成本低20倍速度高10倍，“芯片即模型”打破GPU神話？（附論文原文）

兩天前，AI芯片創業公司 Taalas 發布了一篇頗具宣言意味的文章：《The Path to Ubiquitous AI》（《通往無處不在的 AI 之路》，原文附后）

核心觀點只有一句話：AI 要真正普及，必須解決兩個問題，延遲和成本。

該文指出，如今的AI基礎設施正在走向一種“數據中心+電廠”的畸形路徑。

房間大小的服務器、數百千瓦功耗、液冷系統、HBM堆疊、復雜封裝、成公里長的電纜。

這被認為不是AI的終局。

因為真正普及的技術，必須變得更簡單、更快、更便宜。

為此，Taalas提出一個極端方向，為每一個模型，生產專用芯片。

也就是說，不搞通用 GPU，而是“模型即芯片”。

為此， Taalas 開發了一個平臺，可以將任何 AI 模型轉化為定制硅芯片。“從收到一個全新的模型開始，只需兩個月，就能將其硬件化”。

據介紹，Taalas的核心開發理念有三點，即極致專用化、計算與存儲融合，及激進簡潔。

他們發布的首款產品，是硬編碼的 Llama 3.1 8B，性能表現十分搶眼。

據介紹，該產品由 24 人團隊完成，僅花費 3000 萬美元。

比如，17,000 tokens/秒、接近現有方案 10 倍速度、成本降低約 20 倍、功耗降低約 10 倍……

Taalas由此還提出“即時 AI”的概念。

一些資深開發者在 X 上的發帖，“17000 tokens/s…，等待模型思考的時代結束了”。

Basecamp 創始人 DHH 試用后稱，“感覺像作弊一樣快”。

半導體行業投資人 Pierre Lamond 稱，團隊做芯片的經驗業內頂級，認為他們的方向能 1000倍成本改善，從而推動AI成為基礎設施級能力。

Cambrian-AI首席分析師 Karl Freund 在 Forbes 專欄里稱，早期用戶把它的性能形容為“insane（瘋狂）”。

他指出，如果被大規模數據中心采用，可能會改變行業格局。

Freund 的擔憂是，每個模型一顆芯片，那么模型升級是否意味著換硬件？數據中心是否愿意承擔這種不靈活？

因此他認為，模型即芯片方向很有吸引力，但能否成為主流還說不好。

行業媒體 Financial Express分析指出，這種架構更適合穩定、高規模、單模型場景，在多模型頻繁迭代環境中可能受限。

而目前大模型的狀態，更顯然是后者。

但如果未來進入一個“少數基礎模型長期統治”的階段，那GPU是否仍是最優解？

盡管有所爭議，但Taalas在 AI 基礎設方向與架構的探索值得反思。

比如，這是否意味著AI算力可能發生第三次的路線分裂？

第一次分裂，是 CPU → GPU。
深度學習爆發后，通用CPU迅速被淘汰。并行計算取代串行計算，成為基礎設施底座。

NVIDIA 憑借GPU完成市值躍遷，成為AI時代最大贏家。

第二次分裂，是自建GPU → AI 云。

模型越來越大，企業越來越難自己部署，算力被抽象為API。

GPU不再只是硬件，而成為云服務的一部分。

亞馬遜Web Services、微軟 Azure、谷歌 Cloud 、阿里云、字節火山云等，成為 AI 基礎設施代名詞。

第三次分裂，會不會是 Taalas 提出的，模型即芯片？

不再依賴HBM、復雜封裝，也不依賴液冷，不是“更強GPU”，而是“推理專用ASIC的極端版本”。

或者，更本質的，Taalas 路線真正可能改變的，是AI的邊際成本曲線？

以下為Taalas博文原文

《通往無處不在的 AI 之路》

作者：Ljubisa Bajic

許多人相信，AI 確實已經進入真正可用的階段。在一些狹窄領域，它的表現已經超過人類。如果使用得當，它將成為前所未有的人類創造力與生產力放大器。

但它的大規模普及仍然受到兩個關鍵障礙的限制：高延遲和天文級成本。

與語言模型的交互速度遠遠跟不上人類思考的節奏。編程助手可能要思考幾分鐘，這會打斷程序員的心流狀態，限制人與 AI 的高效協作。而自動化的智能體應用需要的是毫秒級響應，而不是按人類節奏慢慢輸出。

在成本方面，部署現代模型需要巨大的工程投入和資本支出：占據整間房間的超級計算機，耗電數百千瓦，依賴液冷、先進封裝、堆疊內存、復雜 I/O，以及成公里的線纜。這最終擴展為城市規模的數據中心園區和配套網絡，帶來極高的運營成本。

雖然當下的趨勢似乎指向一個由數據中心和電廠構成的“反烏托邦未來”，但歷史往往走向另一條路。過去的技術革命，往往始于笨重而夸張的原型，隨后被更實用的突破所取代。

例如 ENIAC——一個充滿真空管和電纜、占據整間房間的龐然大物。它讓人類第一次見識到計算的魔力，但速度慢、成本高、無法擴展。晶體管的出現帶來了快速演進：從工作站、個人電腦到智能手機，最終實現了無處不在的計算，世界并沒有被 ENIAC 式機器所淹沒。

通用計算之所以進入主流，是因為它變得易于制造、速度更快、成本更低。

AI 也必須走同樣的道路。

關于 Taalas

成立于兩年半前，Taalas 開發了一個平臺，可以將任何 AI 模型轉化為定制硅芯片。從收到一個全新的模型開始，只需兩個月，就能將其硬件化。

由此生成的“硬核模型”（Hardcore Models），在速度、成本和功耗方面，相比軟件實現提升一個數量級。

Taalas 的工作基于三大核心原則：

1. 極致專用化

在計算發展史上，深度首款產品由 24 人團隊完成專用化始終是關鍵任務實現極致效率的最佳路徑。

AI 推理是人類面臨過的最重要計算負載之一，也是最適合專用化的領域。

其計算需求推動一個方向：為每一個模型生產最優的專用芯片。

2. 存儲與計算融合

現代推理硬件受到一個人為分割的限制：內存與計算分離，而且運行速度完全不同。

這種分離源于一個長期矛盾：

DRAM 密度更高、成本更低，但訪問片外 DRAM 的速度比片上內存慢數千倍；而計算芯片又無法采用 DRAM 工藝制造。

這種分割帶來了現代推理硬件的大量復雜性：先進封裝、HBM 堆疊、巨大的 I/O 帶寬、不斷上升的功耗，以及液冷系統。

Taalas 打破了這一邊界。通過在單芯片上統一存儲與計算，并達到 DRAM 級密度，其架構實現了前所未有的性能水平。

3. 激進簡化

通過消除存儲與計算的分離，并為每個模型定制芯片，Taalas 從第一性原理重新設計了整個硬件棧。

結果是一個不依賴復雜或前沿工藝的系統：無需 HBM、先進封裝、3D 堆疊、液冷或高速 I/O。

工程上的簡潔，帶來了系統總成本數量級的下降。

首批產品

基于上述理念，Taalas 打造了全球最快、成本和功耗最低的推理平臺。

目前發布的首款產品，是一個硬編碼的 Llama 3.1 8B 模型，既提供聊天演示，也提供推理 API 服務。

這款硅基 Llama 實現：

• 每用戶 17K tokens/秒

• 接近當前最先進方案的 10 倍速度

• 構建成本降低 20 倍

• 功耗降低 10 倍

之所以選擇 Llama 3.1 8B，是因為它體積適中且開源，便于快速硬化部署。

雖然模型為速度進行了大量硬編碼，但仍支持可配置上下文窗口，并通過 LoRA 進行微調。

第一代芯片采用自定義 3-bit 基礎數據類型，并結合 3-bit 與 6-bit 量化，因此在質量上相較 GPU 基準略有下降。

第二代硅平臺將采用標準 4-bit 浮點格式，在保持高性能的同時改善質量問題。

即將推出的模型

第二個模型將是一個中型推理型 LLM，仍基于第一代 HC1 平臺，預計今年春季進入實驗室并很快上線服務。

隨后，將基于第二代 HC2 平臺制造一個前沿級模型。HC2 具有更高密度和更快執行速度，計劃于冬季部署。

即時 AI，觸手可及

首個模型并非最前沿，但團隊仍以 Beta 形式發布，希望開發者體驗：當 LLM 推理達到亞毫秒級速度、接近零成本時，會帶來什么可能性。

他們相信，這將使許多此前不可行的應用成為現實，并鼓勵開發者探索新的應用場景。

關于團隊與方法

Taalas 的核心團隊規模很小，成員多為合作超過二十年的長期伙伴。團隊增長緩慢，重視專業能力、使命一致性和工程紀律。

• 實質重于聲勢

• 工藝重于規模

• 嚴謹重于冗余

在許多深科技創業公司依靠龐大團隊、巨額融資和市場聲量“圍城式推進”的環境中，Taalas 選擇的是一次精準打擊。

首款產品由 24 人團隊完成，僅使用 3000 萬美元（總融資超過 2 億美元）。這證明：明確目標與專注執行，可以勝過蠻力投入。

未來，團隊將持續開放迭代，盡早發布系統，讓開發者參與驗證與完善。

結語

創新始于對既有假設的質疑，以及對被忽視路徑的探索，這正是 Taalas 選擇的方向。

他們的技術在性能、能效和成本上實現了躍遷式提升，并代表一種不同于主流的架構理念——重新定義 AI 系統的構建與部署方式。

真正的顛覆性技術，最初往往并不熟悉。團隊將致力于推動行業理解并采用這一新范式。

從硬編碼的 Llama 開始，并快速擴展到更強模型，Taalas 正在消除 AI 普及的兩大核心障礙：高延遲與高成本。

他們已經把即時、超低成本的智能交到開發者手中，現在，期待看到人們將用它創造什么。