隨著DeepSeek效應持續讓AI產業巨震，其在提供出色性能的基礎上，降低了對于算力的需求，可使AI更高效、更低成本地部署在端側設備，既而推動AIoT從“萬物互聯”邁向“萬物智聯”的同時，也為邊緣AI“主力軍”AI PC的端側部署大模型提供了全新的解題思路。

據IDC預測，AI PC在中國PC市場中新機的裝配比例將在未來幾年中快速攀升，將于2027年達到85%，成為PC市場主流。市場總規模將從2023年的3900萬臺增至2027年的5000萬臺以上，增幅接近28%。

眾所周知，端側大模型的快速演變對AI芯片性價比和適配能力提出了更高的要求，AI PC中的AI生成任務對計算資源和處理能力的要求不盡相同，需要從以通用計算為核心的計算架構向更加高性能的異構AI計算架構升級，讓CPU、GPU和NPU等不同的計算單元“各司其職”協同作戰，賦能AI PC增強的生成式AI體驗。在這一過程中，AI芯片重任在肩，而究竟哪類芯片能擔當重任呢？

作為PC界的龍頭，聯想給出了自己的答案。在2025年3月3日在西班牙巴塞羅那的MWC Barcelona2025盛會上，聯想展示了全面升級的AI PC。新款AI PC首次采用國內珠海市芯動力科技有限公司基于可重構并行處理器RPP的AzureBlade M.2加速卡，并將其命名為dNPU，不僅顯著提升了推理速度和整體性能，讓系統運行更加流暢，而且還顯著降低了系統整體功耗，實現了高效運行和節能降耗的雙重目標和雙重優化。

“dNPU代表了未來大模型在PC等本地端推理的技術方向和趨勢。”上述負責人強調。

端側AI算力追求極致性價比 GPGPU站上舞臺中央

隨著大模型為主的生成式AI技術取得快速發展，各大PC廠商不僅在積極探索全新的AI PC形態，為推動大模型推理快速高效實現也在積極采納和部署強勁的AI芯片。

傳統AI PC解決方案是在CPU中嵌入iNPU，在運行大語言模型時，通常依賴GPU進行加速，iNPU只有在特定的場景中才能被調用。然而，GPU在處理大模型時可能會面臨一些性能瓶頸，如GPU的架構雖然適合并行計算，但在處理深度學習任務時，會導致資源利用率不足或延遲較高。此外，GPU在推理階段的功耗相對較高。

而且在群雄逐鹿的通用GPU市場中，面臨著英偉達、英特爾、AMD等巨頭的強大競爭，國內廠商要在重重壁壘中開辟自己的天地，需要獨辟蹊徑，打造全生態。芯動力敏銳地觀察到，高性價比是邊緣計算核心要求，且性能與TOPS不直接掛鉤，不同計算階段對性能要求不同，采用探索創新型的計算機架構的GPGPU是解決通用高算力和低功耗需求的必由之路，并已成為業界共識。

基于這一深刻洞察，芯動力推出了可重構并行處理器（RPP）架構，通過底層創新RPP架構，解決了高性能與通用性難兼以得的矛盾，利用數據流結構來避免了數據反復調用帶來的效率損失。并且芯動力具有編譯器、運行時環境、高度優化的RPP庫，可全面兼容CUDA的端到端完整軟件棧，從而實現邊緣AI應用的快速高效部署。

基于上述架構和設計創新，芯動力開發了AzureBlade M.2加速卡集成的AE7100芯片，作為一款高能效GPGPU，相比傳統GPU，針對神經網絡的計算特點進行了優化，通過集成大量專用的計算單元（如矢量內核或神經加速器）和片上內存，可高效處理矩陣乘法和卷積等操作，從而在通用性、低時延、低功耗、低成本和快速部署等方面展現出顯著優勢，成為解鎖端側各大模型的關鍵，并成為聯想AI PC落地的新動能。

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

（AI NOW進行大模型推理：右側 GPU usage 仍為 0%，dNPU 在 40% 上下波動）

“一是系統運行更絲滑。dNPU 在執行深度學習任務時，無需占用CPU、顯存或GPU資源，這種設計不僅最大限度地減少了對傳統GPU和顯存的依賴，還通過dNPU的高效計算能力，顯著提升了推理速度和整體性能，讓系統運行更加絲滑流暢，大幅提升用戶體驗。二是低功耗優勢。通過實測，在未啟用AI NOW推理時，CPU的功耗僅為 7.52W，而推理時功耗上升至14.88W。dNPU的架構設計賦予其低功耗的特性，同時釋放了原本由GPU占用的高功耗資源，進一步優化了系統能效，不僅實現了推理任務的高效執行，更顯著降低了系統整體功耗，為用戶帶來性能與能效的雙重優化體驗。”聯想工作人員介紹dNPU在處理大模型時的顯著優勢時表示，“因而，聯想AI PC在AI計算、AI擴展、多模態交互、智能化等層面，均實現了顯著的提升。”

憑借芯動力的底層創新、深厚積淀和積極拓展，不僅在AI PC領域取得了開門紅，在同樣廣闊的泛安防/邊緣服務器、工業影像/機器視覺、信號處理/醫療影像、機器人等邊緣AI應用市場都已有眾多應用落地，并與眾多重要企業達成了戰略合作。

這些市場的廣闊發展前景也在徐徐展開，以安防IPC芯片市場為例，2026年全球規模將達 10.9億美元，2025全球3D視覺識別芯片市場規模將達27億美元；在工業影像/機器視覺市場，芯動力RPP架構GPU可對標英偉達AI算力顯卡+高端FPGA；針對泛安防/邊緣服務器市場，國產邊緣算力芯片之外提供新的選擇；在信號處理市場，更是可直接替代國外高端DSP，而更多的客戶合作和應用落地。

AI芯片實現高能效低功耗 加速卡成就“全武行”

芯動力開發的AzureBlade M.2加速卡被PC巨頭聯想成功合作，無疑再次佐證了芯動力RPP芯片的硬核實力。

具象來看，AE7100芯片作為此款M.2加速卡的核心，是芯動力基于RPP架構自主研發的AI芯片，其尺寸僅為17mm×17mm，堪稱業界最小、最薄的GPU。它不僅可以輕松放入標準M.2卡，還具備強大的計算能力，支持32Tops算力。

集成了耀眼AE7100芯片的AzureBlade M.2加速卡，更是將高性能、低功耗、小體積的優勢發揮到極致。它的尺寸僅為22mm×80mm，大約半張名片大小，卻擁有高達32TOPs的算力以及60GB/s的內存帶寬，功耗也可以做到動態控制。

值得一提的是，為將芯片融入筆記本電腦，芯動力還革新了封裝技術，采用扇出型封裝，實現了無基板的FC-BGA，實現了低成本先進封裝。此封裝方式提升了線密度至5微米，通過三層金屬線設計減小了芯片面積，降低了芯片的厚度。優化了散熱與電氣性能，封裝后的M.2卡為AI PC提供了dNPU解決方案。

眾所周知，無生態不AI。而在軟件層面，AE7100實現了從底層指令集到上層驅動的全面兼容，巧妙沿用英偉達軟件棧，并進行了SIMT指令集、驅動層和開發庫的優化，極大地提升了開發效率與邏輯實現的直觀性。由于該加速卡兼容CUDA和ONNX，能夠滿足各類AI應用的多樣化需求，其高算力和出色的內存帶寬確保了數據的高效穩定處理與傳輸。

對于AI PC 來說，依靠本地算力能夠推動更大參數規模的模型推理亦是AI PC功能實現的關鍵。而芯動力的M.2加速卡已可完美支撐大模型在AI PC等設備上的流暢運行，并且適配了Deepseek、Llama3-8B、Stable Diffusion、通義千問等開源模型。

在聯想將芯動力RPP架構GPGPU命名為dNPU之際，也表明dNPU正成為推動AI PC蓬勃發展的關鍵驅動力，不僅能夠提升AI模型的推理速度、降低功耗與提升能效，還可支持多樣化的AI應用，推動AI PC的創新與落地。有判斷稱，未來dNPU極有可能如同當下的GPU一般，成為電腦的一項常規可選配置，一旦電腦配備dNPU，用戶便能在終端設備上自由地提出問題，它會憑借強大的運算能力迅速給出精準解答。

從成本角度來看，傳統做法是將dNPU集成到CPU中，這會導致成本大幅增加。以某大廠處理器為例，采用3NM工藝制造，其研發與生產成本極高，導致產品價格居高不下，而大多消費者對這種高成本的配置并沒有強烈需求。與之相比，將dNPU作為獨立的標準化插件，具有更高的性價比和靈活性。

屆時，dNPU將作為標準化插件，廣泛出現在市面上所有可選擇配置的電腦機型中。無論是追求極致性能的專業人士，還是日常使用電腦的普通用戶，都能從中受益。它將為各類用戶提供強大的AI運算支持，極大地提升電腦在如智能語音交互、圖像識別處理、數據分析預測等豐富多樣的人工智能應用場景下的性能表現，為用戶帶來更為高效、智能的使用體驗。

持續精進RPP和適配大模型 邁向芯征程

所謂眾行者遠。芯動力作為聯想AI PC產品dNPU方案的合作伙伴，不僅是對芯動力GPGPU創新性架構的最佳背書，還為AI PC等端側設備提供了革命性支持，解決了大模型在端側部署的關鍵技術難題。這一創新技術必將加速大模型在端側設備的普及與應用，為行業創造前所未有的價值。

不僅如此，它在工業自動化、泛安防、內容過濾、醫療影像及信號處理等眾多領域都展現出了廣泛的應用潛力，為邊緣AI的智能化發展提供了強大的動力。

展望未來，隨著大語言模型向支持多模態、多專家系統的復雜模型轉變，對存儲能力和計算靈活性要求更高，可重構芯片以其低功耗和高靈活性將成為極具潛力的解決方案。

而且，算力產品與各類模型的適配將成為標準化的流程，模型適配程度將直接影響應用了算力產品的AI PC在模型推理方面的表現。同時，算力廠商不能只針對特定的應用進行調優，鑒于AI PC中應用將主要以插件的形式被大模型調用，對各類大小模型以及其調用的應用進行綜合適配才最為重要。因而，AI算力廠商還要持續深入建立通用、兼容的AI開發框架，并降低大模型和應用開發適配門檻。

芯動力還觀察到，邊緣計算作為云端算力有效補充，是AI大模型落地的必然趨勢。未來邊緣AI時代加速到來，將滲透至物理世界各個角落，持續打造高性價比dNPU、適配DeepSeek等新型大模型等是AI芯片廠商的“馬拉松”。芯動力將繼續秉承創新精神，基于RPP架構實現算力及性價比的持續提升，還將推出基于RPP集成Chiplet的8nm R36 GPU，2027年將推出更高性能的3nm R72 GPU。同時，深入提升軟件適配能力，強化對更大規模模型的支持，擴展智算生態合作圈，全面推動邊緣AI技術的部署與落地。

DeepSeek的技術突破，使AI更高效、更低成本地部署在端側設備，推動AIoT持續邁向“萬物智聯”。我們有理由相信，基于RPP架構的GPU及后續更高性能的迭代芯片不僅是AIPC加速處理器的理想選擇，在對延遲、功耗和體積有著極高要求的邊緣應用中也將持續綻放光芒。