睿芯团队有深厚的学术积累,团队成员来自IBM、Intel等顶尖团队,持续推动数据流架构的理论创新与工程实践
从计算范式层面重新定义AI芯片,消除内存墙瓶颈,释放芯片真实算力
数据流架构示意图:数据驱动计算,计算跟随数据流动
传统冯·诺依曼架构中,数据需要在计算单元和存储单元之间反复搬运, 造成了严重的"内存墙"问题——80%以上的功耗被消耗在数据搬运上, 而真正用于计算的能量不足20%。
数据流架构颠覆了这一范式:以数据为中心,计算单元跟随数据流动, 数据在哪里,计算就在哪里发生。从根本上消除了数据搬运的开销, 让芯片的算力利用率提升至全新的水平。
数据流架构 vs 传统冯·诺依曼架构,核心差异一目了然
以计算为中心,数据在存储与计算间反复搬运
以数据为中心,计算跟随数据流动
100余篇学术论文,持续引领数据流架构学术前沿
提出多层数据流融合执行架构,通过层间数据复用与计算调度优化, 实现深度神经网络推理性能的数量级提升。该论文获得ISCA 2026最佳论文提名, 是数据流架构领域的重要里程碑。
提出面向3D视觉与自动驾驶场景的融合数据流微架构,将点云处理、 图像识别与路径规划统一到数据流执行模型中,显著提升端到端推理效率。
提出bit级数据流加速技术,通过RISC-V指令集扩展实现细粒度数据并行, 在保持精度的同时大幅提升低比特推理的计算效率。
提出面向边缘侧的多领域融合多模态数据流架构,支持视觉、语音、 激光雷达等多种模态数据的统一处理,为多模态AI应用提供高效算力支撑。
提出半中心化数据流图调度方法,在分布式计算阵列上实现高效的 数据流图映射与调度平衡,兼顾灵活性与性能。
提出面向非结构化稀疏计算的RISC-V指令集扩展,通过专用指令 与硬件加速单元,显著提升图神经网络等稀疏计算场景的性能。
提出非线性算子的统一基础原语设计,将激活函数、归一化等 常用非线性操作抽象为统一的数据流原语,简化硬件设计并提升通用性。
提出异构加速架构与推测解码方法,针对大语言模型推理场景, 通过数据流架构与推测执行的结合,显著提升生成式AI的推理速度。
提出面向边缘侧的高通量数据流体系架构DFU-E,在受限的功耗与 面积预算下,实现了远超传统架构的边缘AI推理性能。
提出数据流图感知的软硬协同调度方法,通过编译器与硬件的 深度协同优化,实现数据流架构性能的最大化释放。
完善的知识产权布局,构建技术护城河
覆盖架构设计、指令集、编译工具链等核心技术领域,构建全方位知识产权保护体系。
《数据流模型及系统》系统阐述数据流架构的理论体系与工程实践,是国内数据流领域的权威专著。
完整的软件栈知识产权,从驱动程序到开发工具的全链条自主可控。
积极参与国际国内技术标准制定,推动数据流架构生态健康发展。
携手开发者共建数据流架构生态,共同推动AI算力技术创新
无论您是研究者、开发者还是合作伙伴,我们期待与您一起推动算力技术的进步
感谢您的关注,我们将尽快与您联系。