返回资讯中心
外部精选
ai-models
#大模型#国内动态#资讯#AGI芯片#朱松纯#通研院

龙芯、海光老兵集结,通研院孵化的AGI芯片公司浮出水面!半年连融数亿元

杨立昆、李飞飞都在追问的事,通芯智能想用一颗芯片来回答。

量子位思邈2026/11/16 · 2 天前4 分钟阅读中文

以下正文同步自 量子位,版权归原站所有,已转换为易读排版。

GPU研发之初,有图形渲染可以对标,AI加速器有矩阵乘法可以优化。轮到AGI芯片,模型路线仍有分歧,计算需求尚未定型,观察现状并不能得出答案。

需求还在变化,硅片上该放什么,必须有一套判断依据。通芯的起点,是朱松纯团队提出的CUV框架。

朱松纯教授是马尔奖、赫尔姆霍兹奖得主,在视觉、认知与机器人的交叉地带做了三十年研究。他的团队今年发表在《Engineering》上的CUV框架,将智能体的三个方面纳入统一框架:认知架构(C)、能力体系(U)和价值体系(V)。在这其中:

CUV这一框架把看见什么、能做什么、应该怎么做都放到同一个决策过程中。驱动智能成长的是“想要什么”,而非“喂了多少数据”。

这些问题,朱松纯团队早在2020年就已在论文中讨论过。在深度学习如日中天的时代,朱松纯教授和团队就把“小数据、大任务”写成了论文,功能、物理、意图、因果、效用等五样像素里看不见的东西,被他们叫作视觉的“暗物质”。

六年后,世界模型和空间智能成了显学,行业开始追问AI怎么理解一个动作会带来什么后果。而这个问题,朱松纯和团队早已划过重点。

值得一提的是,“小数据、大任务”强调利用物理规律、常识等先验知识,以较少的训练数据应对更广泛的任务。这些知识,相当于帮助机器理解世界的一份说明书。

以为客人倒水为例,按通芯的设计思路,机器人可以将杯子、水源和客人的位置关系组织成解析图,再围绕送水目标规划动作,调用取杯、接水和移动等技能,最终把水送到客人手中。

送水途中,如果客人换了位置,就保留仍然有效的信息,更新受影响的状态和路径,减少重复计算。

芯片在此过程中需要完成更加具体的工作:存储当前状态与目标状态,访问对象之间的关系,执行概率计算,比较不同方案,调度相应技能。这些过程都需要落实为可执行的算法,再拆成基础运算,也就是算子。

通芯的工作,是从这些算子中识别适合加速的部分,进一步定义计算单元、存储和数据通路。

向量和张量运算,是大语言模型的重要计算基础,这是GPU的主场。要在真实世界里行动的智能体,得反复回答“这么做会怎样、值不值得做”:在图上推理物体之间的关系,对不确定的情况做概率推断,推演物理后果,再给每个候选动作打分。

所以在通芯的定义里,AGI芯片不是一颗更快的GPU。它在向量、张量之外加了一层新的运算类型,多出来的是结构,并不是单纯增加算力。

落实到通芯的芯片方案,该公司规划了Vector、Tensor与AGI Core三类单元。Vector和Tensor负责向量、张量计算,支持CNN、Transformer等主流模型架构;AGI Core则面向基于解析图的逻辑、因果、价值推理及概率计算,设计专用加速能力。

通芯AGI Core瞄准的这些计算需求,也不约而同地出现在业界其他团队的研究路线里。

李飞飞的空间智能关注机器如何理解三维环境,DeepMind的图网络则用实体和关系来组织信息。面对信息不完整的情况,DARPA支持的概率编程尝试结合已有知识,用更少的数据完成推断;Pearl的因果理论则进一步追问,改变一个条件会带来什么结果。Silver、Sutton等人在《Reward is Enough》中提出,智能体通过试错追求回报,有可能发展出感知、学习、推理等多种能力。

在通芯看来,图结构的存储与处理、概率和因果推断、对行动结果的评估,都有值得专门加速的部分,AGI Core也据此规划了相应的计算单元。朱松纯教授的理论体系提供了一个明确的出发点,通芯希望从中提炼出能被更多模型使用的计算能力。

正文由 探How 从来源站点 RSS 同步,内容未经改写;遇到排版缺失或需要图片、视频时请以原文为准。

打开原文
去社区讨论 →