Suxian Micro: TUCA und TH1100 sollen den Sprung von Grafikchips zu Physical AI schaffen

Suxian Micro will sich vom Anbieter für Grafik- und Displayprozessoren im IoT- und Automobilumfeld zu einem Plattformanbieter für Physical AI entwickeln – also KI-Systeme, die in Robotern, Fahrzeugen oder Industrieanlagen in der physischen Welt agieren. Im Mittelpunkt des Starts in Tianjin stehen die Architektur TUCA und der GPGPU-SoC Tianheng TH1100. Entscheidend ist dabei zunächst die Strategie, nicht ein bereits umfassend belegter Leistungsvorsprung: Unabhängige Benchmarks sind bislang kaum verfügbar. 4

Vom Display-Chip zur KI-Rechenplattform

Die bisherigen Produkte zeigen, wo Suxian Micro ansetzt. Nach Unternehmensangaben schlossen die Chips GC9002 und GC9005 2023 die Funktionsverifikation ab. Der GC9005 kombiniert zwei 32-Bit-RISC-V-Kerne, einen Grafikkern, eine NPU und Unterstützung für Displayausgabe bis 3.840 × 2.160 Pixel. 7

Ein Partner beschreibt den GC9005 zudem als grafikorientierten MPU mit integriertem Speicher, 2,5D-Grafikbeschleunigung, Multimediafunktionen und Deep-Learning-Beschleuniger. Vorgesehene Edge-Anwendungen sind etwa lokale Spracherkennung und Gesichtserkennung. 16

Daraus leitet das Unternehmen seine neue Positionierung ab: KI-Beschleunigung soll nicht als völlig separates Geschäft entstehen, sondern auf Grafik, visueller Interaktion und der Integration von Edge-Systemen aufbauen.

„Erst Rendering, dann KI“: die Grundidee

Suxian Micro nennt seinen Ansatz „render-first-then-AI“. Die Argumentation: Physical-AI-Produkte brauchen neben Modellinferenz auch Echtzeit-Bildverarbeitung und reaktionsfähige heterogene Systeme. Robotik, intelligente Fahrzeuge und industrielle Edge-Geräte müssen Wahrnehmung, Visualisierung, Steuerung und KI-Ausführung zusammenbringen.

Das Unternehmen zieht dabei eine Parallele zu Nvidias Entwicklung von Grafikprozessoren über GPGPU-Computing hin zu KI. Grafik schaffe programmierbare Parallelverarbeitung sowie die Basis aus Werkzeugen und Entwicklerökosystem, auf der KI-Workloads aufsetzen können. 4

Das bedeutet nicht, dass Rendering allein Physical AI löst. Es ist vielmehr ein Produktversprechen: Für reale Systeme zählt ein funktionierender Gesamt-Stack aus Wahrnehmung, Visualisierung, Steuerung, Modellbereitstellung und Geräteintegration – nicht nur ein einzelner TOPS-Spitzenwert.

Drei technische Bausteine im Angebot

Die angepriesenen Vorteile beruhen derzeit vor allem auf Aussagen des Unternehmens und müssen durch technische Unterlagen sowie reproduzierbare Tests bestätigt werden.

GPU-IP als vollständiger Stack

Suxian Micro beschreibt einen vertikal entwickelten Stack aus GPU-IP, Systemsoftware und Entwicklungswerkzeugen. Für die bestehende GC9000-Reihe stellt die Unternehmenswebsite Auswahlhilfen, SDKs, Chip-Support-Pakete, Datenblätter und Werkzeuge bereit. Softwareunterstützung gehörte also schon bisher zum Produktansatz. 3

Für die neue KI-Plattform soll dies Hardware, Compiler, Laufzeitsoftware, Treiber, Betriebssystemunterstützung, Algorithmen und branchenspezifische Lösungen zusammenführen. Für Kunden könnte das den Integrations- und Portierungsaufwand bei Grafik-, Vision- und Inferenzanwendungen senken. 4

Rechen- und Speicherfusion im Chip

Mit „in-chip compute-storage fusion“ will Suxian Micro Datenbewegungen zwischen Recheneinheiten und externem Speicher reduzieren. Gerade bei Edge-Inferenz sind Speichertransfers ein zentraler Engpass: Sie beeinflussen Latenz, Energiebedarf und die gesamte Systemauslegung. Laut Unternehmen erhöht der Ansatz die räumliche Nähe von Speicherung und Berechnung. 4

AI ROM

Als AI ROM bezeichnet das Unternehmen die Ablage ausgewählter Modellparameter oder Gewichte in nichtflüchtigem Speicher direkt auf dem Chip. Das soll Speicherkosten und Stromverbrauch senken und zugleich die Token-Ausgabe verbessern. 4

Der Zielkonflikt liegt auf der Hand: Fest im Chip hinterlegte Gewichte können für einen klar abgegrenzten Einsatz hilfreich sein, sind aber potenziell weniger flexibel aktualisierbar als Modelle im externen Speicher. Angaben zu Kapazität, Aktualisierungsverfahren, unterstützten Modellformaten und dem messbaren Leistungseffekt hat Suxian Micro öffentlich bisher nicht ausreichend detailliert vorgelegt.

TUCA soll die Hardware einheitlich nutzbar machen

TUCA steht für Thorsianway Unified Computing Architecture. Die Architektur soll als gemeinsame Ebene für GPGPUs, KI-Beschleuniger und andere heterogene Rechenhardware dienen. Nach Angaben des Unternehmens deckt sie die Kette von der Anwendungsentwicklung und Operator-Kompilierung über die Laufzeitplanung bis zur Hardwareausführung ab. 4

Praktisch geht es darum, Entwicklern einen einheitlicheren Weg zur Bereitstellung von Modellen und Rechenaufgaben zu geben. Sie sollen nicht für jeden Beschleuniger eine eigene Low-Level-Toolchain zusammensetzen müssen. Das ist besonders für Industriekunden relevant, die Fachwissen in ihrer Anwendung mitbringen, aber nicht zwingend Expertise bei Compilern, Laufzeitumgebungen oder heterogener Systemintegration besitzen.

Als Entwicklerumgebung nennt Suxian Micro TUCA Playground. Sie soll das Einbinden von Anwendungen und Modellen, Kompilierung und Deployment, die Beobachtung der Ausführung sowie Ressourcenverwaltung unterstützen. 4

TH1100: Was bekannt ist – und was offenbleibt

Der Tianheng TH1100 ist der erste Chip der neuen Reihe und für Edge-KI-Inferenz in Anwendungen der verkörperten Intelligenz positioniert. Die wichtigste veröffentlichte Kennzahl lautet 100 TOPS KI-Rechenleistung. Suxian Micro verbindet den Chip außerdem mit FP16-Unterstützung, der Rechen-Speicher-Integration und der Ausführung eines sparsamen Mixture-of-Experts-Sprachmodells der Klasse 35B-A3B. 4

Die Bezeichnung 35B-A3B steht im Allgemeinen für rund 35 Milliarden Parameter insgesamt, von denen pro Token etwa 3 Milliarden aktiviert werden. Das kann den aktiven Rechenaufwand gegenüber einem dichten Modell mit gleicher Gesamtgröße reduzieren. Daraus lassen sich jedoch weder Durchsatz, Latenz, Speicherbedarf noch Leistungsaufnahme eines konkreten Geräts ableiten. 4

Gerade die fehlenden Daten sind wichtig: Öffentliche Berichte zur Einführung liefern keine vollständige, belastbare Spezifikation zu Kernanzahl, FP16-Durchsatz, Speicherkapazität, Speicherbandbreite, Leistungsaufnahme, Quantisierung, Kontextlänge, Batch-Größe oder gemessenen Tokens pro Sekunde. Die 100-TOPS-Angabe ist daher bis zu einem Datenblatt und reproduzierbaren Benchmarks kein direkter Vergleichsmaßstab zu anderen Beschleunigern in realen Workloads. 4

Roadmap: TH1800 und TH24K0

Suxian Micro plant den TH1800 für Ende 2027 und den TH24K0 für 2028. Beide sollen größere Leistungsstufen für Physical AI und Sprachmodelle adressieren. Das Unternehmen versteht sie als Schritte in Richtung höherklassiger GPU-Konkurrenz und umfangreicherer KI-Systeme. 4

Das zeigt Ambition, aber noch keine ausgelieferte Leistung. Bei der Bewertung der Roadmap sollten angekündigte Wettbewerbsziele klar von unabhängig vermessener Serienhardware getrennt werden.

Warum Tianjin und warum das Komplettangebot?

Der Start am Hauptsitz in Tianjin wird nicht nur als Standortwechsel dargestellt. Suxian Micro setzt darauf, in der Region Beijing–Tianjin–Hebei näher an Fertigung, Automobilindustrie, Robotik, Forschung und potenziellen Implementierungspartnern zu sein. 4

Das kommerzielle Angebot soll deshalb über den Prozessor hinausgehen: Chips, Algorithmen, Werkzeuge, Referenzdesigns und szenariospezifische Umsetzung sollen Kunden ansprechen, die KI-Funktionen benötigen, aber keine tiefgreifende Erfahrung mit KI-Systemen haben. Zudem rahmt das Unternehmen eigene Technologie und Lieferkettenkontrolle als Antwort auf die Verfügbarkeit importierter Chips und auf Unsicherheiten in Lieferketten. 4

Fazit

Die zentrale Differenzierung von Suxian Micro ist bislang nicht ein vollständig dokumentierter Performancevorsprung. Sie liegt im Versuch, Erfahrung bei Edge-Grafik, heterogene Software, speicherbewusstes Chipdesign und Integrationsleistungen zu einer Plattform für Physical AI zu verbinden.

Mit TUCA und dem angekündigten TH1100 mit 100 TOPS wird diese Strategie greifbar. Ob sie sich am Markt durchsetzt, hängt jedoch von Fragen ab, die erst Datenblätter, Entwicklungswerkzeuge, Verfügbarkeit in Serie und unabhängige Messungen beantworten können: reale Inferenzgeschwindigkeit, Speicheraufbau, Energieeffizienz, Modellkompatibilität und Reife des Software-Ökosystems. 4