碎片化架构的"边境税"与GPU的重心崛起
在边缘计算与大模型融合的浪潮下，芯片行业正经历一场深刻的架构变革。长期以来，为了应对图像渲染、语音识别、计算机视觉及神经网络推理等多元化任务，芯片厂商往往倾向于在 SoC 中不断叠加专用的加速模块——CPU、GPU、DSP 与 NPU 各司其职。
但问题也由此产生。"每一个加速器都能很好地解决一个问题，但每一个加速器也会创造一个依赖。"
在 Imagination Technologies 日前举行的媒体开放日活动上，公司 CEO Markus Mosen 将这种代价形象地称为一笔 "边境税"：不同计算单元像一座座孤岛，数据要不断经过外部内存在 GPU、NPU、DSP、CPU 之间搬运，每跨过一次边界，都要同时付出三种成本——能耗、时延，以及工程师的开发和维护时间。
对此，Imagination 想做"减法"——让 GPU 从单纯的图形处理器，进一步成为图形、通用计算和 AI 之间的"融合加速器"。近日，Imagination 正式公布其最新的 E 系列 GPU IP 的计算性能数据，显著的性能提升进一步强化了其 GPU-First 的战略。E 系列采用一颗处理器、一套架构和一套软件栈，同时处理图形、计算和 AI 工作负载。
从终端用户的角度看，一部手机、一辆汽车、一个机器人或者一台工业摄像机，其实并不会把"感知、建模、推理、决策、渲染"看成五件毫不相关的事情。它们发生在同一条数据链路里，面对同一个响应时间，共享同一块电池，也共享同一个内存和功耗预算。
现在的问题是，工作负载已经融合，硅片架构却没有完全跟上。
传统异构 SoC 往往由 CPU、GPU、NPU 和 DSP 分别承担不同任务，每个处理器又拥有自己的本地存储和软件环境。中间结果不得不反复进出 DRAM。Markus 认为，这些"边界"本身就是成本。
数据搬运消耗的是纳焦耳，任务切换增加的是毫秒，而驱动、工具链、安全模型和软件维护最终消耗的，则是以"工程师年"来计算的研发资源。Imagination 因此提出，与其不断增加新的专用计算岛，不如尽可能建立一个共享、可编程的计算中心。
融合已经在发生，谁最适合成为这个计算重心？Imagination 的判断是 GPU。
理由并不只是 GPU 算力高，而是它同时具备几个已经存在的基础：高度可编程、大规模部署、成熟的驱动和工具链、标准 API 以及庞大的开发者生态。更重要的是，对于手机、PC 和数字座舱等视觉设备来说，GPU 本来就是无法被拿掉的处理器。
按照 Markus 所说："计算的重心正在往 GPU 转移，图形和 AI 靠得更近，需要统一内存、统一调度、统一软件栈。"这一切归根到底就是两个字——效率，既是客户开发的效率，也是产品跑起来的效率。要最好地解决效率，方向就是 GPU。
E系列：把AI真正嵌进GPU
"GPU 是用户体验的核心"，Imagination 首席营收官 Jake Kochnowicz 先抛出了这样一个判断。
无论手机、平板、PC 还是数字座舱，只要设备拥有屏幕，最终呈现在用户眼前的每一个像素，几乎都绕不开 GPU。与此同时，经过几十年的发展，GPU 已经从单纯的图形处理器变成高度可编程的并行计算平台。DirectX、Vulkan、OpenCL 等行业标准，以及围绕 GPU 形成的驱动、工具链和开发者生态，也早已相对成熟。
因此，在 Jake 看来，当 AI 开始越来越深地介入用户体验，GPU 其实是最自然的承载者之一。图像超分、神经渲染、生成式 AI、语音助手、生产力工具乃至本地大模型，都需要大量并行计算。而在很多 SoC 中，GPU 本身已经是面积和计算能力最大的处理单元之一。
过去给 SoC 增加 AI 能力，一个很直接的办法是再加入一个 NPU。虽然每个处理器都能在自己的领域获得更高效率，但代价是芯片内部形成越来越多的"计算孤岛"：GPU 处理图形，NPU 处理 AI，CPU 负责调度，不同计算单元拥有不同的数据路径和软件环境。
E 系列选择的是另一条路——不是继续增加新的计算岛，而是把 AI 矩阵计算能力直接融入 GPU 原有的数据路径。
E 系列最核心的一项架构变化，是矩阵加速能力与 GPU 执行单元的深度耦合。Jake 介绍，E 系列将矩阵乘法能力直接放进 GPU 内部，紧邻现有图形计算单元。"这意味着 AI 能把 GPU 现成的一整套东西都用上：寄存器、控制、缓存、固件、驱动、工具链，还有围绕 GPU 的整个生态，这是对既有投资极高的杠杆利用。"
从性能上来看，在 1GHz 下，E 系列单核心 FP32 算力达到 2 TFLOPS；矩阵计算方面，FP16/BF16 可达到 16 TFLOPS，INT8/FP8 达到 32 TOPS。最大四核配置下，FP16 矩阵性能超过 100 TFLOPS，FP8 则超过 200 TFLOPS，相比 D 系列提升超过 4 倍。
但 Imagination 反复强调，GPU 不能只看 TOPS 和 FLOPS，它还得能塞进真实系统，给系统设计者留足选择。E 系列核心从单核到四核可扩展，峰值配置下可寻址内存 1TB，峰值读带宽 768GB/s，通过 AXI 能接 HBM、LPDDR、GDDR 或者统一内存任意一种。不同产品规模可以变化，但背后使用的仍然是同一套 IP 和软件栈。
这或许也是 Imagination 所谓"融合"的真正含义：并不是所有任务都必须由 GPU 完成，而是尽可能让不同任务共享同一套底层计算资源和软件基础。
图形与AI的融合典范：神经超分辨率NSR
此次媒体开放日中发布的 NSR 神经超分辨率，最能体现这种融合价值的一个应用。
今天 AI 超分已经不是新鲜概念。英伟达有 DLSS，AMD 有 FSR，移动 GPU 厂商也在陆续把 AI 引入图形渲染。
但 Imagination 给 NSR 找到的切入口并不是单纯追求更高画质，而是数据搬运效率。
传统 GPU+NPU 方案中，GPU 先完成渲染，再把结果写入 DDR；NPU 重新读取数据完成超分，然后再写回内存。Jake 强调到，在任何设备里去内存取数都可能极贵，数据搬得越远越耗时越耗电。神经渲染就是展示这种距离成本，以及"融合"为什么有价值的最好例子。
E 系列的做法则是将图形 Shader 和矩阵计算放得足够近，使图形与 AI 可以在同一套 GPU 执行环境里完成。这与 Imagination 长期采用的 TBDR（分块延迟渲染）架构也形成了结合：不是等完整一帧图像全部生成后再处理，而是以 Tile 为单位进行渲染和计算。
这非常符合移动和边缘设备的特点。因为与拥有独立显存和巨大显存带宽的桌面 GPU 不同，手机、汽车、机器人 SoC 上的 GPU 往往需要和 CPU、ISP 等模块共享系统内存，每一次额外的数据搬运都更加昂贵。
NSR 采用单次处理网络，并结合 Imagination 的网络自压缩技术，可移除约 65% 的冗余权重。在 1GHz 单核 E 系列 GPU 上，将 540p 画面提升至 1080p 仅需 2.3 毫秒；从 1080p 提升至 4K 时，带宽消耗最高可降低 54%，帧率提升 2.5 倍。
现场 demo 对比了 1080p 原生和 540p 超分到 1080p 的画面，画质呈现完全没有损失。
向 AI 扩展，并不意味着 Imagination 放弃 GPU 最传统的图形能力。图形仍是基本盘。
E 系列也在明显向更高性能的图形市场扩张。按照 Imagination 公布的数据，四核 E 系列运行《博德之门3》时可以超过 60fps，《古墓丽影：暗影》《毁灭战士：永恒》等 PC 游戏也已完成展示。相比上一代 D 系列，其每 TFLOPS 对应的帧率最高提升 54%，能效最高改善 39%。这一提升的核心之一，同样是减少无效的数据移动和提高计算资源利用率。
E 系列里集成了 Imagination 自研的高性能 RISC-V 固件处理器，在 GPU 架构上把图形和计算工作并行调度。底层最多支持 4 核、16 台虚拟机，带高质量服务、工作负载优先级和内存隔离，云游戏、云桌面这类场景都能撑住。
从神经渲染走向端侧大模型，全栈AI推理优化
图形只是第一步。从神经渲染继续向前，E 系列瞄准的是更广泛的端侧 AI，并重点强化了两类基础计算：矩阵乘法和卷积。
Jake 表示："如果矩阵乘法代表推理和思考，那么卷积就是感知。"
E 系列矩阵乘法性能最高提升 4.8 倍，卷积性能最高提升 4.4 倍，分别对应语言模型和视觉感知等不同 AI 工作负载。
到了大语言模型，Imagination 将 LLM 推理拆成两个阶段：prefill（预填充，就是"问"）和 decode（解码，就是"答"）。从工作负载复杂度和用户体验看，最难、最重要的是 prefill——要在尽量短的时间里给大模型处理海量数据，衡量指标是 time to first token（TTFT），也就是处理器听懂你的问题、开始吐第一个 token 要多久。E 系列把 prefill 性能提升了 4.7 倍，这对好几个场景都很关键：手机上让大模型做摘要，你希望几乎秒回；车或者机器人看到数据，必须以足够高的帧率处理图像。
Decode 阶段（每秒多少 token）则取决于系统带宽，也就是片上内存给的带宽，每个 token 都要搬数据、重载权重。我们在工具和软件上投入，帮客户把模型量化到低位宽还保住精度。但要说清楚，AI 不只是看 TOPS——系统带宽受限时，更多 TOPS 解决不了系统问题。E 系列的目标，是把开发者需要的算力给足，让系统集成商能专心去做他们终端产品的整套系统。
实际测试中，车机行程规划可实现约 0.2 秒 TTFT、150 tokens/s；智能眼镜环境描述约 0.25 秒、153 tokens/s；邮件解读和摘要约 0.86 秒、126 tokens/s。对于轻量化端侧模型而言，首 Token 时间已经可以压到 1 秒以内。
这种能力在 Agentic AI 时代尤为重要。现场 Demo 通过 Llama.cpp 连接 OpenCode 智能体框架，模型在输出第一个 Token 之前，需要先完成工具调用、数据收集和推理。对于代码 Agent 等长上下文场景，文件越多、工具调用越复杂，对 Prefill 性能的要求也越高。与此同时，端侧运行还能降低云端调用成本，并减少代码、数据等敏感信息离开设备的风险。
除了算力，E 系列也在数据精度上进一步向 AI 靠拢，支持 BF16、mxFP8、mxFP4 等格式。不同场景可以在精度、带宽和模型容量之间进行取舍：自动驾驶等场景更强调高精度，而消费级边缘设备受内存和带宽限制，更低精度的数据格式则有助于降低资源占用。
从矩阵计算、卷积，到 Prefill、Decode，再到数据精度和软件栈，Imagination 试图做的并不是单纯给 GPU 增加 AI 算力，而是围绕端侧 AI 推理进行一整套系统级优化。
统一软件栈的重要性
对于 GPU 而言，硬件性能只是基础，真正决定能力能否落地的，很大一部分还在软件。
Imagination 在图形侧支持 DirectX 12、OpenCL、Vulkan，可运行于 Linux、Android 和 Windows；AI 与计算侧则进一步支持 ONNX、PyTorch，并持续向 Llama.cpp 等开源项目贡献优化。同时，公司还提供自有计算库、开发工具和分析器，帮助开发者完成从开发、优化到部署的完整流程。
Jake 特别强调，E 系列始终构建在统一的软件栈上。客户针对某一代 GPU 所做的软件优化，不会因 GPU 产品换代而付诸东流，而是能够一代一代、持续沿用。
E 系列也只是第一步。Imagination 给出的路线图是：D 系列开始构建计算库和 SDK；E 系列正式把 AI 计算引入 GPU；下一代 F 系列继续提升规模扩展效率；再往后的产品，则进一步提高 AI 计算密度和能效。
中国市场：从重要客户市场走向共同创新
近期，Imagination 完成中国区管理团队调整，任命谢巍出任执行副总裁兼中国区总经理，宣雄文出任中国区销售副总裁，并继续强化北京、上海、深圳等地的客户支持和销售网络。
这一调整背后，也与中国市场对 GPU 能力提出的更高要求有关。Jake Kochnowicz 在媒体问答中表示，相比部分海外市场更侧重汽车等深度嵌入式应用，中国客户对于更高性能、更完整功能集以及图形与计算融合能力的需求更加突出，而且往往出现得更早。"中国对图形和计算的需求非常强，现在跟中国客户的互动，正在帮助我们创新，把 GPU IP 的能力边界继续往前推。"
从业务进展来看，Imagination 也在进一步加码中国市场。Markus Mosen 透露，公司今年已经获得国内重要战略客户的授权；未来还希望与中国客户建立更紧密的合作关系，包括探索联合实验室等模式。不过现阶段的重点，仍是持续加强研发和本地支持，把更先进的 GPU IP 带给中国客户。
谢巍则表示："中国一直是 Imagination 非常核心的战略市场，中国的开发生态和出货量这几年都在飞速发展。"并透露确认今年中国桌面级市场相关出货正在接近百万台量级。
在他看来，下一阶段的机会也不仅限于桌面 GPU。随着 AI 智能体和边缘 AI 发展，E 系列 GPU IP 将面向汽车、边缘计算、具身智能机器人等场景。Imagination 希望通过更深入的客户走访、更完善的本地技术支持和开放的软件生态，把中国市场的需求更快反馈到产品和技术路线中。
中国对于 Imagination 的价值正在发生变化：不仅是一个规模庞大的 GPU 市场，也开始成为高性能 GPU 需求、AI 应用创新以及产品路线演进的重要推动力。
写在最后
回顾芯片发展史，计算架构一直在"专用化"和"通用化"之间摆动。早期 PC 时代，大量 2D、视频等专用功能最终被更可编程的 GPU 逐步吸收。今天，边缘 AI 似乎又来到类似节点。
E 系列的意义，就在于尝试把一部分 AI 计算重新收拢到 GPU 内部，让图形、计算和 AI 共享更统一的数据路径和软件基础，从而降低那笔"边境税"。
这不意味着 GPU 会取代 CPU 或 NPU。AI 系统设计没有唯一正确的答案，而 Imagination 认为，E 系列在所有方案中都能胜任：可以采用 GPU-only，也可以采用 GPU+NPU、NPU+GPU，或者两者相对均衡的架构。但随着神经渲染、端侧大模型和 Agentic AI 不断进入终端，几类处理器之间原本清晰的边界正在变得越来越模糊。
E 系列并不只是 Imagination 的一次 GPU 升级，更代表了它对未来端侧 AI 架构方向的一次押注。
发表于 1 小时前
|
查看: 3|
回复: 0
