在邊緣計算與大模型融合的浪潮下，晶片行業正經歷一場深刻的架構變革。長期以來，為了應對圖像渲染、語音識別、電腦視覺及神經網路推理等多元化任務，晶片廠商往往傾向於在SoC中不斷疊加專用的加速模組——CPU、GPU、DSP與NPU各司其職。

但問題也由此產生。“每一個加速器都能很好地解決一個問題，但每一個加速器也會創造一個依賴。”

在Imagination Technologies日前舉行的媒體開放日活動上，公司CEO Markus Mosen將這種代價形象地稱為一筆“邊境稅”：不同計算單元像一座座孤島，資料要不斷經過外部記憶體在GPU、NPU、DSP、CPU之間搬運，每跨過一次邊界，都要同時付出三種成本——能耗、時延，以及工程師的開發和維護時間。

對此，Imagination想做“減法”。讓GPU從單純的圖形處理器，進一步成為圖形、通用計算和AI之間的“融合加速器”。近日，Imagination正式公佈其最新的E系列GPU IP的計算性能資料，顯著的性能提升進一步強化了其GPU-First的戰略，E系列採用一顆處理器、一套架構和一套軟體棧，同時處理圖形、計算和AI工作負載。

從終端使用者的角度看，一部手機、一輛汽車、一個機器人或者一台工業攝影機，其實並不會把“感知、建模、推理、決策、渲染”看成五件毫不相關的事情。它們發生在同一條資料鏈路里，面對同一個響應時間，共享同一塊電池，也共享同一個記憶體和功耗預算。

現在的問題是，工作負載已經融合，硅片架構卻沒有完全跟上。

傳統異構SoC往往由CPU、GPU、NPU和DSP分別承擔不同任務，每個處理器又擁有自己的本地記憶體和軟體環境。中間結果不得不反覆進出DRAM。Markus認為，這些“邊界”本身就是成本。

資料搬運消耗的是納焦耳，任務切換增加的是毫秒，而驅動、工具鏈、安全模型和軟體維護最終消耗的，則是以“工程師年”來計算的研發資源。Imagination因此提出，與其不斷增加新的專用計算島，不如儘可能建立一個共享、可程式設計的計算中心。

融合已經在發生，誰最適合成為這個計算重心？Imagination的判斷是GPU。

理由並不只是GPU算力高，而是它同時具備幾個已經存在的基礎：高度可程式設計、大規模部署、成熟的驅動和工具鏈、標準API以及龐大的開發者生態。更重要的是，對於手機、PC和數字座艙等視覺裝置來說，GPU本來就是無法被拿掉的處理器。

按照Markus所說：“計算的重心正在往GPU轉移，圖形和AI靠得更近，需要統一記憶體、統一調度、統一軟體棧。”這一切歸根到底就是兩個字——效率，既是客戶開發的效率，也是產品跑起來的效率。要最好地解決效率，方向就是GPU。

“GPU是使用者體驗的核心”Imagination首席營收官Jake Kochnowicz先拋出了這樣一個判斷。

無論手機、平板、PC還是數字座艙，只要裝置擁有螢幕，最終呈現在使用者眼前的每一個像素，幾乎都繞不開GPU。與此同時，經過幾十年的發展，GPU已經從單純的圖形處理器變成高度可程式設計的平行計算平台。DirectX、Vulkan、OpenCL等行業標準，以及圍繞GPU形成的驅動、工具鏈和開發者生態，也早已相對成熟。

因此，在Jake看來，當AI開始越來越深地介入使用者體驗，GPU其實是最自然的承載者之一。圖像超分、神經渲染、生成式AI、語音助手、生產力工具乃至本地大模型，都需要大量平行計算。而在很多SoC中，GPU本身已經是面積和計算能力最大的處理單元之一。

過去給SoC增加AI能力，一個很直接的辦法是再加入一個NPU。雖然每個處理器都能在自己的領域獲得更高效率，但代價是晶片內部形成越來越多的“計算孤島”：GPU處理圖形，NPU處理AI，CPU負責調度，不同計算單元擁有不同的資料路徑和軟體環境。

E系列選擇的是另一條路。不是繼續增加新的計算島，而是把AI矩陣計算能力直接融入GPU原有的資料路徑。

E系列最核心的一項架構變化，是矩陣加速能力與GPU執行單元的深度耦合。Jake介紹，E系列將矩陣乘法能力直接放進GPU內部，緊鄰現有圖形計算單元。“這意味著AI能把GPU現成的一整套東西都用上：暫存器、控制、快取、韌體、驅動、工具鏈，還有圍繞GPU的整個生態，這是對既有投資極高的槓桿利用。”

從性能上來看，在1GHz下，E系列單核心FP32算力達到2 TFLOPS；矩陣計算方面，FP16/BF16可達到16 TFLOPS，INT8/FP8達到32 TOPS。最大四核組態下，FP16矩陣性能超過100 TFLOPS，FP8則超過200 TFLOPS，相比D系列提升超過4倍。

但Imagination反覆強調，GPU不能只看TOPS和FLOPS，它還得能塞進真實系統，給系統設計者留足選擇。E系列核心從單核到四核可擴展，峰值組態下可定址記憶體1TB，峰值讀頻寬768GB/s，通過AXI能接HBM、LPDDR、GDDR或者統一記憶體任意一種。不同產品規模可以變化，但背後使用的仍然是同一套IP和軟體棧。

這或許也是Imagination所謂“融合”的真正含義：並不是所有任務都必須由GPU完成，而是儘可能讓不同任務共享同一套底層計算資源和軟體基礎。

此次媒體開放日中發佈的NSR神經超解析度，最能體現這種融合價值的一個應用。

今天AI超分已經不是新鮮概念。輝達有DLSS，AMD有FSR，移動GPU廠商也在陸續把AI引入圖形渲染。

但Imagination給NSR找到的切入口並不是單純追求更高畫質，而是資料搬運效率。

傳統GPU+NPU方案中，GPU先完成渲染，再把結果寫入DDR；NPU重新讀取資料完成超分，然後再寫回記憶體。Jake強調到，在任何裝置裡去記憶體取數都可能極貴，資料搬得越遠越耗時越耗電。神經渲染就是展示這種距離成本，以及“融合”為什麼有價值的最好例子。

E系列的做法則是將圖形Shader和矩陣計算放得足夠近，使圖形與AI可以在同一套GPU執行環境裡完成。這與Imagination長期採用的TBDR（分塊延遲渲染）架構也形成了結合：不是等完整一幀圖像全部生成後再處理，而是以Tile為單位進行渲染和計算。

這非常符合移動和邊緣裝置的特點。因為與擁有獨立視訊記憶體和巨大視訊記憶體頻寬的桌面GPU不同，手機、汽車、機器人SoC上的GPU往往需要和CPU、ISP等模組共享系統記憶體，每一次額外的資料搬運都更加昂貴。

NSR採用單次處理網路，並結合Imagination的網路自壓縮技術，可移除約65%的冗餘權重。在1GHz單核E系列GPU上，將540p畫面提升至1080p僅需2.3毫秒；從1080p提升至4K時，頻寬消耗最高可降低54%，影格率提升2.5倍。

現場demo對比了1080p原生和540p超分到1080p的畫面，畫質呈現完全沒有損失

向AI擴展，並不意味著Imagination放棄GPU最傳統的圖形能力。圖形仍是基本盤。

E系列也在明顯向更高性能的圖形市場擴張。

按照Imagination公佈的資料，四核E系列運行《博德之門3》時可以超過60fps，《古墓麗影：暗影》《毀滅戰士：永恆》等PC遊戲也已完成展示。相比上一代D系列，其每TFLOPS對應的影格率最高提升54%，能效最高改善39%。這一提升的核心之一，同樣是減少無效的資料移動和提高計算資源利用率。

E系列裡整合了Imagination自研的高性能RISC-V韌體處理器，在GPU架構上把圖形和計算工作平行調度。底層最多支援4核、16台虛擬機器，帶高品質服務、工作負載優先順序和記憶體隔離，雲遊戲、雲桌面這類場景都能撐住。

圖形只是第一步。從神經渲染繼續向前，E系列瞄準的是更廣泛的端側AI，並重點強化了兩類基礎計算：矩陣乘法和摺積。

Jake表示：“如果矩陣乘法代表推理和思考，那麼摺積就是感知。”

E系列矩陣乘法性能最高提升4.8倍，摺積性能最高提升4.4倍，分別對應語言模型和視覺感知等不同AI工作負載。

到了大語言模型，Imagination將LLM推理拆成兩個階段：prefill（預填充，就是“問”）和decode（解碼，就是“答”）。從工作負載複雜度和使用者體驗看，最難、最重要的是prefill——要在儘量短的時間裡給大模型處理海量資料，衡量指標是time to first token（TTFT），也就是處理器聽懂你的問題、開始吐第一個token要多久。E系列把prefill性能提升了4.7倍，這對好幾個場景都很關鍵：手機上讓大模型做摘要，你希望幾乎秒回；車或者機器人看到資料，必須以足夠高的影格率處理圖像。

Decode階段（每秒多少token）則取決於系統頻寬，也就是片上記憶體給的頻寬，每個token都要搬資料、多載權重。我們在工具和軟體上投入，幫客戶把模型量化到低位寬還保住精度。但要說清楚，AI不只是看TOPS——系統頻寬受限時，更多TOPS解決不了系統問題。E系列的目標，是把開發者需要的算力給足，讓系統整合商能專心去做他們終端產品的整套系統。

實際測試中，車機行程規劃可實現約0.2秒TTFT、150 tokens/s；智能眼鏡環境描述約0.25秒、153 tokens/s；郵件解讀和摘要約0.86秒、126 tokens/s。對於輕量化端側模型而言，首Token時間已經可以壓到1秒以內。

這種能力在Agentic AI時代尤為重要。現場Demo通過Llama.cpp連接OpenCode智能體框架，模型在輸出第一個Token之前，需要先完成工具呼叫、資料收集和推理。對於程式碼Agent等長上下文場景，檔案越多、工具呼叫越複雜，對Prefill性能的要求也越高。與此同時，端側運行還能降低雲端呼叫成本，並減少程式碼、資料等敏感資訊離開裝置的風險。

除了算力，E系列也在資料精度上進一步向AI靠攏，支援BF16、mxFP8、mxFP4等格式。不同場景可以在精度、頻寬和模型容量之間進行取捨：自動駕駛等場景更強調高精度，而消費級邊緣裝置受記憶體和頻寬限制，更低精度的資料格式則有助於降低資源佔用。

從矩陣計算、摺積，到Prefill、Decode，再到資料精度和軟體棧，Imagination試圖做的並不是單純給GPU增加AI算力，而是圍繞端側AI推理進行一整套系統級最佳化。

對於GPU而言，硬體性能只是基礎，真正決定能力能否落地的，很大一部分還在軟體。

Imagination在圖形側支援DirectX 12、OpenCL、Vulkan，可運行於Linux、Android和Windows；AI與計算側則進一步支援ONNX、PyTorch，並持續向Llama.cpp等開放原始碼專案貢獻最佳化。同時，公司還提供自有計算庫、開發工具和分析器，幫助開發者完成從開發、最佳化到部署的完整流程。

Jake特別強調，E系列始終建構在統一的軟體棧上。客戶針對某一代GPU所做的軟體最佳化，不會因GPU產品換代而付諸東流，而是能夠一代一代、持續沿用。

E系列也只是第一步。Imagination給出的路線圖是：D系列開始建構計算庫和SDK；E系列正式把AI計算引入GPU；下一代F系列繼續提升規模擴展效率；再往後的產品，則進一步提高AI計算密度和能效。

近期，Imagination完成中國區管理團隊調整，任命謝巍出任執行副總裁兼中國區總經理，宣雄文出任中國區銷售副總裁，並繼續強化北京、上海、深圳等地的客戶支援和銷售網路。

這一調整背後，也與中國市場對GPU能力提出的更高要求有關。Jake Kochnowicz在媒體問答中表示，相比部分海外市場更側重汽車等深度嵌入式應用，中國客戶對於更高性能、更完整功能集以及圖形與計算融合能力的需求更加突出，而且往往出現得更早。“中國對圖形和計算的需求非常強，現在跟中國客戶的互動，正在幫助我們創新，把GPU IP的能力邊界繼續往前推。”

從業務進展來看，Imagination也在進一步加碼中國市場。Markus Mosen透露，公司今年已經獲得國內重要戰略客戶的授權；未來還希望與中國客戶建立更緊密的合作關係，包括探索聯合實驗室等模式。不過現階段的重點，仍是持續加強研發和本地支援，把更先進的GPU IP帶給中國客戶。

謝巍則表示：“中國一直是Imagination非常核心的戰略市場，中國的開發生態和出貨量這幾年都在飛速發展。並透露確認今年中國桌面級市場相關出貨正在接近百萬台量級。”

在他看來，下一階段的機會也不僅限於桌面GPU。隨著AI智能體和邊緣AI發展，E系列GPU IP將面向汽車、邊緣計算、具身智慧型手機器人等場景。Imagination希望通過更深入的客戶走訪、更完善的本地技術支援和開放的軟體生態，把中國市場的需求更快反饋到產品和技術路線中。

中國對於Imagination的價值正在發生變化：不僅是一個規模龐大的GPU市場，也開始成為高性能GPU需求、AI應用創新以及產品路線演進的重要推動力。

回顧晶片發展史，計算架構一直在“專用化”和“通用化”之間擺動。早期PC時代，大量2D、視訊等專用功能最終被更可程式設計的GPU逐步吸收。今天，邊緣AI似乎又來到類似節點。

E系列的意義，就在於嘗試把一部分AI計算重新收攏到GPU內部，讓圖形、計算和AI共享更統一的資料路徑和軟體基礎，從而降低那筆“邊境稅”。

這不意味著GPU會取代CPU或NPU。AI系統設計沒有唯一正確的答案，而Imagination認為，E系列在所有方案中都能勝任：可以採用GPU-only，也可以採用GPU+NPU、NPU+GPU，或者兩者相對均衡的架構。但隨著神經渲染、端側大模型和Agentic AI不斷進入終端，幾類處理器之間原本清晰的邊界正在變得越來越模糊。

E系列並不只是Imagination的一次GPU升級，更代表了它對未來端側AI架構方向的一次押注。 (EDA365電子論壇)

彙整鉅亨號中所有使用「NSR」關鍵字，所發布的內容 (依照時間排序，最新在前，舊的在後)`

端側AI，GPU重新崛起！