兩個(gè)月融資兩輪，智子芯元盯上芯片里沒(méi)釋放的算力

買到一塊芯片，并不等于拿到了它標(biāo)稱的全部算力。模型真正跑起來(lái)時(shí)，還要經(jīng)過(guò)模型、框架、編譯器、算子和工具鏈的層層適配。任何一層沒(méi)有配合好，紙面參數(shù)都很難變成業(yè)務(wù)里的實(shí)際吞吐。

這并不是國(guó)產(chǎn)芯片獨(dú)有的問(wèn)題。放到更大的背景里看，它是智能時(shí)代的一個(gè)系統(tǒng)性矛盾。智能本身正在成為新的生產(chǎn)力，對(duì)計(jì)算的需求一路高漲，而硬件靠制程和堆芯片來(lái)提性能，成本越來(lái)越高，也越來(lái)越貼近物理極限。隨著算力的增長(zhǎng)追不上需求，計(jì)算效率能不能再上一個(gè)臺(tái)階，就成了整個(gè)計(jì)算產(chǎn)業(yè)繞不開(kāi)的命題，用軟件把已經(jīng)造出來(lái)的硬件用得更充分，是其中最現(xiàn)實(shí)的一條路。

用軟件釋放算力這件事，往遠(yuǎn)看不只關(guān)乎AI計(jì)算，科學(xué)計(jì)算、工業(yè)仿真、金融建模這些計(jì)算密集的領(lǐng)域都需要同樣的能力。而當(dāng)下這件事最迫切的地方，是國(guó)產(chǎn)芯片這一端。生態(tài)起步較晚、技術(shù)路線又多，從理論算力到有效算力之間的那條軟件鏈，往往比硬件參數(shù)本身更難補(bǔ)齊。

深圳公司智子芯元過(guò)去兩個(gè)月圍繞這件事連續(xù)完成兩輪融資，規(guī)模近億元，最新一輪天使+輪融資由鼎峰科創(chuàng)（武岳峰創(chuàng)投）、英諾科創(chuàng)基金、首程資本領(lǐng)投，老股東同創(chuàng)偉業(yè)等超額追投。它做的事可以叫AI for Computing，具體來(lái)說(shuō)是用AI優(yōu)化AI計(jì)算本身，讓能掌控計(jì)算系統(tǒng)的智能體接手原本依賴工程師的適配和調(diào)優(yōu)，把芯片的理論性能變成穩(wěn)定可用的有效算力。

算力堵在軟件這頭

讓一個(gè)模型在一塊芯片上又跑得起來(lái)、又跑得快，要克服從軟件到硬件各層級(jí)的復(fù)雜挑戰(zhàn)。應(yīng)用和模型大多原生在英偉達(dá)的CUDA生態(tài)里，需要做額外遷移適配；不同框架適配于不同的使用場(chǎng)景，各類框架對(duì)不同模型和硬件的支持參差不齊；再往下，算子的實(shí)現(xiàn)能在多大程度上貼合硬件特性，直接決定了芯片的算力能釋放幾成；更底下，不同芯片在指令、內(nèi)存和并行架構(gòu)上的差異，讓統(tǒng)一適配變得困難。任何一層沒(méi)打通，理論性能就卡在那里下不來(lái)。

算子常被單拎出來(lái)說(shuō)，因?yàn)樗庇^、問(wèn)題集中。但難的是模型、框架、算子、編譯器到硬件這一整條鏈的協(xié)同，牽一發(fā)動(dòng)全身，而能同時(shí)吃透這幾層的工程師極少，一個(gè)復(fù)雜任務(wù)調(diào)下來(lái)動(dòng)輒數(shù)周。

英偉達(dá)的優(yōu)勢(shì)不只來(lái)自GPU，近二十年里，英偉達(dá)把編譯器、算子庫(kù)、開(kāi)發(fā)工具和框架支持連成了一套成熟的軟件生態(tài)，開(kāi)發(fā)者的代碼和經(jīng)驗(yàn)都建立在它之上。即便在這套生態(tài)里，隨著軟件與硬件的加速更迭，各路開(kāi)發(fā)者也仍在踴躍進(jìn)行算法創(chuàng)新、框架優(yōu)化和算子開(kāi)發(fā)，讓計(jì)算芯片能夠在使用場(chǎng)景釋放出極限性能，是整個(gè)AI計(jì)算棧長(zhǎng)期的核心目標(biāo)。國(guó)產(chǎn)芯片面對(duì)的，除了硬件本身的競(jìng)爭(zhēng)，還有軟件生態(tài)側(cè)的巨大挑戰(zhàn)，起步晚、路線多，節(jié)奏被推得更急。

讓智能體追求極限性能

通用編程智能體首先解決的，是怎樣把需求變成可運(yùn)行的代碼。智子芯元對(duì)付的是更加系統(tǒng)的問(wèn)題，如何在計(jì)算系統(tǒng)的復(fù)雜度中找到需求實(shí)現(xiàn)的卡點(diǎn)，并且在功能都正確的成千上萬(wàn)種需求實(shí)現(xiàn)里，如何挑出在某塊芯片的某個(gè)實(shí)戰(zhàn)場(chǎng)景中跑得最快的那一個(gè)。功能對(duì)只是及格線，性能差異藏在巨大的組合空間里，靠人一點(diǎn)點(diǎn)試，既慢又碰運(yùn)氣。打個(gè)比方，通用編程助手更像輔助駕駛，需要人提出想法和把控流程，智子芯元想做得更接近自動(dòng)駕駛，讓智能體自主完成搜索、驗(yàn)證和迭代，把人解放出來(lái)。

辦法是把優(yōu)化變成一道能求解的數(shù)學(xué)題。大模型負(fù)責(zé)理解任務(wù)、給出候選方案，運(yùn)籌優(yōu)化負(fù)責(zé)在硬件的硬約束里搜最優(yōu)的參數(shù)和調(diào)度，每個(gè)方案最終都要放到真實(shí)芯片上編譯、運(yùn)行、做性能分析，代碼對(duì)不對(duì)、快不快，由實(shí)測(cè)結(jié)果說(shuō)了算，再據(jù)此修正下一輪。

智子芯元團(tuán)隊(duì)的理念是讓智能體接管九成以上的工作，從識(shí)別硬件、配置環(huán)境，到編碼、調(diào)試、調(diào)優(yōu)、出測(cè)試報(bào)告，整條流程自己跑完，人只留在設(shè)定目標(biāo)和最后驗(yàn)收這兩頭。按他的說(shuō)法，產(chǎn)品是按半年后更強(qiáng)的大模型來(lái)設(shè)計(jì)的，提前給它留出更大的自主空間。

運(yùn)籌優(yōu)化是這套辦法的數(shù)學(xué)根基。運(yùn)籌學(xué)研究的就是在大量硬約束下求最優(yōu)解，過(guò)去幾十年被用來(lái)排航班、優(yōu)化供應(yīng)鏈、規(guī)劃運(yùn)輸路線。芯片上的優(yōu)化是同一類問(wèn)題，分塊多大、循環(huán)怎么排、數(shù)據(jù)在內(nèi)存層級(jí)間怎么搬，本質(zhì)上都是帶有多重約束的最優(yōu)化問(wèn)題。把它和大模型的生成能力搭在一起，再將計(jì)算任務(wù)建模為算法空間，在精度和效率的約束下融合搜索新結(jié)構(gòu)，進(jìn)行算法自動(dòng)發(fā)現(xiàn)。這構(gòu)成了智子芯元技術(shù)路線的核心“大模型+運(yùn)籌優(yōu)化+算法自動(dòng)發(fā)現(xiàn)”，智子芯元依托這個(gè)技術(shù)路線了構(gòu)建國(guó)內(nèi)首個(gè)能掌握計(jì)算系統(tǒng)的智能體——KernelCAT。

一塊芯片上的完整調(diào)優(yōu)

先看一個(gè)貫穿全鏈的例子。KernelCAT給Deepseek OCR 2模型做昇騰遷移，準(zhǔn)備階段5分鐘自動(dòng)定位遷移問(wèn)題，自動(dòng)配置環(huán)境，形成遷移方案；執(zhí)行階段從框架適配、算子優(yōu)化到硬件在環(huán)驗(yàn)證一路打通，據(jù)智子芯元與華為聯(lián)合發(fā)布的數(shù)據(jù)，38分鐘跑通，4小時(shí)完成基于Vllm框架的高性能適配，讓該模型第一次成功運(yùn)行在昇騰的硬件上。類似的，KernelCAT已有多個(gè)成果已合并進(jìn)了華為昇騰的官方庫(kù)。

把DeepSeek、GLM、Qwen這些主流模型遷移至新的芯片，并優(yōu)化至擁有出色的開(kāi)箱性能，這是原本以月計(jì)的人工投入，而KernelCAT已經(jīng)把這類任務(wù)加速至2-3天甚至幾個(gè)小時(shí)，并在多家國(guó)產(chǎn)芯片上完成驗(yàn)證。

放到公開(kāi)測(cè)試集上來(lái)看，差距更直觀。在評(píng)估AI自動(dòng)生成算子能力的經(jīng)典榜單KernelBench上，KernelCAT取得了SOTA成績(jī)——正確率100%、平均加速比211.9%、幾何平均加速比288.5%，三項(xiàng)核心指標(biāo)均為榜首。

在面向昇騰算子的CANN-Bench上，據(jù)智子芯元的數(shù)據(jù)，KernelCAT跑的53個(gè)任務(wù)里只有1個(gè)報(bào)錯(cuò)，同等條件下最頂尖的幾個(gè)通用大模型分別報(bào)錯(cuò)6個(gè)、13個(gè)和42個(gè)。

KernelCAT并非針對(duì)單一榜單做專項(xiàng)優(yōu)化，而是憑借通用的底層能力自然地跨多個(gè)主流benchmark取得領(lǐng)先表現(xiàn)。

在算子生成之外，它也開(kāi)始參與算法層面的探索。DeepMind的AlphaTensor和FunSearch走過(guò)類似方向，用AI搜索新的算法結(jié)構(gòu)，智子芯元面對(duì)的約束更貼近工程現(xiàn)實(shí)，一個(gè)方案要同時(shí)滿足顯存、帶寬、并行和精度，還得在真實(shí)芯片上跑得更快。一個(gè)例子是，開(kāi)發(fā)GELU算子時(shí)它先用了硬件內(nèi)置的數(shù)學(xué)函數(shù)，發(fā)現(xiàn)在極端數(shù)值下精度不達(dá)標(biāo)，沒(méi)等人提示，就自己改用手寫(xiě)的多項(xiàng)式逼近，反復(fù)測(cè)到精度過(guò)關(guān)。

這些案例覆蓋了模型遷移、底層優(yōu)化和算法搜索，智子芯元希望把它們納入同一套可穩(wěn)定運(yùn)行并且迭代進(jìn)化的系統(tǒng)。

誰(shuí)會(huì)為有效算力買單

放到行業(yè)里，關(guān)注算力優(yōu)化的不止智子芯元一家。集群服務(wù)商、模型服務(wù)商、云廠商等已經(jīng)在token經(jīng)濟(jì)的浪潮下大顯身手，它們通常是在芯片已經(jīng)能用的前提上，將單點(diǎn)連成集群提供穩(wěn)定的算力調(diào)度服務(wù)。智子芯元?jiǎng)t押在AI智能體加運(yùn)籌優(yōu)化上，想要打造一把能夠更好更智能地挖掘算力金礦的鏟子，讓AI來(lái)優(yōu)化AI計(jì)算。

它要服務(wù)的，是一連串把理論算力變成有效算力的需求，這筆賬落到不同客戶身上，邏輯各不相同。對(duì)芯片廠，更優(yōu)的軟件加速生態(tài)，更好的模型適配和工具支持直接意味著吸引開(kāi)發(fā)者和拿下訂單。對(duì)云廠和算力運(yùn)營(yíng)商，服務(wù)器運(yùn)行所產(chǎn)生的有效算力越高，意味著直接省錢(qián)省電。對(duì)已經(jīng)買下國(guó)產(chǎn)設(shè)備的政企客戶，這筆賬更直接，原來(lái)跑不動(dòng)的模型跑起來(lái)了，原來(lái)排隊(duì)的任務(wù)能實(shí)時(shí)響應(yīng)，省下的不只是錢(qián)，也讓一批原本做不了的業(yè)務(wù)落了地。

眼下國(guó)產(chǎn)芯片替代是最直接的需求，再往后，等計(jì)算加速成為更多行業(yè)的標(biāo)配，市場(chǎng)邊界也會(huì)隨之?dāng)U大。高價(jià)值產(chǎn)業(yè)最終都會(huì)被“計(jì)算”重構(gòu)，誰(shuí)能持續(xù)提升計(jì)算效率，誰(shuí)就能釋放新的科學(xué)、工業(yè)和智能化生產(chǎn)力。智子芯元想做的，是智能計(jì)算時(shí)代中的一家軟件計(jì)算加速的基礎(chǔ)設(shè)施公司。

研究即產(chǎn)品

最近，創(chuàng)投圈熱議起一類被叫作Neo Lab的公司。它們既不像傳統(tǒng)的大學(xué)實(shí)驗(yàn)室或大廠研究院，也不像先找一個(gè)成熟市場(chǎng)再做產(chǎn)品的創(chuàng)業(yè)公司。它們做的，是把前沿研究、工程實(shí)現(xiàn)和商業(yè)化壓進(jìn)同一個(gè)組織，從一個(gè)還沒(méi)被驗(yàn)證的技術(shù)方向起步，自己把“不可能”推到“可能”、再推到“有價(jià)值”。它們盯的是一個(gè)足夠大的技術(shù)范式，而不急著先交出一個(gè)短期產(chǎn)品，研究密度本身就是競(jìng)爭(zhēng)力。

智子芯元的畫(huà)像正落在這里。運(yùn)籌、大模型和高性能計(jì)算這幾樣本屬不同領(lǐng)域的能力，被壓進(jìn)同一支隊(duì)伍，對(duì)著“AI for Computing”這一個(gè)問(wèn)題往下鉆，再加上運(yùn)籌優(yōu)化領(lǐng)域的羅智泉院士做顧問(wèn)，這種研究密度本身就更接近一個(gè)研究型組織。它要解的，是一個(gè)沒(méi)有現(xiàn)成答案的問(wèn)題——怎么用AI把芯片里沒(méi)釋放的算力摳出來(lái)，方法和路徑都還得自己摸索。

研究怎么做，產(chǎn)品就怎么長(zhǎng)。創(chuàng)始人丁添長(zhǎng)期從事人工智能、優(yōu)化算法與計(jì)算系統(tǒng)交叉方向研究，從大模型的訓(xùn)練優(yōu)化，一路做到讓AI自動(dòng)發(fā)現(xiàn)適配硬件的算子，創(chuàng)造出一個(gè)能掌控計(jì)算系統(tǒng)的AI智能體來(lái)解決計(jì)算加速問(wèn)題，幾乎是創(chuàng)始人研究路徑的必然結(jié)果。研究范式即產(chǎn)品范式，這是智子芯元的一大特點(diǎn)。

這種“研究直接變產(chǎn)品”并非孤例。FlashAttention當(dāng)年也是一篇算法論文，不動(dòng)一塊芯片，純靠重排注意力的算法把現(xiàn)有GPU的有效算力榨了出來(lái)，很快被幾乎所有大模型用上，研究和產(chǎn)品之間幾乎沒(méi)有距離。

在計(jì)算智能化的時(shí)代中，AI for Computing這條路也得一邊研究，一邊把方法本身發(fā)明出來(lái)，工程交付型或產(chǎn)品導(dǎo)向型的團(tuán)隊(duì)，很難從零蹚出這條路。這也能解釋，為什么做計(jì)算加速需要一支像智子芯元這樣的團(tuán)隊(duì)。

這些年，算力的競(jìng)爭(zhēng)幾乎都押在芯片本身，誰(shuí)制程更先進(jìn)、誰(shuí)的卡更多。但軟件不再只是硬件的配套，它本身正在成為算力的一部分，智子芯元押的，正是芯片之上這層長(zhǎng)期被低估的軟件?？ㄒ呀?jīng)買到了，能不能真正釋放智能時(shí)代的底層生產(chǎn)力，越來(lái)越要看誰(shuí)能把這層軟件做厚。