软件定义AI算力？「百亿独角兽」东方算芯终于亮牌

成立刚满两年，估值已经跨过百亿门槛，直到今年7月才正式对外亮相。在此之前，东方算芯这家AI芯片独角兽，在圈内一直带着几分神秘色彩。

一边是董事长兼CEO魏少军，这位在半导体产业和学界深耕多年的老将，曾任清华大学教授、中国半导体行业协会副理事长；另一边，则是国家人工智能产业基金、张江高科、高瓴、美团、小米、京东、滴滴等一众资本和产业方，累计超百亿的融资规模。这种配置，想不引人关注都难。

然而，外界能看到的技术和产品信息一直寥寥。直到最近，这家公司才正式上线，放出第一代产品DF1000的具体信息。

7月13日，在WAIC 2026前夕，东方算芯举办了一场关于“软件定义算力芯片、系统及路线图”的发布会，正式推出了软件定义近存计算3D芯片DF1000，同时公布了基于该芯片的大规模智算系统和后续产品演进路线。DF1000是这张路线图上的第一张王牌，而后续的DF2000、DF3000，目标直指采用4nm工艺的英伟达H200和B300。

图片来源：雷科技

DF1000这颗芯片，基于14nm工艺打造，面向大模型训练、推理和智算集群场景。单卡BF16峰值算力达到520 TFLOPS，支持多种数据精度；显存带宽达到6.4 TB/s，并支持AFD分布式推理。加速卡遵循OAM 2.0规范，可以适配国内主流OEM厂商的AI服务器，同时也支持风冷和液冷两种形态。

与传统的AI加速芯片不同，DF1000的核心思路并非单纯堆砌计算单元，而是试图将计算单元尽可能靠近存储，从而减少大模型运行过程中，因反复搬运数据而产生的带宽和功耗压力。

说实话，单看520 TFLOPS的算力，在当下并不算特别夸张。真正有意思的，是那个6.4 TB/s的显存带宽。

大模型在训练和推理时，大量时间和能耗其实都耗在了数据搬运上。计算单元得不断从内存里取数据，算完再写回去。模型越大、上下文越长、并发越高，这个“内存墙”的问题就越发突出。所以，AI服务器的竞争，早已不只是计算单元数量的比拼，更是数据能否更快、更省电地喂给计算单元的问题。

东方算芯给出的解法，是3D近存计算。

以第一代产品DF1000为例，它通过Hybrid Bonding（混合键合）技术，将逻辑层和DRAM层垂直堆叠，把互连间距从数十微米压缩到亚微米级。存储单元并没有直接负责计算，但离计算单元更近了，数据搬移更快，功耗和延迟也自然降了下来。

图片来源：雷科技

DF1000的另一条主线，是“软件定义”。通俗点说，东方算芯用可重构计算阵列和数据流架构，根据模型、算子和精度，动态重组计算通路，试图在GPU的通用性和ASIC的高效率之间，找到一个平衡点。

这种灵活性，在当前环境下确实至关重要。面对DeepSeek、GLM、Qwen等模型的快速迭代，AI芯片如果设计得过于固化，很容易被模型架构甩在身后；但如果只追求通用性，又很难在能效上建立起优势。

这，也正是东方算芯敢于对标英伟达的底气所在：用国产成熟工艺，靠软件定义和近存计算3D架构，来绕开最先进制程的限制。

不拼晶体管数量，拼有效算力。

图片来源：雷科技

不过，软件定义芯片，最难的往往也是软件。国产AI芯片从来都不缺亮眼的峰值参数，但真正进入客户场景后，难点常常出现在模型迁移、算子适配、框架兼容、集群稳定性，以及运维工具这些环节上。

所以，这次东方算芯并非只发布了一颗芯片，还同步推出了自主软件栈CAAP。此外，发布会现场还展示了基于DF1000打造的128卡集群以及服务器。其中，液冷服务器单机可支持8张DF1000加速卡，采用Full Mesh全互联架构，单卡Scale Up带宽达到900 GB/s；多台服务器还能通过Scale Out网络组成更大的集群。

图片来源：雷科技

这其实非常贴合当前AI算力行业的真实需求。大模型要真正跑起来，卡间互联、集群调度、通信库和故障恢复这些环节，都会直接影响最终效率。对客户而言，买到一张卡只是开始，能否组成一个稳定、好用的算力系统，才是真正的挑战。

在这种背景下，继续讲“追赶英伟达”的故事当然没错，但显然已经不够。国产AI芯片需要新的技术路线，也需要新的评价体系。如果只盯着制程节点和峰值算力，很可能看不懂接下来这场竞争的关键所在。

从这个角度看，东方算芯这次发布的核心，其实是给国产高端算力提供了一套试图绕开先进制程、海外HBM和CUDA路径依赖的新打法：用14nm成熟制程保障制造，用软件定义近存3D芯片打破带宽墙、内存墙和功耗墙，再以服务器和集群的形态完整交付。

接下来，就看落地了。520 TFLOPS和6.4 TB/s终究只是账面参数，DF1000在真实模型上的性能表现、软件栈的成熟度、集群扩展的效率和客户的部署情况，这些才是决定这家百亿独角兽能否真正接住外界期待的关键。