芯动力与联想携手打造独立加速器（dNPU）解决方案，赋能AI PC浪潮

随着DeepSeek效应持续让AI产业巨震，其在提供出色性能的基础上，降低了对于算力的需求，可使AI更高效、更低成本地部署在端侧设备，既而推动AIoT从“万物互联”迈向“万物智联”的同时，也为边缘AI“主力军”AI PC的端侧部署大模型提供了全新的解题思路。

据IDC预测，AI PC在中国PC市场中新机的装配比例将在未来几年中快速攀升，将于2027年达到85%，成为PC市场主流。市场总规模将从2023年的3900万台增至2027年的5000万台以上，增幅接近28%。

众所周知，端侧大模型的快速演变对AI芯片性价比和适配能力提出了更高的要求，AI PC中的AI生成任务对计算资源和处理能力的要求不尽相同，需要从以通用计算为核心的计算架构向更加高性能的异构AI计算架构升级，让CPU、GPU和NPU等不同的计算单元“各司其职”协同作战，赋能AI PC增强的生成式AI体验。在这一过程中，AI芯片重任在肩，而究竟哪类芯片能担当重任呢？

作为PC界的龙头，联想给出了自己的答案。在2025年3月3日在西班牙巴塞罗那的MWC Barcelona2025盛会上，联想展示了全面升级的AI PC。新款AI PC首次采用国内珠海市芯动力科技有限公司基于可重构并行处理器RPP的AzureBlade M.2加速卡，并将其命名为dNPU，不仅显著提升了推理速度和整体性能，让系统运行更加流畅，而且还显著降低了系统整体功耗，实现了高效运行和节能降耗的双重目标和双重优化。

“dNPU代表了未来大模型在PC等本地端推理的技术方向和趋势。”上述负责人强调。

端侧AI算力追求极致性价比 GPGPU站上舞台中央

随着大模型为主的生成式AI技术取得快速发展，各大PC厂商不仅在积极探索全新的AI PC形态，为推动大模型推理快速高效实现也在积极采纳和部署强劲的AI芯片。

传统AI PC解决方案是在CPU中嵌入iNPU，在运行大语言模型时，通常依赖GPU进行加速，iNPU只有在特定的场景中才能被调用。然而，GPU在处理大模型时可能会面临一些性能瓶颈，如GPU的架构虽然适合并行计算，但在处理深度学习任务时，会导致资源利用率不足或延迟较高。此外，GPU在推理阶段的功耗相对较高。

而且在群雄逐鹿的通用GPU市场中，面临着英伟达、英特尔、AMD等巨头的强大竞争，国内厂商要在重重壁垒中开辟自己的天地，需要独辟蹊径，打造全生态。芯动力敏锐地观察到，高性价比是边缘计算核心要求，且性能与TOPS不直接挂钩，不同计算阶段对性能要求不同，采用探索创新型的计算机架构的GPGPU是解决通用高算力和低功耗需求的必由之路，并已成为业界共识。

基于这一深刻洞察，芯动力推出了可重构并行处理器（RPP）架构，通过底层创新RPP架构，解决了高性能与通用性难兼以得的矛盾，利用数据流结构来避免了数据反复调用带来的效率损失。并且芯动力具有编译器、运行时环境、高度优化的RPP库，可全面兼容CUDA的端到端完整软件栈，从而实现边缘AI应用的快速高效部署。

基于上述架构和设计创新，芯动力开发了AzureBlade M.2加速卡集成的AE7100芯片，作为一款高能效GPGPU，相比传统GPU，针对神经网络的计算特点进行了优化，通过集成大量专用的计算单元（如矢量内核或神经加速器）和片上内存，可高效处理矩阵乘法和卷积等操作，从而在通用性、低时延、低功耗、低成本和快速部署等方面展现出显著优势，成为解锁端侧各大模型的关键，并成为联想AI PC落地的新动能。

（AI NOW不做大模型推理：右侧 GPU usage 和 dNPU 占用率均为 0%）

（AI NOW进行大模型推理：右侧 GPU usage 仍为 0%，dNPU 在 40% 上下波动）

“一是系统运行更丝滑。dNPU 在执行深度学习任务时，无需占用CPU、显存或GPU资源，这种设计不仅最大限度地减少了对传统GPU和显存的依赖，还通过dNPU的高效计算能力，显著提升了推理速度和整体性能，让系统运行更加丝滑流畅，大幅提升用户体验。二是低功耗优势。通过实测，在未启用AI NOW推理时，CPU的功耗仅为 7.52W，而推理时功耗上升至14.88W。dNPU的架构设计赋予其低功耗的特性，同时释放了原本由GPU占用的高功耗资源，进一步优化了系统能效，不仅实现了推理任务的高效执行，更显著降低了系统整体功耗，为用户带来性能与能效的双重优化体验。”联想工作人员介绍dNPU在处理大模型时的显著优势时表示，“因而，联想AI PC在AI计算、AI扩展、多模态交互、智能化等层面，均实现了显著的提升。”

凭借芯动力的底层创新、深厚积淀和积极拓展，不仅在AI PC领域取得了开门红，在同样广阔的泛安防/边缘服务器、工业影像/机器视觉、信号处理/医疗影像、机器人等边缘AI应用市场都已有众多应用落地，并与众多重要企业达成了战略合作。

这些市场的广阔发展前景也在徐徐展开，以安防IPC芯片市场为例，2026年全球规模将达 10.9亿美元，2025全球3D视觉识别芯片市场规模将达27亿美元；在工业影像/机器视觉市场，芯动力RPP架构GPU可对标英伟达AI算力显卡+高端FPGA；针对泛安防/边缘服务器市场，国产边缘算力芯片之外提供新的选择；在信号处理市场，更是可直接替代国外高端DSP，而更多的客户合作和应用落地。

AI芯片实现高能效低功耗 加速卡成就“全武行”

芯动力开发的AzureBlade M.2加速卡被PC巨头联想成功合作，无疑再次佐证了芯动力RPP芯片的硬核实力。

具象来看，AE7100芯片作为此款M.2加速卡的核心，是芯动力基于RPP架构自主研发的AI芯片，其尺寸仅为17mm×17mm，堪称业界最小、最薄的GPU。它不仅可以轻松放入标准M.2卡，还具备强大的计算能力，支持32Tops算力。

集成了耀眼AE7100芯片的AzureBlade M.2加速卡，更是将高性能、低功耗、小体积的优势发挥到极致。它的尺寸仅为22mm×80mm，大约半张名片大小，却拥有高达32TOPs的算力以及60GB/s的内存带宽，功耗也可以做到动态控制。

值得一提的是，为将芯片融入笔记本电脑，芯动力还革新了封装技术，采用扇出型封装，实现了无基板的FC-BGA，实现了低成本先进封装。此封装方式提升了线密度至5微米，通过三层金属线设计减小了芯片面积，降低了芯片的厚度。优化了散热与电气性能，封装后的M.2卡为AI PC提供了dNPU解决方案。

众所周知，无生态不AI。而在软件层面，AE7100实现了从底层指令集到上层驱动的全面兼容，巧妙沿用英伟达软件栈，并进行了SIMT指令集、驱动层和开发库的优化，极大地提升了开发效率与逻辑实现的直观性。由于该加速卡兼容CUDA和ONNX，能够满足各类AI应用的多样化需求，其高算力和出色的内存带宽确保了数据的高效稳定处理与传输。

对于AI PC 来说，依靠本地算力能够推动更大参数规模的模型推理亦是AI PC功能实现的关键。而芯动力的M.2加速卡已可完美支撑大模型在AI PC等设备上的流畅运行，并且适配了Deepseek、Llama3-8B、Stable Diffusion、通义千问等开源模型。

在联想将芯动力RPP架构GPGPU命名为dNPU之际，也表明dNPU正成为推动AI PC蓬勃发展的关键驱动力，不仅能够提升AI模型的推理速度、降低功耗与提升能效，还可支持多样化的AI应用，推动AI PC的创新与落地。有判断称，未来dNPU极有可能如同当下的GPU一般，成为电脑的一项常规可选配置，一旦电脑配备dNPU，用户便能在终端设备上自由地提出问题，它会凭借强大的运算能力迅速给出精准解答。

从成本角度来看，传统做法是将dNPU集成到CPU中，这会导致成本大幅增加。以某大厂处理器为例，采用3NM工艺制造，其研发与生产成本极高，导致产品价格居高不下，而大多消费者对这种高成本的配置并没有强烈需求。与之相比，将dNPU作为独立的标准化插件，具有更高的性价比和灵活性。

届时，dNPU将作为标准化插件，广泛出现在市面上所有可选择配置的电脑机型中。无论是追求极致性能的专业人士，还是日常使用电脑的普通用户，都能从中受益。它将为各类用户提供强大的AI运算支持，极大地提升电脑在如智能语音交互、图像识别处理、数据分析预测等丰富多样的人工智能应用场景下的性能表现，为用户带来更为高效、智能的使用体验 。

持续精进RPP和适配大模型 迈向芯征程

所谓众行者远。芯动力作为联想AI PC产品dNPU方案的合作伙伴，不仅是对芯动力GPGPU创新性架构的最佳背书，还为AI PC等端侧设备提供了革命性支持，解决了大模型在端侧部署的关键技术难题。这一创新技术必将加速大模型在端侧设备的普及与应用，为行业创造前所未有的价值。

不仅如此，它在工业自动化、泛安防、内容过滤、医疗影像及信号处理等众多领域都展现出了广泛的应用潜力，为边缘AI的智能化发展提供了强大的动力。

展望未来，随着大语言模型向支持多模态、多专家系统的复杂模型转变，对存储能力和计算灵活性要求更高，可重构芯片以其低功耗和高灵活性将成为极具潜力的解决方案。

而且，算力产品与各类模型的适配将成为标准化的流程，模型适配程度将直接影响应用了算力产品的AI PC在模型推理方面的表现。同时，算力厂商不能只针对特定的应用进行调优，鉴于AI PC中应用将主要以插件的形式被大模型调用，对各类大小模型以及其调用的应用进行综合适配才最为重要。因而，AI算力厂商还要持续深入建立通用、兼容的AI开发框架，并降低大模型和应用开发适配门槛。

芯动力还观察到，边缘计算作为云端算力有效补充，是AI大模型落地的必然趋势。未来边缘AI时代加速到来，将渗透至物理世界各个角落，持续打造高性价比dNPU、适配DeepSeek等新型大模型等是AI芯片厂商的“马拉松”。芯动力将继续秉承创新精神，基于RPP架构实现算力及性价比的持续提升，还将推出基于RPP集成Chiplet的8nm R36 GPU，2027年将推出更高性能的3nm R72 GPU。同时，深入提升软件适配能力，强化对更大规模模型的支持，扩展智算生态合作圈，全面推动边缘AI技术的部署与落地。

DeepSeek的技术突破，使AI更高效、更低成本地部署在端侧设备，推动AIoT持续迈向“万物智联”。我们有理由相信，基于RPP架构的GPU及后续更高性能的迭代芯片不仅是AIPC加速处理器的理想选择，在对延迟、功耗和体积有着极高要求的边缘应用中也将持续绽放光芒。