与其在现有设计上修修补补，VSORA选择从零开始打造一款AI芯片，以解决真正的瓶颈：如何足够快地搬运数据，让数字运算电路始终保持忙碌。
在芯片行业，有一个关于AI硬件的故事，业内几乎人人都耳熟能详。一家初创公司凭借巧妙的设计拿到融资，承诺要推翻英伟达这个统治AI硬件的巨无霸，然后在完成设计到第一批真正芯片从工厂回片的某个环节，得到一个惨痛教训。困难的部分从来不是搭建做数学运算的电路，而是围绕它的一切：所有人已经在使用的软件，以及为了让那些数字电路保持忙碌而不断与数据搬运速度搏斗。
VSORA的历史基因
VSORA是从问题的另一端切入的，这种反向思路，正是这家公司最有趣的地方。
其创始人曾在一家名为DiBcom的公司工作了大约十年，并在这家公司成为移动电视芯片领域的全球领导者。这种芯片让手机、手持设备、汽车和消费级PC设备能够接收实时电视信号。后来，两家德国大型汽车制造商给了他们一项艰巨任务：打造一颗可配置以适应其销售汽车所在不同全球标准的单一芯片。当时每种标准都有自己的专用芯片组，而DiBcom用单一解决方案取代了它们。
没有任何现成芯片能做到这一点。这类任务通常使用的工具是数字信号处理器（DSP），一种为处理音频、视频或无线电数据流而构建的芯片，但市场上没有一款足够灵活，也没有足够的算力。于是团队自己造了一款。那是一颗拥有约100种操作/指令类型的处理器，可在其时钟的一个节拍内执行，并配套定制软件来编程。要让一颗芯片如此灵活且运行如此之快，意味着要解决巨大的协调问题：让每个操作保持同步、管理芯片内的工作流，并在正确时刻把数据路由到正确位置。
用团队自己的话说，这是一场“噩梦”，但它奏效了。在最终解决方案之前，DiBcom设计过多颗数字和射频芯片，总计完成了14次流片。这段经历促使公司确立了推动未来开发的两条原则：为长远而设计，并建立在开放、广泛共享的软件基础之上。
2015年，DiBcom的核心团队重新集结，成立了VSORA，旨在设计一种先进DSP解决方案，并以LLVM作为骨干编译器。2017年，相关IP发布，与汽车行业人士的讨论也在这一时期开始。2018/2019年，他们的汽车合作伙伴推动他们转向机器学习。
VSORA的DSP已经覆盖了所有AI推理的大约90%
团队没有预料到的是，这个DSP核心竟能如此完美地映射到人工智能上。他们盘点了AI芯片所需的能力，发现其中大约90%他们已经造好了：密集的乘加电路阵列（几乎所有AI数学最终都可归结为这一单一操作）、一次性搬运大量数据的能力，以及维持两者供应的内部管线，见图1。
这种重合的方向才是关键。AI芯片的核心是一组电路阵列，它们都做同一件简单的事：把两个数相乘，把结果加到一个累计值上，并一遍又一遍同步执行。它极其强大，但重复且可预测。DiBcom已经造出的电视芯片才是更难的机器：灵活、可重构、同时做许多不同的事，并让它们全部保持协调。先解决了更难的问题之后，团队意识到，一颗高效的AI芯片并不是一次跃入全新领域，而是从他们已经深刻理解的硬件自然迈出的下一步。
图1：VSORA从其原始DSP设计中继承的架构优势
接下来的战略值得理解。构建和使用AI模型包含两个截然不同的阶段。训练是一次性的、极其昂贵的过程，用来教会模型，而正是在这个阶段，英伟达的软件，具体来说，是一套几乎所有人都用来编写AI程序的工具集CUDA赋予它对客户近乎牢不可破的掌控。推理则是每次你实际使用训练好的模型来回答问题、生成文本或做出决策时发生的事情。推理全天候持续运行，规模巨大，而AI日常运行的真实成本正是在这里决定的。
对部署同样重要的是，VSORA的软件栈可以通过将模型从PyTorch等熟悉的框架导出到ONNX，再经由VSORA基于开源LLVM编译器构建的专有编译器处理，从而在VSORA处理器上运行现有模型。该编译器会优化模型，并为VSORA的张量处理核心和DSP核心生成硬件专用代码，因此无需像CUDA那样手写底层GPU内核。
VSORA避开了它赢不了的训练之战，直接瞄准推理。而且它瞄准的是那个领域最大的单一瓶颈，工程师称之为“内存墙”。问题在于：现代AI芯片做数学运算的速度，远远快于它获得所需数据的速度。于是，昂贵的数学电路大部分时间都闲置着，等待模型数据从内存中送达。VSORA优先考虑的不是规格表上最抢眼的峰值速度，而是真正重要的数字：芯片在实际工作中能交付额定速度的多少。
VSORA的Jotunn8：从设计到硅片
这种方法如今由一颗真实、可工作的芯片支撑，名为Jotunn8。它基于先进的5纳米制造工艺，处理器与其内存共同封装在一个2.5D chiplet模块中。它在FP8精度下的额定峰值为3.2 petaFLOPS，即每秒3.2千万亿次数学运算，并配备288GB快速内存。该设计于2025年10月发送至工厂，合作伙伴是制造专家GUC和台积电（全球领先的芯片制造商），首批实体芯片于2026年5月回片。目前，性能表征正在进行中。
回报体现在效率上。VSORA声称，Jotunn8在真实工作负载下能让其数学电路有效忙碌的时间超过50%。相比之下，传统GPU在同样受内存限制的工作负载上，通常只能交付其额定峰值的10%或更少，在电路空等时仍在烧电烧钱。VSORA还报告称，与领先GPU运行推理相比，其功耗不到一半。
据VSORA称，这一结果使VSORA跻身少数能够达到最高级别数据中心AI推理能力的公司之列，并使其成为该级别中唯一的欧洲玩家。
2026年7月的一轮融资由投资公司Ardian领投，Otium、欧洲创新委员会基金以及其他新老投资方参与，目前正在为把芯片送到客户手中的推进提供资金。
结论
这些设计能否在实践中胜出，将和这类事情一贯的结局一样，在未来一年真实数据中心的机架中见分晓。但其逻辑是自洽的。一支资深团队凭借在复杂、灵活芯片设计方面的深厚专长，绕开了一场它没有胜算的软件战争，并把公司押在一个朴素的经济逻辑上：这将决定AI能否继续增长，而不让其成本失控飙升。
原文链接：https://semiwiki.com/semiconductor-manufacturers/vsora/373568-rethinking-ai-chips-how-vsora-redesigned-the-hardware-that-runs-ai/
高端微信群介绍 | |
创业投资群 | AI、IOT、芯片创始人、投资人、分析师、券商 |
闪存群 | 覆盖5000多位全球华人闪存、存储芯片精英 |
云计算群 | 全闪存、软件定义存储SDS、超融合等公有云和私有云讨论 |
AI芯片群 | 讨论AI芯片和GPU、FPGA、CPU异构计算 |
5G群 | 物联网、5G芯片讨论 |
第三代半导体群 | 氮化镓、碳化硅等化合物半导体讨论 |
存储芯片群 | DRAM、NAND、3D XPoint等各类存储介质和主控讨论 |
汽车电子群 | MCU、电源、传感器等汽车电子讨论 |
光电器件群 | 光通信、激光器、ToF、AR、VCSEL等光电器件讨论 |
渠道群 | 存储和芯片产品报价、行情、渠道、供应链 |
< 长按识别二维码添加好友 >
加入上述群聊
带你走进万物存储、万物智能、
万物互联信息革命新时代
