AI 芯片的竞争，长期被两件事牵着走：更先进的制程，以及更贵、更稀缺的 HBM（High Bandwidth Memory 高带宽存储器）。
前者决定晶体管密度，后者决定数据能不能以足够快的速度送到计算单元。大模型训练和推理所需要的，不只是 " 算得快 "，还要 " 喂得上 "。一旦存储带宽跟不上，算力核心再强，也会被数据搬运拖住。
这也是过去几年 AI 芯片产业最难绕开的现实。谁能拿到先进制程，谁能绑定 HBM 供应，谁就更接近高性能 AI 算力的主流路线。但这条路线的门槛也越来越高：供应集中、成本高企、封装复杂，任何一个环节受限，都会直接影响芯片产品化和规模交付。
东方算芯这次发布的 DF1000，试图回答另一个问题：如果不沿着 " 先进制程 +HBM" 的路径继续追赶，AI 芯片还有没有另一种解法？
它给出的答案，是 " 软件定义＋3D 堆叠近存计算 "。
在上海东郊宾馆举行的软件定义算力芯片、系统及路线图发布会上，东方算芯正式发布软件定义近存计算 3D AI 芯片 DF1000，以 " 软件定义＋3D 堆叠近存计算 " 的东方范式，为国产高端算力芯片开辟了一条不依赖先进制程的自主创新路径。
这场发布会真正值得关注的地方，不只是一颗芯片亮相。对东方算芯来说，DF1000 更像是一次路线亮相：在 AI 算力芯片高度依赖制程、HBM 和成熟生态的当下，能不能通过架构创新，把另一条路真正做成产品。
HBM 是怎么变成一道墙的
要理解东方算芯在做什么，得先说清楚 HBM 在 AI 芯片里扮演的角色。
AI 大模型的训练和推理，本质上是大量矩阵运算。算力核心每一轮计算，都需要从存储里调取海量参数，处理完再写回去。这个过程的瓶颈，长期以来不只在 " 算得快不快 "，也在 " 数据搬得动搬不动 "。
业界把这个问题称为 " 存储墙 " 或 " 带宽墙 "。
HBM 的出现，就是为了解决这个问题。它把多层 DRAM 芯片叠在一起，通过硅通孔 TSV 垂直互联，相比传统显存方案，显著提升带宽。英伟达 H100、A100 等 AI 芯片都采用了 HBM。
但对当下的高性能 AI 芯片来说，HBM 本身也带来新的约束。它的供应高度集中，全球主要供应商包括 SK 海力士、三星和美光；它需要通过硅中介层与计算芯片连接，封装复杂，成本较高；即便使用 HBM，计算芯片和存储之间依然存在物理距离，互连间距通常在数十微米量级，带宽密度继续提升的空间有限。
东方算芯选了另一条路
根据发布会上公布的信息，DF1000 是国内首颗采用 DRAM+LOGIC Wafer-level 混合键合 3D 垂直封装的 AI 芯片。它的做法，是直接将逻辑计算层（Logic Wafer）与存储层（DRAM Wafer）在晶圆级别完成混合键合，垂直堆叠集成。
这跟 HBM 的叠法有根本性的差异。HBM 是把多颗 DRAM 芯片通过 TSV 叠起来，再通过中介层和计算芯片并排放在一个封装里，两者之间的连接走的是封装级别的互联。而 DF1000 的混合键合，是在晶圆级别直接把计算层和存储层键合在一起，互连间距从数十微米压缩到了亚微米级别。间距压缩意味着单位面积内的互联数量可以提升几个数量级，带宽密度随之大幅增加。东方算芯给出的数字是：访存带宽是 HBM 方案的 5 倍以上。
同时，因为数据不需要经过漫长的封装级互联就能到达计算单元，能耗也随之下降。
" 存储墙 "、" 带宽墙 "、" 功耗墙 "，三个问题在一个架构里一起处理。
还有一点同样重要：DF1000 实现了从芯片设计、晶圆制造、3D 先进封装到封测的全链条闭环，供应链在国内完成，可以持续迭代，不受外部条件制约。
软件定义，才是另一半
此次产品发布的关键词之一是 " 软件定义近存计算 "。" 近存计算 " 解决的是计算和存储距离的问题，" 软件定义 " 解决的则是硬件资源如何被更充分利用的问题。
一颗用成熟制程做出来的芯片，凭什么和更先进工艺产品竞争？东方算芯给出的答案是，制程只是性能的一个维度，架构层面的资源利用率同样决定有效算力。
东方算芯创始人、董事长兼 CEO 魏少军在发布会上回顾，2006 年，他和团队开始在清华大学微电子所开展计算芯片技术研究。经过近 20 年发展，这一路线形成了 " 软件定义芯片 " 技术。2019 年，团队进一步提出软件定义近存计算芯片技术，将软件定义芯片与存储器通过混合键合方式三维堆叠，把动态功能重构与大带宽、大容量存储结合起来。
软件定义芯片的核心，是让硬件能够随着软件和任务变化进行动态重构。DF1000 在计算架构上采用粗粒度可重构计算，配合专用集合通信处理器、张量和向量计算单元的复用设计，让硬件资源在不同工作负载中重新映射，减少闲置，提高有效利用率。
东方算芯已搭建全栈自主底层软件栈，覆盖编译器、运行时、算子库、集合通信库、分布式训练框架及一站式工具链，全面兼容主流深度学习框架，为用户提供简洁高效的迁移部署方案，让芯片 " 可用、好用、易用 "。
这两件事加在一起，才构成东方算芯所说的 " 软件定义近存计算 "：一边通过 3D 堆叠缩短计算与存储的距离，一边通过软件定义提高硬件资源利用率。
也就是说，DF1000 并不只是在存储连接方式上做变化，它试图把芯片架构、存储组织、封装方式和软件生态放在同一套系统里重构。
从一颗芯片到一套系统
AI 芯片进入真实市场，单卡指标只是第一步。客户最终需要的，是芯片、板卡、服务器、集群、软件栈、迁移工具和应用适配组成的一整套系统能力。
这也是东方算芯这次发布会没有停留在 DF1000 本身的原因。
工程落地层面，东方算芯 DF1000 已完成完整流片验证，并实现 128 卡大规模集群全功能稳定运行，真实场景落地能力达到行业先进水平。
现场信息显示，巅峯 DF1000 加速卡、拓域 TY64 超节点、擎元 QY100 服务器和慧算 HS512 智算集群，分别对应从单卡、超节点、服务器到集群的不同层级。东方算芯试图通过这套产品矩阵，把 DF1000 从芯片能力延伸到系统能力。
128 卡集群的稳定运行，是一个重要节点。多卡集群对互联、同步、调度、通信和软件栈稳定性的要求，远高于单卡。能从芯片走到集群，也意味着 DF1000 已经开始接受系统层面的工程验证。
但这也只是开始。AI 芯片的商业化竞争，很少止于硬件指标。模型能不能迁移，软件工具是否成熟，开发者能否低成本上手，客户场景能不能持续跑稳，都会影响一颗芯片真正进入市场的速度。
产业生态决定能走多远
在今天的 AI 芯片产业里，一条技术路线能不能成立，已经很难只靠单家公司完成。
芯片设计、晶圆制造、先进封装、封测、软件工具链、模型适配、服务器和集群集成，任何一个环节都有可能成为瓶颈。对一颗面向大模型训练和推理的 AI 芯片来说，产业生态本身就是产品能力的一部分。
这也是东方算芯反复强调 " 共建、共筑、共赢 " 的原因。
从落地位置看，东方算芯选择上海浦东，也有明确的产业语境。
浦东新区相关负责人在现场提到，集成电路是上海浦东三大先导产业之一。2025 年，浦东新区集成电路产业规模已超过 3600 亿元，同比增长约 23%。这个规模占全国集成电路产业规模的五分之一，是上海集成电路产业规模的四分之三。对东方算芯这样的 AI 芯片公司来说，浦东提供的不只是公司注册地。更重要的是，它背后的设计、制造、封测、设备、材料、资本和应用场景资源。
发布会上，香港工程科学院院士、东京大学工学院院士、香港科技大学副校长郑光廷，欧洲科学院院士、北京超弦存储器研究院执行院长赵超，上海兆芯集成电路股份有限公司总经理兼总工程师王惟林，芯原股份董事长兼首席执行官戴伟民等产学研领域专家依次开展主题分享，围绕半导体与 AI 芯片协同发展、存储技术创新、国产算力产业链共建等方向介绍多方协同攻关的实践成果。圆桌论坛环节，行业专家分别聚焦 " 后摩尔定律时代，AI 芯片的东方范式 "" 新一代算力芯片产业投资趋势 " 两大议题展开深入探讨，并结合政务、金融、科研等重点领域，解读 DF1000 多样化落地模式与长期发展前景。
此次 DF1000 的发布，不只是一款产品的问世，更标志着中国自主原创的算力芯片新发展路线的正式启航。
这些信息共同指向一个判断：东方算芯要做的，并不只是一颗 AI 芯片，而是一套围绕芯片、软件、系统、供应链和应用场景展开的算力生态。
一条路刚刚开始
DF1000 的意义，在于它把 " 软件定义＋3D 堆叠近存计算 " 从实验室路线推向了产品发布和系统验证阶段。
从发布会释放的信息看，东方算芯试图回答的是同一个问题：当 AI 算力需求持续增长，外部供应链环境和传统技术路径同时带来约束，中国 AI 芯片厂商能不能通过架构创新，把成熟工艺、3D 封装、近存计算和软件定义芯片组合成一套可落地方案。
现在，DF1000 已经完成完整流片验证，并实现 128 卡大规模集群全功能稳定运行。下一步，它还需要在更多真实业务场景中接受验证，包括更大规模集群、更复杂模型、更长时间稳定运行、更低迁移成本，以及客户愿意为此买单的综合性能。
从 128 卡到大规模商业部署，中间还有很长的路。
但至少，这条路线已经从论文、实验室和技术叙事，走到了产品和系统面前。
这对国产 AI 芯片来说，是一个值得认真对待的信号。
