RISC-V,靠AI崛起

赛昉科技（SiFive）新近宣布完成 4 亿美元 G 轮融资，这标志着面向自主智能体 AI 数据中心场景的高性能 RISC-V 处理器开发，迎来了重要的技术拐点。本轮融资后公司估值达 36.5 亿美元，资金将专门用于加速下一代 CPU 知识产权核（IP）研发、软件生态成熟化以及超大规模部署落地。上述举措共同应对新兴算力瓶颈 —— 在日益异构化的 AI 基础设施中，传统架构难以在调度效率、扩展性与功耗限制之间取得平衡。

这笔投资背后的核心技术驱动力，是 CPU 在自主智能体 AI 系统中日益重要的地位。尽管 GPU 与专用加速器能为张量运算提供高吞吐率，但它们并未针对复杂控制流、任务调度与系统级协同进行优化。由多个交互推理循环、工具调用模块与动态决策树构成的智能体模型，需要低延迟调度与高效上下文切换。而具备可扩展指令集与可扩展向量运算能力的 CPU，尤其适合处理这类负载。RISC-V 的模块化架构允许厂商针对特定调度模式定制标量、向量与矩阵扩展指令，相比整体式的传统指令集架构能效更优。

从微架构角度看，其技术路线图重点在于将标量流水线与向量、矩阵计算单元深度耦合。这种协同设计通过减少异构计算模块间的数据搬运，降低内存带宽开销。将领域专用加速器直接集成到 CPU 结构中，可让 RISC-V 处理器高效运行混合负载 —— 即控制密集型逻辑与本地数值计算交替执行的场景。这对执行推理、规划与迭代优化任务的 AI 智能体尤为关键，这类任务需要频繁在符号运算与数值运算间切换。这种集成设计还能简化缓存一致性，降低因使用独立加速器带来的延迟损耗。

功耗效率是另一大核心技术考量。随着 AI 集群规模扩大，机房总功耗与热密度逐渐成为瓶颈。传统架构常依靠高主频与深度乱序执行流水线提升性能，导致能耗大幅上升。而 RISC-V 架构可通过面向特定负载的指令扩展与适度规模的流水线设计，实现更优的每瓦性能。这让数据中心运营商能在现有功耗预算内扩充算力，在 AI 训练与推理需求呈指数级增长的背景下至关重要。

融资投向的软件生态建设同样意义重大。扩大对主流操作系统与加速框架的支持，可确保新硬件无需大量移植工作即可部署。对 Linux 发行版与 GPU 互联技术的原生兼容，能够构建由 RISC-V CPU 统一调度 GPU 加速算力的异构集群。这种紧密耦合可提升调度效率、缓解主机侧瓶颈。此外，针对向量与矩阵扩展的标准化工具链与编译器优化，是充分释放硬件性能的必要条件。对软件基础设施的投入将加速超大规模厂商与企业用户的落地应用。

面向客户的支持举措也凸显出架构层面更广泛的协同设计趋势。超大规模云厂商越来越需要定制化 CPU IP 以打造差异化基础设施。与固定架构不同，RISC-V 支持集成私有加速器、专用存储层级与定制化互联逻辑。这种灵活性缩短设计周期，可根据不断演进的 AI 负载快速迭代。随着自主智能体 AI 系统日趋复杂，对 CPU 特性进行定制 —— 如硬件任务调度器、低延迟消息原语或领域专用向量单元 —— 将具备重要战略价值。

另一技术优势在于生态的开放性。开放标准促进芯片厂商、云服务商与软件开发者之间的协作。这种协作模式允许各方独立参与指令集扩展、验证框架与性能优化工具的开发，从而加速创新。长期来看，有望形成比肩成熟架构的强健生态，同时保留专业化定制的灵活性。

总结而言，本轮融资支撑三大相互关联的技术目标：推进高性能 RISC-V CPU IP 研发、拓展软件兼容性，以及实现其在 AI 数据中心的规模化部署。这些举措共同解决自主智能体 AI 负载带来的调度、能效与扩展性挑战。随着算力基础设施向异构化、功耗受限方向演进，集成向量与矩阵运算能力的可定制 CPU 架构，将在下一代 AI 系统中占据核心地位。

*免责声明：本文由作者原创。文章内容系作者个人观点，半导体行业观察转载仅为了传达一种不同的观点，不代表半导体行业观察对该观点赞同或支持，如果有任何异议，欢迎联系半导体行业观察。

加星标⭐️第一时间看推送