腾讯科技旗下深度对话栏目「翎听theSignal」，致力于呈现硬科技浪潮里来自一线的思考和声音。这是本系列的第06期，对话算苗科技创始人汪福全。
文｜顾翎羽
编辑｜苏扬
过去几年，中国AI芯片创业公司大多在回答同一个问题：如何追赶英伟达？
但现在，有人试图绕开这场竞争。
10 月 14 日，3D架构AI云端大算力芯片公司算苗科技宣布，完成Pre-A2轮、A轮融资，一年内累计融资近20亿元。新一轮融资由亦庄国投等北京市区两级国资平台领投，资金将主要用于技术研发和自研3D TokenPU芯片的量产落地。目前，其投资方还涵盖国开金融、北工投资、源码资本、嘉御资本、石溪资本、联想创投等。
这些钱押注的是一条颇为激进的技术路线：不依赖最先进制程，不采用主流的HBM高带宽内存方案，甚至试图绕开GPU这一计算架构本身。
对中国AI芯片厂商来说，先进制程曾经是一道难以逾越的难题。
全球半导体几十年来提升芯片性能的主流办法，都是把晶体管做得越来越小、挤得越来越密——晶体管之间的距离越短，信号传输越快，功耗也越低。这恰恰是今天“中国芯片”受限最严重的地方：最先进的光刻设备买不到，最先进的制程难以获得。
但算苗科技创始人汪福全推崇的是另一个维度的事：“时间微缩”。
他的理由是：把晶体管做小，说到底是为了什么？是为了让信号在晶体管之间传得更快、延迟更低。既然缩短时间才是目的，为什么一定要通过缩小晶体管来实现？与其死磕几何尺寸这条受到限制的路线，不如直接缩短信号传输的时间。平面上挤不动了，就往立体上叠——把两片晶圆垂直堆在一起，让上下两层的电路贴得极近，信号传输距离从毫米级缩短到微米级。
这就是3D堆叠技术。
它意味着，一家芯片公司即使无法获得最先进制程，也有可能通过重新组织计算与存储的方式，做出有竞争力的大算力芯片。
汪福全博士毕业于中科院声学所，后于中科院计算所开展博士后研究，主要围绕国产CPU构建声学处理机。“叠晶圆”的手艺，他始于上一段高通量算力芯片创业经历。该芯片体量大、功耗高，对内存带宽的要求极为苛刻，这与今天大模型推理芯片的核心诉求高度重合。
（算苗科技创始人汪福全）他也经历过中国芯片创业者最熟悉的痛苦。
2025年，汪福全在美国设计了一款算力芯片，拿到台积电流片，受管制影响，“片子”却回不来。 这成为一个转折。
“再好的设计，产不出来，也等于解决不了问题。”汪福全决定将业务重心从海外转回国内，逻辑芯片、内存、键合、封装和设备全部转向国产供应链。
2026年6月，重组后的算苗第一代大模型推理芯片A4E流片。这是一颗基于自研RISC-V架构、采用3D TokenPU设计的云端大算力芯片，使用全国产供应链。
这也是国产AI芯片竞争正在出现的一种变化。
过去几年，最受资本青睐的是摩尔线程、沐曦、壁仞、天数智芯等对标英伟达的GPU公司。它们在资本市场获得了较高估值，也率先进入集中上市阶段。但随着大模型从训练走向大规模应用，另一类公司开始获得更多关注：它们不再试图复制英伟达的通用GPU路线，而是围绕推理场景，探索存算一体、3D堆叠、可重构计算等新架构。
在这些试图“绕过英伟达”的公司里，汪福全的立场更激进一些。他想绕开的，不只是英伟达的产品，而是GPU这一计算形态本身。
GPU最早为图形、视频和游戏设计，CUDA赋予了它强大的可编程性，使其得以承载大模型训练。但在汪福全看来，当大模型进入大规模推理阶段，GPU的通用性反而可能成为成本和能耗的包袱。
现在，大模型推理的竞争，正越来越多地转向另一个指标：每个Token的成本。客户最终关心的，是在同样的模型、同样的输出质量下，需要多少芯片、多少电力、多少机柜。决定竞争力的不再只是单卡峰值算力，还有内存带宽、系统互联、能效，以及大规模集群中真正被有效利用的算力比例。
他认为，大模型时代需要一种为Token计算原生设计的处理器，他给它还取了个名字：TokenPU。
但从技术设想到商业现实，中间仍然隔着漫长的工程验证。
3D芯片并不是一条没有竞争者的新赛道。更重要的是，相比标准化的GPU与HBM方案，算苗选择的晶圆级3D堆叠路线，需要将逻辑、内存、混合键合、封装乃至软件系统一起重新设计。任何一个环节出问题，都可能影响整颗芯片的性能、良率与交付。
一位算苗投资人告诉我，在他看来，汪福全最鲜明的特质是执着。“他创业三次跨界，三次重来，用一个夸张点的说法，他觉得自己是天选之子”，意思是，只要他判断某件事有机会，就会认定自己一定能做成。
这种性格也刻进了产品。这位投资人评价，算苗最吸引投资人的地方，恰恰也是它最大的风险：在一众新架构玩家中，算苗选择了极为激进的方案。“性能拉满，对供应商的要求拉到极致，这既是优点，天花板最高；也是风险，执行难度最大。”
如今，新融资意味着这场技术赌注进入更加昂贵的阶段——一颗设计激进的芯片，如何跨过量产、良率、供应链和客户验证的重重门槛，最终变成可以规模化交付的产品？
今年夏天，我和汪福全有一次对话。他谈到了他对英伟达技术路线的判断、3D架构在中国的机会、TokenPU与GPU的区别，以及为什么他相信大模型推理市场将远比今天更大。
在他的判断里：大模型架构不会迅速发生颠覆性变化，推理需求将持续高速增长，3D堆叠能够带来足够大的成本优势，而国产供应链能够支撑规模化量产。这些只要有一个不成立，都可能改变算苗的商业前景。
在他看来，如果芯片产业仍然只沿着先进制程线性演进，中国创业公司很难超越既有巨头。只有当计算需求发生变化，新的技术架构才可能创造后来者的机会。
“这背后是一个信念问题：Scaling Law会长期有效，它没有上限，上限只取决于你有多少算力、多少能耗。”
以下是我们的对话，内容经编辑整理。
01 “真正要大规模解决算力，供应链必须足够扎实”
顾翎羽： 2025年6月底，第一代大模型推理芯片没能在台积电流片，当时发生了什么？
汪福全： 我们当时的战略是在海外，是一个开放架构，计划用台积电12纳米工艺，再做3D键合。那一代芯片做了两年，键合、验证全部搞定了，临近流片时走不通了。
如果不是这件事耽误了第一代，我们现在已经在卖了。但芯片供应链就是这样，再好的设计，产不出来，也等于解决不了问题。我们后来彻底把战略转回国内，最基本的判断是，真正要大规模解决算力问题，供应链必须足够扎实，不能把商业建立在随时可能被切断的海外环节上。
顾翎羽： 回国后最难替换的是哪个环节？
汪福全： 不是替换某一个点，而是整个体系都要重新磨合。逻辑芯片、内存、键合、封装和设备都要切回国内。我们的内存堆叠也从原来的四层升级到八层。
做3D比传统芯片多了一个维度。传统芯片把逻辑设计好，交给晶圆厂，后面还有一条相对成熟的路。3D不是这样，逻辑晶圆、内存晶圆、混合键合、封装和系统都要一起工作。任何一环出问题，最后都不能成为产品。所以我们过去六七年真正积累的，不只是一个芯片设计，而是把这些环节磨合起来的能力。
顾翎羽： 从过去做矿机芯片到今天做大模型推理芯片，你认为真正能延续下来的能力是什么？
汪福全： 整个供应链工程都是通的。算法不能直接迁移，工程能力可以。做矿机时，我们先感受到的不是计算峰值，而是数据带宽和系统平衡。大模型时代虽然模型、客户和软件都变了，但内存容量、带宽、SRAM、Tensor、Vector和扩展性仍然要一起看。
所以不是把一套矿机电路搬到大模型上，而是把在极端场景里形成的系统工程、供应链协同和找瓶颈的能力，拿来解决新的问题。
02 “平面上没办法了，就从立体上来把它更近地结合到一起”
顾翎羽： 你把算苗的技术路线称为“时间微缩”，它与先进制程的几何微缩有什么不同？
汪福全： 几何微缩是把晶体管做小。从7纳米到5纳米、3纳米、2纳米，晶体管之间的距离变短，信号传输时间也变短，所以性能提高、功耗下降。
但几何微缩最终还是为了“时间微缩”。真正更底层的命题不是几何尺寸，而是完成一次计算需要多长时间。平面上继续缩小越来越难，资本投入越来越高，收益越来越有限。在中国当前的条件下，我们也没有办法把希望全部寄托在EUV和最先进制程上。
所以我们的选择是，从平面走向立体。通过3D设计和堆叠，把原本在平面上相隔很远的晶体管、逻辑和内存更近地结合在一起，降低数据传输延迟。几何微缩是把平面做得更小，时间微缩是直接围绕延迟重新设计系统。
顾翎羽： 3D堆叠是成熟制程受限时的替代方案吗？
汪福全： 不是临时替代。我认为它是数字计算在摩尔定律之后的下一个阶段。
过去是2D，GPU和HBM共封在中介层上以后进入2.5D，现在会真正进入3D。混合键合和逻辑折叠，都是时间微缩的路径。中国因为先进制程受限，对3D更有紧迫感，但即使没有限制，数字计算也会走向3D。
我判断这个阶段会持续10年，长一点可能20年。再往后，我更看好光计算。AI本质上是概率判断，长期看可能更适合低功耗的模拟计算。但光计算还没有形成大规模量产能力，产业的主要资本开支仍然在数字电路。所以眼前能落地的仍然是3D数字计算。
顾翎羽： 解决内存带宽，行业主流方案是HBM，你们为什么一开始就排除了它？
汪福全： 我们从2018年开始解决算力芯片的内存问题，2019年底确定走3D堆叠。HBM在带宽上有进步，但它仍然是2.5D方案，GPU和内存之间的连接数量有限。
HBM的接口是几千根线。我们通过混合键合把两个晶圆垂直连接，连接可以做到上百万根。连接数量提升以后，逻辑和内存之间的数据通道变得完全不同。我们过去在其他算力领域做过48TB/s的带宽。3D解决带宽这件事，我们已经在其他芯片上完成过量产验证。
顾翎羽： 行业采用HBM，也因为它是标准化、可复用的方案，算苗为什么反而选择非标准路线？
汪福全： 这是通用化与极致优化两种思维模式的差别。传统内存要服务很多市场，需要标准化；我们只解决大模型推理这一个问题，可以没有那么多框框。
GPU为了通用，会保留很多能力。HBM也要兼容既有系统。我们不需要维护这些历史包袱，可以围绕Token推理重新设计逻辑、内存、带宽和软件。好处是效率可以做到极致，代价是设计和供应链更复杂，所有环节都要由自己推动。
顾翎羽： 非标准方案通常意味着更高成本，混合键合怎么做到比HBM便宜？
汪福全： 混合键合本身没有外界想象得那么贵，成本比HBM要低得太多。HBM价格高，一方面是它的制造和封装复杂，另一方面也受供需影响。我们用的是DRAM晶圆，通过垂直堆叠把带宽做出来。
容量方面，算苗A4E芯片设计目标是八层DRAM堆叠，不考虑冗余设计可以做到每层20GB，总容量160GB。未来做到20层，在单层容量不变的情况下可以到400GB。我们不是在带宽和容量之间二选一，而是希望通过堆叠同时解决两件事。
顾翎羽： 高带宽不必然转化为高推理性能，你们怎么证明系统没有新的瓶颈？
汪福全： 任何系统都会有瓶颈，关键是把瓶颈放在哪里。我们判断当前推理系统最主要的卡点就是带宽。如果不是带宽，我们没有理由做3D。
所以设计要看内存容量、SRAM、计算单元、互联和软件能不能一起平衡。我们把芯片看成一个完整系统，不追求某一项参数特别漂亮。最终当然还是要用客户的真实模型验证，回片以后会看到这个平衡是不是成立。
顾翎羽： 英伟达也有能力做3D，为什么它不会跟进？
汪福全： 不是它没有能力，而是它有路径依赖。英伟达真正强大的地方是CUDA，是围绕GPU形成的完整范式。这个范式过去是它的优势，时代变化时也可能成为包袱。
大公司已经有大量HBM订单和成熟产品，没有紧迫性自己革自己的命。中国公司不一样。先进制程受限，不走3D，很难用12纳米接近先进制程的水平，我们没有退路。创新经常发生在边缘，不是因为边缘的人一定更聪明，而是他们没有既有利益需要维护。如果世界是线性变化的，那永远也不是我们的天下。只有当时代发生断层，新的公司才有机会出来。
03 “TokenPU是为大模型而生的”
顾翎羽： TokenPU与GPU最本质的区别是什么？
汪福全： TokenPU是为大模型而生的。
GPU最早是图形处理器，为图像、视频和游戏设计。后来CUDA增加了可编程性，使GPU可以做高性能计算，也推动了大模型。GPU是伟大的产品，但到了推理大规模部署阶段，它的通用性带来了成本和能耗。
TokenPU从芯片架构开始，就只围绕大模型推理做极致优化。大模型输入的是上下文，输出的是Token，代码、图片、视频以后也都可以Token化。既然最终处理对象可以统一成Token，就应该有一种原生处理器围绕它设计，就像GPU当年围绕图形设计一样。
顾翎羽： 很多NPU也声称自己专门为AI设计，TokenPU只是一个造出来的新名字吗？
汪福全： 很多NPU是AI 1.0时代延展过来的，服务的是卷积网络和不同类型的AI任务。TokenPU的出发点是大模型，是Transformer出现以后围绕Token计算重新设计。
但它也不是固定算法ASIC。不同客户使用DeepSeek、Gemini或者其他模型，结构和参数都会变化。我们在芯片各个部件里加入RISC-V核，保留可编程性。它是专用处理器，但不是只能跑一个模型。
顾翎羽： 专用化越强，对模型架构变化越敏感，你怎么判断Transformer不会很快被替代？
汪福全： 一代芯片的生命周期大约两年。我们设计时要看未来两三年，也要考虑五年左右的算法变化，比如必须支持MoE。
Transformer从2017年提出，到后来出现智能涌现，已经形成很强的惯性。一个新范式不是今天发布、明天全行业就迁移。未来五年甚至十年，大模型沿着这条路线发展的趋势不会轻易改变。
当然，这是我们的判断。做芯片一定要对未来下注，不下注就没法定义产品。关键是，下注以后还要保留足够的可编程性，让芯片能够适应模型变化，而不是把所有东西焊死。
顾翎羽： 脱离CUDA以后，硬件效率会不会被软件损耗吃掉？
汪福全： 硬件决定系统能力的上限，软件负责把能力释放出来。如果硬件上限很低，软件再好也无法突破；如果硬件能力很强，但软件释放不出来，同样没有价值。
我们不是说软件不重要，也不是说CUDA已经没有壁垒。训练要支持大量模型开发、调试和组件，CUDA生态仍然非常强。国内公司如果想做训练芯片，一定要接入CUDA。推理不同，模型已经成型，主要工作是部署、算子优化和提供接口。软件挑战仍然存在，但比训练低很多。
过去GPU的目标是通用性，用的人越多，生态越强。大模型推理的目标函数变成每个Token的成本。客户最终看的是同一个模型、同样输出质量，需要多少卡、多少电、多少机柜。目标函数一变，通用性就不再是唯一优势。
顾翎羽： 为什么不同时做训练，把市场做得更大？
汪福全： 因为训练和推理的瓶颈不一样。训练是离线任务，可以通过并行和拼接，把一部分带宽问题转成计算问题，先进制程和计算峰值更关键。如果现在基于国内12纳米工艺做产品，在训练市场没有同样明显的3D优势。
推理要求实时响应，模型权重要不断从内存搬到计算单元，是典型的带宽敏感任务。所以我们先做推理。以后国内7纳米、5纳米条件成熟，我们再考虑训练。现在什么都做，只会把有限资源分散掉。
顾翎羽： 你称2023年训练与推理需求大约是八比二，现在已经反过来，这个判断依据是什么？
汪福全： 2023年大模型公司大量买GPU做训练，推理应用还没有起来。过去三年，模型逐步进入搜索、编程、视频和各种Agent，算力需求开始从训练转向调用。我们看到的客户需求里，推理已经占到大头。
尤其是Agent。过去我们聊天、编程还好，Agent为了完成一个任务，会自己调度、开辟线程、大量消耗Token找出一个好结果。表面上用户只发出一条指令，后台Token消耗会放大很多倍。这个变化使推理从训练后的附属环节，变成一个独立且规模更大的市场。
04 “我们走的是第二个，就是可大规模量产”
顾翎羽： 国产先进工艺产能稀缺，你们怎么保证量产？
汪福全： 产能确实稀缺。这是一个很残酷的游戏。性能好、能效高，产品就有更大的利润空间，也能承受更高的晶圆和内存价格，从而拿到更多产能。性能不够，价格开不上去，就更难获得产能。产能又会反过来影响客户和收入，最后形成马太效应。
我判断这个市场很难长期容纳很多同质化公司，最后可能只剩一两家。设计只是第一关，能不能把晶圆、内存和键合产能组织起来，是另一关。
顾翎羽： 如果靠更高价格争夺产能，你们的低成本优势会不会被抵消？
汪福全： 所以能效很重要。客户买的不是一张便宜芯片，而是完成同样Token任务的总成本。芯片采购、服务器、机柜、电力和运维都要算进去。
如果一张卡贵一些，但需要的卡更少、耗电更低，整体仍然可能更便宜。反过来，如果单价低，但要用更多卡，数据中心成本并不低。我们要证明的是每个Token的总成本，而不是只证明芯片报价低。
05 “后面的token价格如果不涨，就是很幸运的事，就是福音”
顾翎羽： 模型不断压缩、推理效率不断提升，每个Token的价格会持续下降吗？
汪福全： 技术进步一定会降本。模型会量化，数据格式会优化，从FP8到FP4，量化一次省一半电；我们硬件的创新，从12纳米往7、5纳米走，也能提高能效。
但需求增长可能更快。头部客户的Token需求大约每半年翻一倍。每个Token最后都是卡算出来的，背后是芯片和电费。单个Token更便宜以后，用户不会只生成原来那么多Token，而会把模型放进更多场景，让一次任务调用更多次。结果是总需求继续增长。
所以未来Token价格如果不涨，已经是很幸运的事。不是技术没有进步，而是需求把降本空间吃掉了。
顾翎羽： 现在很多Token需求来自补贴和试用，这里面有多大泡沫？
汪福全： AI肯定有泡沫。任何新产业快速发展时都有泡沫，啤酒有点泡沫它好喝嘛。
而且AI这个泡沫比（2000年）互联网小的多，因为它真的解决了编程、做视频这些问题，有很好的营收，底下有坚实支撑。每个Token的产出，不是逼着你去产出的，是你自己在用，只是付的钱少而已。泡沫破灭以后，假的东西会被打掉，真的东西留下来。
顾翎羽： 如果泡沫破裂，最先被淘汰的会是什么公司？
汪福全： 没有产品、没有供应链、只有概念的公司会先遇到问题。芯片尤其如此。做一张片子演示，与真正大规模量产完全不同；做出峰值参数，与客户愿意持续采购也不同。
最后要回到几个基本问题：性能是不是真的，能效是不是真的，软件能不能用，供应链能不能稳定交付，客户的总成本能不能下降。资本好的时候，这些问题可以往后放；资本收紧以后，每一个问题都会被重新审视。
顾翎羽： 你相信Scaling Law没有上限，这是不是另一种过度乐观？
汪福全： 我说没有上限，不是说现实中没有约束。真正的上限就是有多少算力、多少能源，以及人类愿意为此付多少钱。模型规模、数据和推理计算继续增加，能力还会提高。MoE、量化和各种算法优化，本质上也在节约能源，让Scaling Law能够继续。过去几年，很多人每次都问还能不能继续，最后它还是往前走了。
具身智能、机器人和世界模型出现以后，Token不再只是文字，还会包含图像、视频和空间信息，需求会进一步扩大。我们做芯片，就是相信这个趋势会持续。如果这个判断错了，TokenPU的市场也会受到影响；如果判断成立，能耗会成为越来越核心的约束。
