AI加速器企业：算能SOPHGO——从BM系列TPU到RISC-V服务器芯片的中国算力平台公司
算能（SOPHGO）是一家中国人工智能和高性能处理器企业，主要研发 TPU人工智能处理器、RISC-V处理器以及覆盖云、边、端的智能计算产品。
与只做一颗NPU或者一张AI加速卡的企业不同，算能的产品跨度非常大：一端是BM1688、CV18xx等面向摄像头、工业设备和边缘AI的低功耗处理器；另一端是BM1690这样的训练推理一体AI处理器。
与此同时，公司还开发SG2042、SG2044等服务器级RISC-V CPU，希望建立从CPU、AI加速器、开发工具一直到服务器和边缘设备的完整自主计算平台。
算能官方目前把自己的定位概括为“全球领先的定制算力提供商”，应用覆盖智算中心、大模型、城市管理、智能安防、教育和智能终端等领域。
算能今天最值得关注的地方，并不只是某一颗芯片有多少TOPS，而是公司同时押注了两个非常重要的国产计算方向：AI专用TPU和开放指令集RISC-V。
在AI领域，它希望建立一套不依赖CUDA的国产AI计算生态；
在通用计算领域，它又试图利用RISC-V挑战长期由x86和ARM主导的服务器与边缘处理器市场。
算能是谁？
根据算能官方发展历程，SOPHON算丰品牌最早在2016年推出，随后陆续发布BM1680、BM1682、BM1880等AI处理器。
2019年算能公司正式成立，同时推出BM1684；
2021年算丰并入算能，并完成A轮融资；
2022年发布BM1684X和CV180/CV181系列并完成A+轮融资；
2023年推出BM1688以及64核服务器级RISC-V处理器SG2042；
2024年发布面向大模型训练与推理的BM1690；
2025年又推出第二代服务器级RISC-V处理器SG2044。
算能与比特大陆之间具有明显的历史渊源。
早期SOPHON产品的软件和PCIe设备信息中甚至可以看到Bitmain Technologies的标识，公开报道也长期把算能与比特大陆联合创始人詹克团联系在一起。
因此今天讨论算能时，更准确的理解应该是：它已经形成独立的AI和RISC-V处理器产品体系，而SOPHON则成为旗下延续多年的计算品牌。
算能到底在做什么？
算能的业务大致可以分成两条主线。
第一条是：TPU / AI Accelerator。
代表产品包括：
BM1684。
BM1684X。
BM1688。
BM1690。
以及CV18xx系列。
这些芯片主要负责深度学习推理、视频AI、大模型以及进一步扩展的训练工作负载。
第二条是：RISC-V CPU。
代表产品包括：
SG2042。
SG2044。
以及其他面向嵌入式和AIoT的RISC-V处理器。
因此算能并不只想成为“中国版NPU公司”。
它真正想建立的是：CPU + TPU + Software + Server + Edge Device。
这也是为什么在算能的产品生态中，经常可以看到AI处理器和RISC-V处理器同时出现。
什么是算能的TPU？
TPU通常可以理解为：Tensor Processing Unit，张量处理单元。
现代神经网络中的大量计算本质上是：
Matrix Multiplication。
Convolution。
Attention。
Vector Operation。
传统CPU虽然什么都能做，但是在这种高度并行的矩阵运算中效率并不理想。
而TPU则进一步针对神经网络中的张量运算设计专用硬件。
算能的BM系列就是这种思路。
它不需要像CPU那样为大量通用程序保留复杂的执行资源，而是把更多芯片面积用于：
矩阵计算。
张量运算。
数据搬运。
视频处理。
以及神经网络推理。
这与Google把自己的AI芯片称为TPU在概念上类似，但两者并不是相同架构或者兼容产品。
BM1684：算能真正建立AI产品体系的一代
2019年算能成立时推出BM1684。
BM1684后来成为算丰大量加速卡、开发板、边缘服务器和智能视觉产品的核心处理器，并形成比较完整的软件开发体系。
这一代产品大量面向：
智能安防。
智慧交通。
城市大脑。
视频分析。
工业视觉。
人脸识别。
以及其他传统Computer Vision工作负载。
当时最重要的问题不是运行大语言模型，而是：一台服务器能同时分析多少路摄像头？
因此算能很早就把AI accelerator和硬件视频编解码结合到同一平台。
这条设计思路一直延续到今天。
BM1684X：32 TOPS成为算能非常重要的边缘AI芯片
2022年，算能推出第四代深度学习处理器：BM1684X。
这是算能目前生态中仍然非常重要的一款AI processor。
官方产品资料显示，BM1684X可以提供：
32 TOPS INT8。
16 TFLOPS FP16/BF16。
以及：
2 TFLOPS左右FP32计算能力。
相关SoC还集成8核ARM Cortex-A53处理器，最高主频约2.3GHz，并拥有视频解码、视频编码和图像处理单元。
这意味着BM1684X并不是一颗只能插在服务器里的纯AI accelerator。
它还可以作为一颗完整SoC运行Linux。
算能官方把这种运行方式称为：SoC Mode。
另外BM1684X也可以做成PCIe加速卡，插入x86或者ARM服务器中使用：PCIe Mode。
这种灵活性使BM1684X既能进入服务器，也能进入工业计算机和边缘AI盒子。
BM1684X为什么非常适合视频AI？
BM1684X除了TPU，还集成大量视频处理能力。
官方产品资料显示，它可以支持大规模H.264/H.265高清视频硬件编解码。
这对于AI摄像头非常重要。
一个典型智能安防系统实际工作过程不是：JPEG图片 → AI。
而是：H.265视频流 → 解码 → 图像处理 → AI推理 → 结果 → 重新编码。
所以算能直接把：
VPU。
VPP。
JPU。
TPU。
放到同一个计算平台中。
这也是算能早期在智能安防、智慧交通和多路视频分析市场比较有竞争力的原因。
一台BM1684X边缘设备已经可以运行小型大模型
随着ChatGPT兴起，BM1684X也被重新用于大模型推理。
算能官方已经提供在BM1684X上部署：
ChatGLM2-6B。
Llama2。
Stable Diffusion。
SAM。
Whisper。
等模型的开发和教学资源。
例如采用BM1684X的AirBox微服务器拥有32 TOPS INT8算力，可以在边缘侧运行ChatGLM2-6B以及Stable Diffusion等模型。
当然，这与一块NVIDIA H100运行大型LLM完全不是一个性能等级。
但它说明另外一个趋势：过去只用于摄像头AI的NPU，也开始承担本地生成式AI。
这正是整个Edge AI市场近年来发生的变化。
BM1688：第五代边缘张量处理器
2023年，算能进一步推出：BM1688。
算能官方把BM1688和CV186AH归为第五代张量处理器。相比BM1684X，这一代进一步面向低功耗、高效率边缘AI，同时增加INT4等低精度模型支持。
BM1688已经广泛进入算能SE9等微服务器产品。
例如算能目前官方网站直接展示基于BM1688的SE9 16-BP1系列微服务器，可以进行16路高清视频智能分析。
这很好地说明BM1688真正的产品定位：它不是为了在数据中心训练GPT。
它主要解决 边缘侧持续运行多个AI模型。
例如：
工业质检。
智慧园区。
智能交通。
视频结构化。
边缘大模型。
机器人。
以及各种AIoT设备。
CV18xx：让AI进一步进入摄像头和智能终端
算能还有一条容易被忽略的产品线：CV系列。
例如：
CV180。
CV181。
CV182。
CV183。
CV186。
以及正在推进的CV184系列。
这类处理器通常比BM系列更靠近终端设备。
例如CV181xC被算能定位为：RISC-V 5M轻智能深度学习视觉处理器。
而SG200X则采用RISC-V + ARM双架构，面向开源智能深度学习视觉设备。
因此算能实际形成了一个非常宽的AI产品阶梯：
摄像头和AIoT：CV18xx。
边缘AI：BM1688。
中高性能推理：BM1684X。
更大型AI训练和推理：BM1690及后续产品。
这就是所谓：云、边、端。
BM1690：算能正式进入大模型训练与推理
2024年，算能发布：BM1690。
官方将它明确称为：大模型训推一体处理器。
这与BM1684X、BM1688的定位已经明显不同。
过去算能最强的市场是 Inference。
特别是 Computer Vision Inference。
BM1690则意味着算能开始进入：Large Model Training + Large Model Inference。
从当前算能公开软件生态也可以看出这一变化。
TPU-MLIR已经支持：
BM1690。
多核心Matrix Multiplication。
Llama。
Qwen。
Gemma。
Dynamic Model。
以及越来越多低精度量化方式。
当前开源代码中BM1690支持FP32、FP16、BF16、INT8和INT4等多种数据格式，并采用多核心TPU结构。
这说明BM1690已经不只是一个产品名称，而是在算能软件栈中持续获得实际开发支持。
为什么训练和推理一体越来越重要？
过去很多AI accelerator只做Inference。
原因很简单，训练要求更复杂。
需要：
Forward。
Backward。
Gradient。
Optimizer。
大量高精度计算。
超大内存。
高速芯片互联。
成熟Distributed Computing。
而推理只需要：已经训练好的模型 → 输入 → 输出。所以初创公司更容易先做推理。
但是随着大模型成为AI基础设施核心，如果一家公司永远只能运行训练好的模型：
能够进入的市场就会受到限制。
算能推出BM1690，本质上是在尝试向：真正的数据中心AI计算平台 扩展。
算能的软件核心之一：TPU-MLIR
一颗AI芯片真正能不能使用，很大程度不是看芯片。而是看 Compiler。
NVIDIA最强大的护城河之一是CUDA。
Google TPU有自己的XLA生态。
而算能的重要开源项目之一就是：TPU-MLIR。
MLIR是LLVM生态中用于构建编译器的一套中间表示基础设施。
TPU-MLIR可以把来自：
PyTorch。
ONNX。
TFLite。
Caffe。
以及其他AI框架的模型，转换成能够在算能TPU上运行的 Model ，或者CV系列使用的模型格式。
开发者不需要自己手写TPU底层指令。
基本流程可以理解为：
PyTorch / ONNX模型
→ TPU-MLIR
→ Quantization
→ Optimization
→ BModel
→ 算能TPU。
这就是算能建立独立于CUDA生态的关键基础之一。
SOPHONSDK：完整深度学习开发环境
除了TPU-MLIR，算能还提供：SOPHONSDK。
SOPHONSDK覆盖：
Model Conversion。
Runtime。
Image Processing。
Video Processing。
Device Management。
Inference API。
以及其他开发组件。
例如：
SAIL，提供Python和C++高级接口。
BMRuntime，负责模型运行。
BMCV，负责图像计算。
BMLib，负责设备管理、内存和数据传输。
TPUKernel，提供更底层算子开发。
而且算能还提供PPL等TPU编程工具，让高级开发者可以编写自定义算子。
这说明算能已经不是只拥有几颗AI chip。
它正在持续建立自己的：Software Stack。
算能同时支持大量主流AI框架
在BM1684X等成熟产品上，算能已经支持：
TensorFlow。
PyTorch。
Caffe。
Paddle。
ONNX。
MXNet。
Tengine。
DarkNet。
这一点非常重要。
如果一家AI芯片企业说：“我们芯片性能比GPU高三倍。”但客户需要花半年重新写模型，很多企业仍然会选择GPU。
所以对于算能来说，真正重要的问题不是 “BM芯片有多少TOPS？” 而是 一个普通PyTorch模型需要多少工作才能跑起来？
TPU-MLIR和SOPHONSDK就是解决这个问题的。
算能还有另外一张王牌：RISC-V
如果算能只拥有BM系列 它可以被简单归类成一家国产NPU企业。
但是它还有另外一条非常重要的产品线：RISC-V。
RISC-V是完全开放的CPU instruction set architecture。
过去服务器CPU基本被：
Intel x86。
AMD x86。
Arm。
三大体系控制。
算能则希望推动：RISC-V进入服务器。
这条路线比在MCU里使用RISC-V困难得多。
因为服务器需要：
高性能乱序执行。
Cache Coherence。
大容量内存。
PCIe。
Virtualization。
Compiler。
Database。
Cloud Software。
整个生态都必须成熟。
SG2042：64核RISC-V服务器CPU
2023年，算能发布：SG2042。
这是公司非常具有代表性的RISC-V产品。
SG2042拥有：64个RISC-V CPU核心。
最高主频约：2GHz。
共享：64MB L3 Cache。
并拥有最多约32条PCIe Gen4通道。
这颗芯片真正的意义不是 “它能不能立即击败AMD EPYC？”
而是：RISC-V第一次真正进入几十核服务器CPU市场。
过去RISC-V更多出现在：MCU，Embedded Controller，IoT。
而SG2042开始让 Linux Server，Docker，Kubernetes，Database，HPC 成为可能。
Milk-V Pioneer让普通开发者真正使用64核RISC-V
SG2042后来进入：Milk-V Pioneer。
这是一台真正可以买到的RISC-V workstation / development system。
它可以运行：
openEuler。
以及其他Linux distribution。
这对于RISC-V ecosystem非常重要。
一个CPU architecture只有paper和simulation 没有意义。
必须有人真正编译：
Linux Kernel。
GCC。
LLVM。
Python。
Java。
MySQL。
Kubernetes。
才能形成生态。
SG2042让开发者真正开始做这些事情。
SG2044：第二代服务器级RISC-V处理器
2025年，算能进一步推出：SG2044。
官方把它称为：第二代服务器级RISC-V处理器。
当前公开开发资料显示，SG2044平台继续采用服务器级高性能RISC-V核心，开发配置中已经出现最高约2.8GHz的CPU频率、64MB L3 Cache以及LPDDR5X等平台能力。
从SG2042到SG2044说明算能并不是做完一颗RISC-V demo以后就停止。
它正在真正形成：Server RISC-V Roadmap。
这一点在目前全球RISC-V企业里并不常见。
很多RISC-V公司主要销售IP。
算能则直接做：
Chip。
Board。
Workstation。
Server。
Cluster。
TPU + RISC-V可能才是算能真正的长期路线
把两条产品线放在一起，就能看到算能真正有意思的地方。
SG2042 / SG2044：负责 General-Purpose Computing。
BM1684X / BM1688 / BM1690：负责 AI Computing。
未来一台国产AI服务器理论上可以采用：
RISC-V CPU。
SOPHON TPU。
SOPHONSDK。
形成一套相对独立的完整计算平台。
这与传统服务器：
CUDA
的结构非常相似。
所以算能真正长期押注的并不是 某一颗TPU，而是 CPU + AI Accelerator的国产计算体系。
算能和NVIDIA有什么不同？
NVIDIA的核心路线是：
GPU。
CUDA。
HBM。
NVLink。
完整Data Center AI platform。
算能目前还无法在规模、性能和生态上与NVIDIA正面相比。
但算能的路线更加多元。
它同时拥有：
RISC-V CPU。
TPU。
Video Processor。
Edge AI SoC。
Server Processor。
Compiler。
SDK。
因此算能实际上是在尝试构建 国产异构计算平台，而不是单纯制造“一块便宜一点的GPU”。
算能和华为昇腾有什么不同？
昇腾的主要优势包括：
大型训练和推理集群。
完整软件栈。
服务器。
网络。
华为云。
以及庞大的企业市场体系。
算能的规模显然更小。
但算能拥有两个比较鲜明的特点。
第一：更加开放。TPU-MLIR、RISC-V以及大量开发工具采用开源方式建设生态。
第二：RISC-V。算能同时押注Server CPU和AI Accelerator。
算能则更像：开放型CPU + TPU计算平台企业。
算能和寒武纪有什么不同？
寒武纪和算能都是中国较早进入AI processor市场的企业，但是今天的产品路线已经明显不同。
寒武纪主要围绕 MLU建立AI训练、推理和服务器加速卡体系。
算能则拥有：BM TPU，CV Edge AI，以及 SG RISC-V CPU。因此算能的覆盖范围更加宽。
算能则进一步把业务扩展到：General-Purpose RISC-V Computing。
这也让两家公司未来未必是完全正面的竞争关系。
算能和地平线机器人有什么不同？
地平线机器人同样拥有自研AI processor architecture。
但地平线高度聚焦：汽车。
它的BPU围绕：
ADAS。
Autonomous Driving。
Automotive SoC。
设计。
算能则更加通用。
应用包括：
Smart City。
Industrial。
Data Center。
Large Model。
AIoT。
Server。
因此地平线更像：
Vertical AI Accelerator Company。
算能更像：
General Computing Platform Company。
算能和Hailo、MemryX也不是一个市场
特别是：
Camera。
Robot。
Industrial Vision。
算能同样拥有BM1688等边缘产品，但它同时向两个方向延伸。
向下：
CV系列进入IoT和智能终端。
向上：
BM1690进入大模型训练推理。
再加上：
SG2044 RISC-V服务器CPU。
因此算能的产品跨度明显更大。
算能为什么非常强调“开源”？
RISC-V最大的优势就是：Open ISA。
如果算能自己的软件全部封闭，就失去了很大一部分RISC-V价值。
所以算能积极推动：
openEuler。
OpenWrt。
FreeRTOS。
RT-Thread。
以及其他操作系统进入自家芯片。CV1800B和SG200X等平台已经适配多种Linux和RTOS系统。
另一方面：TPU-MLIR同样已经作为公开项目持续开发。
现在还在不断加入：
Qwen。
Llama。
Gemma。
VLM。
INT4。
W4A8。
以及其他新的大模型功能。
因此算能真正需要建立的是：Developer Community。
而不是只依靠几家政府或大型企业客户。
Milk-V成为算能RISC-V生态的重要伙伴
算能自己不一定需要制造所有最终产品。
Milk-V已经成为其RISC-V ecosystem非常重要的硬件伙伴。
例如：
Milk-V Duo使用CV1800B。
Milk-V Pioneer使用SG2042。
这些产品让大学、研究机构、Linux developer和RISC-V爱好者可以真正接触算能芯片。
这和Raspberry Pi推动ARM生态有一点类似。
真正形成CPU生态：
不能只有几家大型服务器厂商。
还需要：
学生。
开发者。
开源社区。
Maker。
大学。
共同使用。
算能已经形成大量硬件产品形态
算能目前不是只销售裸芯片。
产品已经覆盖：
PCIe加速卡。
AI模组。
AI主板。
微服务器。
边缘AI盒子。
RISC-V开发板。
RISC-V工作站。
服务器。
Cluster。
以及由合作伙伴开发的大量行业产品。
例如算能官方网站目前展示的SE9系列微服务器已经基于BM1688等处理器，提供16路高清视频智能分析等能力。
这种方式有利于降低客户使用门槛。
工业企业不一定拥有PCB设计工程师。
他们真正想买的是：
插电就能跑AI的盒子。
所以芯片公司最终往往需要建立：
Chip → Module → Board → Server。
完整产品层级。
算能也开始全面拥抱本地大模型
2026年以后，算能官网的大量产品和新闻已经明显转向：
Edge LLM。
Agent。
Local AI。
例如公司在2026年1月宣布边缘硬件适配MoltBot等AI Agent环境，并与清程极智合作推进自主大模型推理服务生态，同时与360集团签署智能体生态合作。
这一变化很容易理解。
现在：Edge AI = Camera + Speech + LLM + VLM + Agent。
所以BM系列芯片必须从：
YOLO。
ResNet。
逐渐发展到：
Qwen。
Llama。
VLM。
Speech。
Generative AI。
这也是为什么BM1690和新一代边缘芯片越来越重要。
算能的融资情况
算能并不是上市公司，因此公开财务数据远没有地平线机器人、寒武纪那样完整。
按照公司官方发展历程：
2021年：完成A轮融资。
2022年：完成A+轮融资。
算能没有在当前公司介绍中公布这些融资的具体金额，因此在评价公司规模时，不适合简单用网络上传播的各种估值或融资数字作为确定事实。
相比融资金额，算能目前更值得关注的是：能否持续推出新一代silicon。
从2016年以来：
BM1680。
BM1682。
BM1880。
BM1684。
BM1684X。
BM1688。
BM1690。
CV系列。
SG2042。
SG2044。
这条迭代路线说明其核心研发体系仍然持续运行。
2025年被美国列入Entity List
算能还面临一个不能忽略的现实风险：美国出口管制。
2025年1月，美国商务部BIS将Sophgo Technologies Ltd.以及多个算能/SOPHON相关实体加入Entity List，并给予Footnote 4相关限制。
美国商务部表示，此次行动针对其认为涉及中国先进AI和先进计算芯片发展的企业。
在此之前，Reuters于2024年报道，TSMC在一颗为Sophgo生产的芯片被发现出现在华为Ascend 910B相关调查后暂停向Sophgo供货。
Sophgo当时否认与华为存在业务关系，并表示其遵守相关法律规定。
无论这些争议最终如何发展，美国Entity List本身都会给算能带来现实影响。
特别是：
先进晶圆代工。
EDA。
IP。
高速接口。
先进封装。
以及其他含美国技术的供应链。
都可能受到限制。
这是今天评价算能未来发展时必须考虑的一个重要风险。
为什么供应链问题对AI芯片尤其严重？
一颗简单MCU可以使用非常成熟的：
40nm。
55nm。
甚至更老制程。
更高算力。
更高内存带宽。
更低功耗。
往往需要：
先进制程。
先进封装。
HBM。
高速SerDes。
复杂EDA。
其中很多技术供应链受到美国出口控制影响。
因此对于BM1690以及未来更高性能AI processor来说：
真正的竞争已经不只是Architecture，还包括 能不能稳定制造。
但算能仍然继续推进新产品
值得注意的是，在2025年受到美国出口限制以后，算能官方路线并没有停止。
2025年公司发布：SG2044。
并表示第二代训推一体处理器、CV184系列和第五代边缘处理器继续推进。
进入2026年以后，公司官网仍然持续更新边缘AI、大模型推理和智能体相关产品与合作。
因此目前评价算能更准确的方式不是 “受到限制以后公司就无法继续。” 而是 供应链难度明显增加，但产品和软件路线仍在继续推进。
算能最大的优势
算能第一个优势是：产品线非常完整。
从 摄像头，边缘设备，AI服务器，一直到RISC-V服务器CPU，公司几乎覆盖整个计算体系。
第二个优势是：TPU + RISC-V双路线。这一点在AI芯片企业中非常少见。
第三个优势是：软件已经积累多年。
TPU-MLIR。
SOPHONSDK。
SAIL。
BMRuntime。
PPL。
不是刚刚开始建设。
第四个优势是：成熟边缘AI产品。
BM1684X、BM1688等已经形成开发板、服务器、微服务器和合作伙伴生态。
第五个优势是：开源。
尤其RISC-V和TPU-MLIR有利于建立developer ecosystem。
第六个优势是：产品持续迭代。
从2016年至2026年，几乎每隔一两年都有新processor architecture出现。
算能最大的风险
最大风险首先是：先进制程供应链。美国出口限制可能影响先进芯片制造和相关技术获取。
第二个风险是：AI软件生态。无论TPU-MLIR进展多快，与CUDA几十年的软件积累相比仍然存在巨大差距。
第三个风险是：训练市场竞争极强。
进入BM1690以后，算能需要面对的不再只是Edge NPU公司，而是：
华为昇腾。
寒武纪。
以及大量国内大型AI accelerator企业。
第四个风险是：RISC-V服务器生态仍然年轻。
SG2042可以运行Linux，不代表企业马上会把Intel和AMD服务器全部替换。
Database。
Java。
Cloud Native。
Virtualization。
HPC。
商业软件。
都需要多年优化。
第五个风险是：产品线太宽。
同时做：
TPU。
RISC-V。
Edge AI。
Server。
Video。
Large Model。
对一家规模有限的半导体企业来说，会消耗巨大的研发资源。
算能真正特别的地方是什么？
如果只看BM1684X：
算能是一家Edge AI Accelerator企业。
如果只看BM1690：
如果只看SG2042和SG2044：
它又是一家服务器RISC-V CPU企业。
但把所有产品放在一起：
就能看到算能真正想做的事情。
它希望建立：一整套独立的计算体系。
通用程序：RISC-V CPU运行。
AI workload：TPU运行。
视频：专用VPU处理。
编译：TPU-MLIR完成。
AI deployment：SOPHONSDK完成。
底层：
Linux和开源生态。
最终形成：RISC-V + TPU + Open Software。
这才是算能真正的长期技术路线。
算能值得关注吗？
算能是中国 AI Accelerator 行业中非常值得长期关注的一家公司，但它与很多只做一颗NPU的企业非常不同。
公司真正有意思的地方并不是BM1684X拥有32 TOPS，也不是SG2042拥有64个RISC-V核心。
更重要的是：它同时掌握了AI计算和通用CPU两条处理器路线。
从2016年SOPHON品牌出现，到2019年算能成立，再到BM1684X、BM1688、BM1690以及SG2042、SG2044，算能已经逐渐形成一条相对清晰的计算平台路线。
过去算能最强的市场是：
智能安防。
视频分析。
智慧城市。
边缘AI。
现在公司正在向：
Large Model。
Generative AI。
Agent。
Training。
Server RISC-V。
继续扩张。
与此同时，2025年美国Entity List以及先进芯片制造限制，意味着算能未来能否继续获得先进制造能力，将成为一个非常重要的不确定因素。
所以评价算能不能只看：“它的TOPS和NVIDIA相比怎么样？”
真正应该看的问题是：中国能不能建立一套不依赖x86 + CUDA的完整计算体系？
如果答案最终是肯定的，那么RISC-V和国产AI accelerator很可能同时扮演重要角色。
而算能恰好同时押注了这两个方向。
如果把NVIDIA的路线概括为：CPU + GPU + CUDA + NVLink构建AI计算平台。
那么算能的长期路线可以概括为：RISC-V + TPU + 开源编译器，构建从边缘设备到服务器的自主算力平台。