AI的算力敘事，正在從性能比拚轉向價值主導。智能體的出現，是AI與實際業務負載耦合漸深的標誌。在這種邏輯下，開發者和下遊客戶需要的，不僅是算力數字，而是以更低Token成本、更短周期、更低複雜度以及最貼合實際業務的方式呼叫算力。RISC-V模組化、指令可定製、靈活可裁剪的優勢，既能將AI計算能力內化到指令集層面，又能以“工作負載定義晶片”的顆粒度定製AI硬體。隨著大模型、智能體步入落地期，RISC-V風口已來。
AI為RISC-V帶來高性能計算突破窗口
從演算法演進、智能體等AI當前產業需求，到資料中心、端側等具體AI部署場景，RISC-V都有著獨特的契合度。
當前，AI正在飛速演進，且迭代速度持續提升，這種急劇變化的計算需求，恰恰是RISC-V的“舒適區”。北京RISC-V數字基礎設施創新中心總經理陳景偉向《中國電子報》表示，當前AI的各種演算法演進得非常快，但RISC-V總能搭出更適合AI演算法的架構，因為RISC-V“太底層、太原生”。加上RISC-V沒有歷史包袱和授權上的各種商業考量，反應速度非常快。因而，越是急速發展且多元化的計算需求，越適合用RISC-V去建構。
同時，AI不斷升級的性能指標，帶來了RISC-V指令集生態增量市場的機遇。陳景偉指出，如果RISC-V的基礎指令集是一把螺絲刀，擴展指令集就是各種型號的批頭，可以按需更換到螺絲刀上以維修不同精密度的裝置。當新的計算需求出現，做一個相應的擴展指令集加入基礎指令集，就可以快速搭建面向新需求的架構。
隨著AI應用形態從對話型工具演進為能夠自主執行多步驟任務的智能體，CPU在資料中心市場重煥價值。賽昉科技創始人兼CEO徐滔向《中國電子報》指出，智能體讓CPU重新成為資料中心的價值核心，但其角色不再是計算中心，而是系統總調度員。智能體需要完成任務拆解、工具呼叫、資料庫查詢、權限校驗、結果驗證等一系列複雜的系統級操作，這些恰恰是CPU的強項。
CPU的重新崛起，為RISC-V向高性能計算突破帶來機會窗口。上海靈睿智芯聯合創始人、副總裁李華慶向《中國電子報》表示，隨著智能體的形態和平台越來越多，單一晶片架構難以高效支撐各種智能體和AI催生的複雜長尾業務，需要結合具體的工作負載和業務特性進行最佳化。RISC-V採用模組化的設計理念，既能夠按需選擇指令，也可以加入自訂指令，實現“工作負載定義晶片”，對於智能體玩家極具吸引力。
除了資料中心，端側AI推理也是RISC-V的市場機遇。一方面，端側推理場景算子種類相對可控，絕大多數非線性算子適配RISC-V向量擴展；另一方面，在端側這一成本和功耗敏感的場景中，RISC-V在能效比和功耗控制上的能力已經得到驗證。
切中AI需求建構RISC-V算力底座
要將AI帶來的市場空間轉化為RISC-V的產業機遇，關鍵在於結合RISC-V先天優勢，建構切中AI需求的算力基礎設施。面向AI對高平行、高頻寬、高能效的全新要求，RISC-V正在圍繞擴展指令、晶片設計理念、AI框架及工具適配等環節，進行系統性革新。
指令集是算力設計的根基。RVA23配置檔案規範的發佈，以及新矩陣擴展指令集的制定，為提升RISC-V在AI領域的計算性能繪製了底層藍圖。中國電子工業標準化技術協會RISC-V工委會執行秘書長周萌在《中國電子報》發表的署名文章中提到，向量擴展、矩陣擴展和異構整合是RISC-V構築AI算力平台的三個核心模組。
其中，向量擴展可高效應對快速變化的AI算子庫，RVV1.0內建歸約原語、可變向量長度等特性，類似Softmax算子、RoPE算子的計算特性都能通過RVV擴展的原語高效實現。
矩陣擴展規範體系正在推進IME（整合矩陣擴展）、VME（向量—矩陣擴展）、AME（獨立矩陣擴展）三條平行技術路線，覆蓋從低功耗嵌入式、主流推理晶片到高算力全場景，三者將共享統一編譯路徑以避免生態碎片化。
異構整合則以“專用AI晶片/模組+支援向量的處理器+控制CPU核”架構，覆蓋規整運算、非線性算子、主要任務負載、控制流、任務調度、長尾算子等不同算力需求。
要將RISC-V關鍵架構標準及擴展指令集的功能“兌現”為實實在在的硬體性能，離不開晶片設計層面的逐項實現。奕斯偉計算高級副總裁、CTO何寧向《中國電子報》記者指出，在x86、Arm架構主導的傳統算力市場中，晶片設計往往聚焦通用計算，依託強單線程性能、複雜調度機制適配常規任務。而AI計算以海量平行張量運算、資料流驅動為核心特徵，對RISC-V晶片的設計理念與核心指標帶來新的要求：
在設計思路上，傳統晶片架構較為封閉，AI算力多作為外掛模組補充。面向AI場景的RISC-V晶片則轉向異構融合架構，憑藉指令集開源開放可定製的優勢，原生搭載向量、矩陣等加速單元，同時最佳化存算協同架構，適配大模型密集運算需求和多元AI運算場景。
性能維度上，傳統產品側重單核主頻表現。AI應用則要求晶片強化平行處理能力，支援多精度混合計算，搭配高頻寬記憶體架構，縮減資料互動時延，保障推理與訓練任務高吞吐、低延遲運行。
相容性與能效方面，傳統架構生態繫結性較強，輕量化AI運算適配不足，功耗最佳化偏向通用場景。RISC-V既要順暢適配主流AI開發框架，也要把AI專屬能效作為核心考量，借助稀疏計算、功耗管控技術降低無效損耗，匹配端、邊、雲不同功耗使用場景。
平台整合度上，為提升晶片可拓展性，新的晶片設計多採用Chiplet封裝，實現各類算力芯粒高速互聯，軟硬體深度協同，架構可靈活彈性擴容，以滿足不同形態AI裝置的部署落地需求。
面向高性能領域建立協同互信機制
高性能晶片通常負載著企業核心業務。尤其在人工智慧相關的資料中心、具身智能、智能駕駛等高價值、高可靠領域，無論晶片出現問題還是生態適配不夠完善，都可能為企業和使用者帶來難以估量的損失。因此，即便下游企業有意願採用或遷移到RISC-V，也會存在“不願意第一個吃螃蟹”的觀望心態。
“高價值、高可靠領域一旦出問題，代價很高，因此需要灰度測試。”openKylin生態委員會主任李震寧向《中國電子報》記者指出，“不能簡單呼籲大家支援RISC-V，而是要通過可驗證的產品、可復現的資料、可持續的維護機制來建立信任。”
圍繞如何增強上下游協同互信，李震寧提出五點建議。
一是建立聯合驗證平台。晶片廠商、作業系統廠商、整機廠商、應用廠商和行業使用者應圍繞典型場景建立聯合實驗室或聯合測試平台，將相容性、穩定性、性能、功耗、即時性、安全性等指標長期跑起來，而不是項目驗收前臨時適配。
二是形成公開透明的相容清單和問題閉環。那些硬體支援到什麼程度、那些驅動已經穩定、那些軟體包存在問題、那些場景已經驗證，都應該持續更新。
三是推動參考設計和示範項目。對於人形機器人、工業控制、邊緣AI等領域，可以先形成“晶片+作業系統+中介軟體+應用”的參考方案，讓下游企業不是從零開始試錯，而是在已有樣板上做二次開發。
四是建立長期維護和責任邊界。高可靠行業最關注的是出了問題誰來修、多久能修、版本能維護幾年。作業系統社區和上下游企業要聯合起來，在LTS版本建構、補丁維護、安全更新、回歸測試、認證適配和售後服務等方面提供穩定預期。
五是讓生態夥伴共享收益、共擔風險。RISC-V生態不是單個企業能獨立做成的，需要晶片、系統、整機、應用、使用者共同投入。openKylin這類開源根社區的價值就在於，把不同環節的能力組織起來，通過開源協作降低重複投入，讓每個參與方都能在生態成長中受益。
此外，面向智能體對運算並行度、響應時延與資料頻寬的嚴苛要求，軟體生態依然是當前RISC-V產業的最大壁壘，包括行業尚未形成統一技術規範、軟體協同門檻高、即時調度與安全防護能力有待提升、缺乏成熟方案和先例、缺乏複合型人才等，需要產業鏈協同攻關。何寧建議，基於RISC-V優勢，從軟硬體協同、產業協作、場景落地等多個維度完善AI生態建設。
在硬體上，發揮模組化設計優勢。RISC-V可通過向量、矩陣與AI專用指令擴展強化算力基礎，建構多算力單元融合架構，搭配高速互聯與Chiplet封裝形式，覆蓋各層級AI計算需求。
在軟體端，以生態相容適配為關鍵，打通主流AI框架與開發工具鏈，搭配成熟作業系統最佳化異構資源調度，縮減應用遷移成本，同步健全本土工具鏈，築牢軟體配套基礎。
在產業端，匯聚上下游企業、開源社區力量，統一技術規範。以成熟開發平台為標竿，吸引多方主體共同參與研發適配，壯大產業生態規模。
在場景端，採取差異化發展思路，依託低功耗優勢佈局終端智能應用，憑藉高性能異構晶片發力邊緣推理業務，協同高端算力探索雲端大模型服務，打造端邊雲協同體系，走出區別於x86、Arm的特色AI發展路徑。 (中國電子報)