器帶來的延遲損耗。

功耗效率是另一大核心技術考量。隨著 AI 集群規模擴大，機房總功耗與熱密度逐漸成為瓶頸。傳統架構常依靠高主頻與深度亂序執行流水線提升性能，導致能耗大幅上升。而 RISC-V 架構可通過面向特定負載的指令擴展與適度規模的流水線設計，實現更優的每瓦性能。這讓數據中心運營商能在現有功耗預算內擴充算力，在 AI 訓練與推理需求呈指數級增長的背景下至關重要。

融資投向的軟件生態建設同樣意義重大。擴大對主流操作系統與加速框架的支持，可確保新硬件無需大量移植工作即可部署。對 Linux 發行版與 GPU 互聯技術的原生兼容，能夠構建由 RISC-V CPU 統一調度 GPU 加速算力的異構集群。這種緊密耦合可提升調度效率、緩解主機側瓶頸。此外，針對向量與矩陣擴展的標準化工具鏈與編譯器優化，是充分釋放硬件性能的必要條件。對軟件基礎設施的投入將加速超大規模廠商與企業用戶的落地應用。

面向客戶的支持舉措也凸顯出架構層面更廣泛的協同設計趨勢。超大規模云廠商越來越需要定制化 CPU IP 以打造差異化基礎設施。與固定架構不同，RISC-V 支持集成私有加速器、專用存儲層級與定制化互聯邏輯。這種靈活性縮短設計周期，可根據不斷演進的 AI 負載快速迭代。隨著自主智能體 AI 系統日趨復雜，對 CPU 特性進行定制 —— 如硬件任務調度器、低延遲消息原語或領域專用向量單元 —— 將具備重要戰略價值。

另一技術優勢在于生態的開放性。開放標準促進芯片廠商、云服務商與軟件開發者之間的協作。這種協作模式允許各方獨立參與指令集擴展、驗證框架與性能優化工具的開發，從而加速創新。長期來看，有望形成比肩成熟架構的強健生態，同時保留專業化定制的靈活性。

總結而言，本輪融資支撐三大相互關聯的技術目標：推進高性能 RISC-V CPU IP 研發、拓展軟件兼容性，以及實現其在 AI 數據中心的規?；渴?。這些舉措共同解決自主智能體 AI 負載帶來的調度、能效與擴展性挑戰。隨著算力基礎設施向異構化、功耗受限方向演進，集成向量與矩陣運算能力的可定制 CPU 架構，將在下一代 AI 系統中占據核心地位。

（來源：Semiwiki）

*免責聲明：本文由作者原創。文章內容系作者個人觀點，半導體行業觀察轉載僅為了傳達一種不同的觀點，不代表半導體行業觀察對該觀點贊同或支持，如果有任何異議，歡迎聯系半導體行業觀察。

今天是《半導體行業觀察》為您分享的第4373內容，歡迎關注。

加星標??第一時間看推送

求推薦