AI芯片的故事，过去几年几乎都围绕一个关键词展开：算力。GPU有多少TOPS，显存带宽有多高，支持多少参数规模，能跑多大的模型——这些指标构成了AI基础设施竞争最直观的一面。

但当大模型逐渐从云端走向边缘，进入摄像头、机器人、无人机、工业生产线乃至汽车之后，问题开始发生变化。

端侧真正面对的，往往不是一个单纯的“大模型推理任务”。它需要先看见环境，再理解数据；既要处理视频，又要进行AI推理；既要进行实时计算，还要完成数据安全、加密、通信和控制。不同任务背后对应着完全不同的计算特征。

这意味着，一个越来越明显的趋势正在出现：AI芯片的竞争，正在从单一计算单元的性能竞争，转向异构计算资源之间的协同效率竞争。

这恰恰是中星微技术十多年前开始布局的方向。

在第六届集成电路设计创新会议暨应用展（ICDIA 2026）媒体群访环节，中星微技术总工程师施清平再次谈到公司长期坚持的XPU多核异构架构。按照他的定义，XPU并不是简单地把CPU和GPU放到一颗SoC里，而是把CPU、GPU、NPU、VPU以及安全计算单元等不同类型的计算内核放在同一个芯片体系中，再通过数据驱动、高速总线、任务调度以及内存管理等机制，把这些异构计算资源真正组织起来。

换句话说，中星微技术想解决的，并不是“再造一个GPU”。它试图回答的是另一个问题：当AI进入物理世界之后，一颗芯片应该如何同时处理越来越复杂、越来越异构的计算任务？这或许才是XPU在今天重新受到关注的真正原因。

如果只讨论大模型训练和高性能推理，GPU依然拥有明显优势。问题在于，端侧AI与数据中心AI并不是同一种计算场景。

在云端，一个GPU集群可以集中处理大规模矩阵计算；但在工业现场、机器人、无人机或者智能摄像设备中，计算任务通常是碎片化的。

施清平指出一个典型的端侧智能系统可能同时面对：摄像头视频输入；图像和视频预处理；AI模型推理；多传感器数据融合；数据检索；任务调度；加密与安全；实时控制；网络通信等等，这些任务，并不适合全部交给同一种计算架构。

施清平提到，近年来大模型技术本身也在发生变化。随着知识检索、推理优化以及新的模型架构不断出现，过去那种“把神经网络全部塞进GPU计算”的模式正在变得更加复杂。一个非常典型的变化是，AI计算越来越需要知识访问、数据搬运、任务编排和不同类型计算之间的协同。

这意味着，GPU虽然仍然负责大量核心计算，但系统中其他处理单元的重要性正在上升。尤其在端侧，问题更加突出。因为端侧设备首先受制于功耗，其次受制于体积、散热和成本。一个数据中心级GPU能够接受的功耗，在无人机、机器人或者智能摄像头上可能完全无法接受。

所以，端侧AI的核心问题不是简单地把云端GPU缩小。

而是：能不能让不同的计算任务，尽可能由最适合它的计算单元完成？这就是异构计算重新成为重要方向的原因。

从概念上看，CPU+GPU并不新鲜。今天大量SoC已经采用CPU、GPU、NPU等多种计算单元。因此，如果XPU只是简单地把几种处理器放在一颗芯片里，它并没有太大的技术壁垒。中星微技术真正强调的是后半部分：不同计算单元放在一起之后，如何调度？如何共享数据？如何控制延迟？如何管理内存？如何保证安全？

施清平将这一套能力概括为数据驱动、高速总线以及HCP调度机制，并进一步加入内存管理等设计。这意味着，XPU真正的核心并不是“异构”，而是异构资源的组织能力。

可以把它理解成一个机场。CPU、GPU、NPU、VPU、安全计算单元，就像不同功能的航站楼。把它们建在一起并不困难，真正困难的是飞机什么时候起飞、从哪个航站楼出发、如何转场、如何避免拥堵，以及不同任务之间怎样实现高效衔接。

如果调度效率不高，那么即使芯片里拥有很多计算单元，也可能出现“一个核在等待另一个核”的情况。而端侧AI恰恰对这种等待非常敏感。

因此，中星微技术的XPU架构试图通过数据驱动和任务调度，让不同计算内核之间形成更紧密的协同。这也是它与传统“CPU+GPU”思路最值得关注的区别：不是简单增加计算单元，而是试图把不同计算单元变成一个能够协同工作的计算系统。

有意思的是，中星微技术并不是因为今天AI火了才突然提出异构计算。施清平透露，公司大约十多年前就提出了XPU多核异构架构。当时，这个方向显然没有今天这么大的产业关注度。

原因并不复杂。过去的AI应用相对简单，很多视觉任务依靠专用算法、小模型或者传统视觉处理器即可完成。计算任务的类型没有今天这么复杂，也没有今天这么多实时交互和多模态需求。

但今天不同。AI开始从“识别一个目标”，走向“理解一个环境”。从摄像头识别一辆汽车，到机器人根据视觉信息决定下一步动作，中间已经增加了大量计算环节。感知、理解、推理、决策、控制，正在被放进同一个系统。

计算需求自然也从单一变成了多元。这也解释了为什么今天包括英伟达等厂商都在强化CPU与GPU之间的协同。施清平认为，产业正在逐渐意识到一个问题：未来的AI系统很可能不会长期依赖一种计算架构包打天下，而是会根据不同任务，把多种计算架构组合起来。

因此，从这个角度看，中星微技术十多年前提出的XPU，并不是一个“追赶AI热点”的概念。更准确地说，是AI产业今天的发展阶段，让此前的一种架构思路重新获得了现实价值。

这里还有一个容易产生误解的地方。异构架构并不意味着所有计算内核都必须自己从零设计。事实上，中星微技术采取的是一种更现实的策略。

施清平表示，CPU等通用计算内核没有必要重复造轮子。例如ARM等成熟CPU IP已经拥有完整的技术体系和软件生态，中星微技术会采用授权IP；而在NPU、ECU以及VPU等部分，则进行自研。

这种选择背后其实体现了国产芯片公司越来越现实的一种产品逻辑：真正需要形成差异化的地方自己做，不需要重复建设的部分借助成熟生态。这对于端侧芯片尤其重要。

因为端侧AI不是只比拼某一个IP的性能，而是需要同时考虑成本、功耗、软件、生态和开发周期。如果所有东西都从零开始自研，最终可能形成一个技术上“什么都有”、商业上却很难落地的庞大工程。

反过来，如果所有东西都依赖外部IP，又很难形成真正的架构差异。因此，XPU的价值恰恰在于中间这一层：利用成熟通用计算内核，同时把真正影响系统效率的异构调度、数据流和专用计算能力掌握在自己手中。

如果说数据中心AI最重要的指标之一是算力，那么端侧AI必须把另两个词放到同样重要的位置：功耗和成本。这是中星微技术目前面对的现实。施清平提到，端边侧芯片在制造层面并不存在一条完全不同的技术路线，先进制程当然能够帮助降低功耗，但最终还是需要芯片架构和制程共同作用。

尤其是无人机等场景，对重量、功耗、散热的要求更为苛刻。这也是为什么端侧AI不能简单复制数据中心的计算模式。在数据中心，一颗高性能GPU消耗较大的功耗可能是可以接受的，因为它对应的是更高的计算吞吐。

但如果一颗无人机芯片为了获得更高算力，带来了更大的电池和散热系统，最终可能得不偿失。因此，端侧AI需要的并不一定是“最强”的计算芯片，而是：在特定功耗和成本约束下，把每一瓦功耗转换成尽可能多的有效智能。

这实际上给异构架构留下了空间。让NPU处理神经网络，让VPU负责视频，让CPU处理通用任务，再让专用安全单元负责加解密，而不是让一个通用计算单元承担所有任务，本质上就是在提高系统级能效。

如果只看AI芯片，中星微技术的另一个特点可能更容易被忽略。那就是它没有把视觉理解成一个单纯的“识别问题”。他表示公司目前已经在工业视觉领域展开应用，并将SVAC国家标准与芯片能力结合起来。

施清平举了一个非常典型的例子：工业生产、煤矿等场景中的视频造假。过去谈视频安全，很容易理解成“给数据加密”。但真正的工业安全远比加密复杂。例如现场存在两套系统，一套用于真实生产，一套用于展示。即使视频进行了加密，如果数据本身无法证明真实性，那么加密也无法解决问题。

因此，中星微技术希望解决的是另一个问题：如何让视觉数据本身变得可信。在生产线上，一个产品可能需要经过五六道工序。如果能够把视频、生产数据等不同维度的信息融合，并结合数据签名技术，就能够形成一套更加完整的数据溯源体系。

这意味着，视觉芯片的能力开始从“识别物体”向“记录真实世界”延伸。这对于工业互联网尤其重要。因为未来的工业AI，不只是要告诉系统“看到了什么”，还要回答：什么时候发生的？在哪里发生的？经过了哪些流程？数据有没有被修改？从这个角度看，AI视觉和安全技术并不是两个孤立的方向。当视觉系统越来越多地参与工业决策，数据可信度本身就成为AI系统的一部分。

这种思路也延伸到了中星微技术提出的“星元智能体”。过去做视觉AI，一个场景往往对应一个模型。一个模型解决一个问题，需要单独采集数据、训练和部署。这种方式的最大问题是扩展成本。

如果要覆盖100个场景，理论上就可能需要大量独立模型。而中星微技术现在尝试的方式，是把前端的泛化识别和后端的大模型能力结合起来。

施清平将其形容为：前端初筛，后端细筛。前端负责快速、广泛地识别，后端通过大模型进一步理解和判断。目前公司已经有十几个模型处于部署和应用阶段，并认为这种泛化能力未来可以覆盖更多场景。这背后其实对应的是AI视觉从“小模型专用化”向“模型泛化化”的变化。

过去：一个场景 → 一个模型。未来可能逐渐变成：泛化感知 → 数据理解 → 大模型推理 → 场景决策。一旦这个范式成立，芯片架构也必须跟着变化。因为后面的计算已经不再是单纯的CNN或者Transformer计算，而可能同时包含视频处理、传统视觉、神经网络、知识检索、数据安全和任务调度。

这正是XPU这种异构架构真正可能发挥价值的地方。

值得注意的是，中星微技术并没有把自己的竞争力完全押在芯片性能上。施清平反复强调的另一个关键词是：标准。

尤其是SVAC标准。这实际上形成了中星微技术比较特殊的“双轮驱动”：一边做芯片，一边做标准和应用生态。对于一家芯片公司而言，这种策略有一个很现实的价值。

如果只提供芯片，就需要等待市场来定义芯片应该怎么用。但如果同时参与标准、应用和生态建设，就有机会把芯片能力嵌入行业需求之中。尤其是在智慧城市、公共安全、工业视觉、能源、生态环保等领域，芯片并不是最终产品。

真正的产品是一个完整的系统。因此，芯片只是其中一个环节。这也解释了为什么中星微技术并没有把自己简单定义为一家“AI芯片公司”。从它目前的路径来看，它更像是在做：视觉感知芯片 + 异构计算架构 + 数据安全 + 行业标准 + AI应用，这样一套组合。

当然，XPU并不是没有挑战。最大的挑战恰恰在于：架构创新最终必须通过产品和生态证明。异构架构越复杂，对软件栈、编译器、调度系统和开发工具的要求就越高。CPU、GPU、NPU、VPU之间如何分工？什么任务交给哪个核？数据什么时候搬运？不同计算单元之间如何减少等待？模型如何映射到不同计算资源？这些问题如果解决不好，理论上的异构优势就可能被软件开销抵消。

这也是中星微技术下一阶段需要持续回答的问题。施清平透露，XPU还会继续演进，并将进一步引入新的AI技术和模型机制。尤其值得关注的是，公司正在考虑如何将知识驱动、检索机制等新的模型技术与芯片架构结合，并尝试降低大模型幻觉。

这一点对于工业AI尤其重要。消费级AI偶尔回答错误，用户可能重新问一次。但工业控制、工业视觉甚至无人机等场景，一次错误判断可能意味着生产事故或者任务失败。所以，在这些场景里，AI芯片的竞争最终可能不只是：

谁算得更快？而是：谁能够让AI在有限功耗下算得足够快，同时保证结果足够可靠？这会把芯片竞争从单纯的计算性能，进一步拉向系统级实时性、安全性和可靠性。

AI芯片的下一场战争，可能是“怎么协同”，而不是“谁更强”

过去几年，AI芯片产业最容易理解的一条逻辑是：模型越来越大 → 算力需求越来越高 → GPU越来越重要。这条逻辑今天依然成立。但当AI真正进入物理世界之后，另外一条逻辑正在逐渐浮现：场景越来越复杂 → 计算任务越来越异构 → 单一计算架构越来越难包打天下。这可能就是中星微技术坚持XPU十多年之后，今天重新获得产业关注的原因。

它并没有试图回答“如何做一颗比GPU更强的GPU”，而是在尝试回答另一个问题：当一颗芯片需要同时理解视觉、运行AI、处理数据、完成控制并保证安全时，应该怎样组织计算？这也是端侧AI与云端AI最根本的区别之一。

云端可以用规模换效率，端侧却必须在性能、功耗、成本、实时性和安全之间找到平衡。因此，未来端侧智能的竞争，未必是一场单纯的TOPS竞赛。它更可能是一场系统工程的竞争：谁能把CPU、GPU、NPU、VPU、安全单元以及内存和总线真正组织成一个高效的整体，谁才更有机会把AI从“能运行”推进到“能落地”。

从这个角度重新看中星微技术的XPU，会发现它真正押注的并不是某一代AI模型，而是一个更长期的判断：AI进入物理世界之后，芯片也必须从“计算器”变成“计算系统”。

而这，可能才是下一阶段端侧AI芯片真正值得关注的竞争。