从华为老兵到LPU新贵：元川微的推理芯片终局赌注

当所有人都盯着英伟达的H100和B200时，一个华为22年的老兵却在思考一个问题：如果AI的终局不是更大规模的训练，而是无处不在的推理，那么现在的芯片架构是否从一开始就错了？这就像淘金热中，别人都在找更大的铲子，他却开始琢磨一种专门筛金子的新工具。

元川微创始人杨滨的答案，是LPU（Language Processing Unit）。这个曾在Groq手上短暂走红的概念，如今被一家中国创业公司重新拾起，并拿到了数亿元的真金白银。IDG资本领投，孚腾资本、九坤创投、尚颀资本等一众机构跟投——在资本寒冬尚未完全消退的当下，这个Pre-A轮的融资阵容已经说明了很多问题。

从终局倒推，推理才是AI落地的真正瓶颈。训练可以等，但推理必须实时、低成本、高吞吐。

这是杨滨在接受媒体采访时反复强调的核心逻辑。根据AMiner和智研咨询的联合报告，到2027年，AI推理芯片的市场规模将超过训练芯片，达到约420亿美元，年复合增长率超过60%。而目前，这个市场几乎被英伟达的GPU搭配CUDA生态垄断——但问题在于，GPU的通用架构在推理场景下存在明显的效率浪费。

短期看，LPU需要回答两个问题：是否真的比GPU更便宜，以及能否绕过CUDA的生态壁垒。

Groq在2023年凭借其LPU的惊人推理速度赚足了眼球，但其每token成本相比英伟达GPU并没有明显优势，且需要自研编译器，兼容性受限。元川微的差异化在于，杨滨在华为22年积累的软硬件协同设计经验，可能让他们在架构优化上走得更深。据雷锋网报道，元川微的LPU设计思路是从AI推理的最终目标反向推导芯片架构，而不是从通用计算单元出发去适配AI。这听起来很合理，但实际落地需要面对两个现实：

第一，客户迁移成本。当前大模型厂商的推理栈几乎都基于PyTorch和CUDA，换用LPU意味着需要重新编译模型、适配算子，这是巨大的时间成本。元川微必须提供类似Groq的“一键迁移”工具，或者至少证明在主流模型（如Llama、GPT-2、通义千问）上，迁移后的性能提升能覆盖迁移成本。

第二，供应链风险。LPU作为专用芯片，对先进制程的需求并不比GPU低。元川微能否在台积电或三星拿到足够的产能，以及能否在成本上保持竞争力，都是未知数。根据半导体行业观察的数据，2024年7nm以下制程的产能利用率已超过95%，英伟达和AMD的订单排期长达18个月。元川微作为新玩家，产能优先级可能并不高。

长期看，LPU赛道的关键变量在于：推理芯片是否会像训练芯片一样走向ASIC化，以及华为的生态能否为元川微提供独特土壤。

天风证券的一份研报指出，随着大模型从“参数竞赛”转向“应用竞赛”，推理场景的碎片化程度将远超想象。云侧推理需要高吞吐、低延迟；边缘侧推理需要低功耗、小尺寸；端侧推理则需要极致性价比。没有一个通用架构能同时满足所有场景，这意味着专用推理芯片（ASIC）的黄金时代正在到来。LPU本质上就是一种针对自然语言处理任务优化的ASIC。

元川微的另一个想象空间在于，杨滨的华为背景可能带来意想不到的生态资源。华为的昇腾芯片在训练侧虽然不如英伟达，但在推理侧已有一定积累，且其CANN（异构计算架构）正在逐步开放。如果元川微的LPU能与CANN兼容，甚至借助华为的销售渠道进入政企市场，那将是比Groq更现实的商业化路径。当然，这取决于元川微是否愿意成为华为生态的一部分，以及华为是否愿意开放底层接口。

元川微的Pre-A轮融资，更像是一个信号：中国资本正在用真金白银押注“后摩尔时代”的算力架构变革。

但不要忘记，Groq的估值已经超过20亿美元，而元川微才刚刚起步。在推理芯片这个赛道上，不仅有英伟达这样的巨无霸，还有AMD、英特尔、Google（TPU）、亚马逊（Inferentia），以及国内的海光、寒武纪、平头哥等玩家。杨滨的22年华为经验是一张王牌，但能否在牌桌上坐稳，取决于他能否在两年内拿出可量产的芯片，并找到第一批愿意付费的客户。

从数据来看，2024年全球AI芯片市场规模预计将突破800亿美元，其中推理芯片占比不到30%。但到2030年，这个比例可能倒转。元川微赌的，就是这个时间差的窗口。

原文链接：https://www.leiphone.com/category/chips/AGaAOgr50XhElaxq.html