金刚 GC3（Jingang GC3，也称 King Kong GC3）据报道是中科通量（SmarCo HT Tech）推出的一款视频 AI 与生成式 AI 专用处理器。与把视频解码、AI 推理和视频生成分别交给不同设备的传统方案不同，GC3 试图用一套以数据流计算为核心的架构，把这些处理环节拉得更近。35

据报道，该芯片拥有 12 个 RISC-V 核心、200 TOPS 的 INT8 AI 算力，以及 128GB LPDDR5 ECC 统一内存。35不过，GC3 的看点并不只是 TOPS 数字，而是它试图减少视频 AI 工作负载中常被忽视的“数据搬运”。

视频 AI 为什么容易卡在数据搬运上

在常见的视频理解流程中，视频流首先被解码为帧，随后传输给 GPU 进行视觉推理，结果还可能要经过更多处理阶段。随着并发视频流数量增加，帧数据的传输与各阶段之间的同步，可能与实际计算一样成为瓶颈。3

视频生成面临类似问题。扩散模型和 Transformer 模型需要处理规模庞大的模型参数与中间结果。关于 GC3 的报道指出，这些中间数据集可能达到数百 GB；反复读取、写入和跨设备传输，会带来带宽、功耗和延迟方面的成本。3

因此，GC3 针对的不只是“算力不够”，还包括如何协调一个规模大、并行度高、数据流动频繁的工作负载。

GC3 把哪些架构组合在了一起

数据流计算：数据到了，计算就推进

在传统控制流设计中，中央处理器或调度器负责获取并发出指令，数据则在多级存储层次之间流动。这种方式灵活，但据 GC3 相关报道，它并不总是适合规律性强、并行度极高的视频处理任务。3

数据流架构的思路则是：当某项运算所需的数据准备好后，计算即可推进。理论上，这能够暴露更多并行性，并减少集中式调度和全局协调带来的等待。对于视频工作负载而言，目标是让更多处理阶段保持活跃，而不是不断把任务汇聚到单一控制路径上。3

但这是一项架构目标，并不等于已经证明了某个具体的性能提升。现有资料没有提供 GC3 与特定 CPU、GPU 或视频 AI 平台之间的独立端到端对比测试。

RISC-V 核心：负责可编程控制

据报道，12 个 RISC-V 核心构成了 GC3 的可编程控制层。视频和 AI 专用路径负责高吞吐运算，RISC-V 核心则承担通用控制、调度等任务，而不是让传统 CPU 负责所有处理环节。35

换句话说，GC3 并不是把 RISC-V 当成完整的计算引擎，而是让它与数据流引擎以及专用的视频、AI 功能协同工作：RISC-V 提供灵活的控制能力，专用硬件则承担大规模并行运算。

128GB 统一内存：减少 CPU 与 GPU 之间的复制

GC3 据报道采用 128GB LPDDR5 ECC 统一内存，并由 CPU、VPU、GPU 和 NPU 等路径共享。35其设计意图是减少独立 CPU 内存池与 GPU 内存池之间的数据复制。

在这种共享内存模式下，解码后的视频帧、模型权重和中间张量可以供多个处理模块访问，不必每次都进行同等程度的设备间搬运。ECC（错误检查与纠正）则为内存系统提供错误保护能力；相关研究也探讨过如何利用 ECC 保护 RISC-V 处理器的内存，以提升容错能力。1

不过，统一内存并不会自动消除所有带宽限制。它改变的是不同计算模块访问数据的方式，最终效果仍取决于内存带宽、软件栈、任务调度以及具体工作负载。

视频与 AI 路径集成：从解码到推理少绕路

相关报道显示，GC3 将视频编码、解码与 AI 计算整合在同一平台上。35理想情况下，视频可以在平台内从输入一路进入理解流程；生成内容也可以直接进入编码流程，而不必反复跨越不同设备和内存系统。

其设想中的工作流程大致是：

• 在平台内完成视频解码；
• 让解码帧继续留在相关 AI 处理路径可访问的内存中；
• 执行视频理解或生成，减少跨设备传输；
• 在同一集成系统中完成输出编码。

这并不意味着所有运算都会变成一个不可拆分的步骤，而是意味着架构试图减少原本由多个处理器和内存系统之间频繁交接造成的额外开销。

它为什么可能降低成本、功耗和延迟

GC3 的潜在经济价值直接来自上述架构：如果任务需要更少的数据复制、更少的内存往返和更少的跨设备同步，那么系统就可能少花一些时间和能量搬运数据，多把资源用于真正的计算。这对多路视频理解、本地视频处理，以及需要处理大型中间张量的视频生成尤其有吸引力。3

潜在收益主要集中在三个方面：

• 延迟： 解码、AI 处理和编码之间的传输环节减少后，从输入帧到输出结果的路径可能缩短。
• 功耗： 减少内存访问和互连通信，有望降低数据移动所消耗的能量。
• 成本： 如果一套集成平台能够承担更多环节，部署和运维多种专用设备的基础设施成本可能下降。

需要强调的是，这些是现有报道提出的架构目标和产品定位，并非经过独立验证的结果。现有资料没有证明每路视频具体能节省多少瓦、每个视频的成本能降低多少，或端到端延迟能减少多少。

这些规格能说明什么，又不能说明什么

200 TOPS 指的是 INT8 精度下的 AI 峰值计算能力，并不等于某个实际应用一定能达到相应性能。真实的视频 AI 吞吐量还会受到模型兼容性、计算精度、内存带宽、编译器与运行时支持、视频格式、批处理大小、并发流数量，以及数据流调度器效率等因素影响。

同样，128GB 统一内存有助于容纳大型模型和中间数据，但仅凭容量本身，无法证明某个具体的视频生成模型就能高效运行。软件适配情况和实际内存流量仍然是关键变量。

结论

更准确地说，金刚 GC3 是一次围绕“数据局部性”重新设计视频 AI 处理路径的尝试。其据报道采用的数据流执行、RISC-V 控制核心、CPU/VPU/GPU/NPU 集成路径和 128GB 统一内存，目标都是应对传统 CPU 加 GPU 流水线中可能出现的帧传输、内存往返和同步障碍。35

如果软硬件能够按预期协同工作，这种架构或许能提升多路视频理解和视频生成的效率。但就目前证据而言，最稳妥的判断是：GC3 展示了一套具有针对性的架构方案和一组厂商披露的规格，尚不能视为已经独立证明其能够降低成本、功耗或端到端延迟。

金刚 GC3（Jingang GC3，也称 King Kong GC3）据报道是中科通量（SmarCo HT Tech）推出的一款视频 AI 与生成式 AI 专用处理器。与把视频解码、AI 推理和视频生成分别交给不同设备的传统方案不同，GC3 试图用一套以数据流计算为核心的架构，把这些处理环节拉得更近。35

据报道，该芯片拥有 12 个 RISC-V 核心、200 TOPS 的 INT8 AI 算力，以及 128GB LPDDR5 ECC 统一内存。35不过，GC3 的看点并不只是 TOPS 数字，而是它试图减少视频 AI 工作负载中常被忽视的“数据搬运”。

视频 AI 为什么容易卡在数据搬运上

在常见的视频理解流程中，视频流首先被解码为帧，随后传输给 GPU 进行视觉推理，结果还可能要经过更多处理阶段。随着并发视频流数量增加，帧数据的传输与各阶段之间的同步，可能与实际计算一样成为瓶颈。3

视频生成面临类似问题。扩散模型和 Transformer 模型需要处理规模庞大的模型参数与中间结果。关于 GC3 的报道指出，这些中间数据集可能达到数百 GB；反复读取、写入和跨设备传输，会带来带宽、功耗和延迟方面的成本。3

因此，GC3 针对的不只是“算力不够”，还包括如何协调一个规模大、并行度高、数据流动频繁的工作负载。

GC3 把哪些架构组合在了一起

数据流计算：数据到了，计算就推进

在传统控制流设计中，中央处理器或调度器负责获取并发出指令，数据则在多级存储层次之间流动。这种方式灵活，但据 GC3 相关报道，它并不总是适合规律性强、并行度极高的视频处理任务。3

数据流架构的思路则是：当某项运算所需的数据准备好后，计算即可推进。理论上，这能够暴露更多并行性，并减少集中式调度和全局协调带来的等待。对于视频工作负载而言，目标是让更多处理阶段保持活跃，而不是不断把任务汇聚到单一控制路径上。3

但这是一项架构目标，并不等于已经证明了某个具体的性能提升。现有资料没有提供 GC3 与特定 CPU、GPU 或视频 AI 平台之间的独立端到端对比测试。

RISC-V 核心：负责可编程控制

据报道，12 个 RISC-V 核心构成了 GC3 的可编程控制层。视频和 AI 专用路径负责高吞吐运算，RISC-V 核心则承担通用控制、调度等任务，而不是让传统 CPU 负责所有处理环节。35

换句话说，GC3 并不是把 RISC-V 当成完整的计算引擎，而是让它与数据流引擎以及专用的视频、AI 功能协同工作：RISC-V 提供灵活的控制能力，专用硬件则承担大规模并行运算。

128GB 统一内存：减少 CPU 与 GPU 之间的复制

GC3 据报道采用 128GB LPDDR5 ECC 统一内存，并由 CPU、VPU、GPU 和 NPU 等路径共享。35其设计意图是减少独立 CPU 内存池与 GPU 内存池之间的数据复制。

在这种共享内存模式下，解码后的视频帧、模型权重和中间张量可以供多个处理模块访问，不必每次都进行同等程度的设备间搬运。ECC（错误检查与纠正）则为内存系统提供错误保护能力；相关研究也探讨过如何利用 ECC 保护 RISC-V 处理器的内存，以提升容错能力。1

不过，统一内存并不会自动消除所有带宽限制。它改变的是不同计算模块访问数据的方式，最终效果仍取决于内存带宽、软件栈、任务调度以及具体工作负载。

视频与 AI 路径集成：从解码到推理少绕路

相关报道显示，GC3 将视频编码、解码与 AI 计算整合在同一平台上。35理想情况下，视频可以在平台内从输入一路进入理解流程；生成内容也可以直接进入编码流程，而不必反复跨越不同设备和内存系统。

其设想中的工作流程大致是：

• 在平台内完成视频解码；
• 让解码帧继续留在相关 AI 处理路径可访问的内存中；
• 执行视频理解或生成，减少跨设备传输；
• 在同一集成系统中完成输出编码。

这并不意味着所有运算都会变成一个不可拆分的步骤，而是意味着架构试图减少原本由多个处理器和内存系统之间频繁交接造成的额外开销。

它为什么可能降低成本、功耗和延迟

GC3 的潜在经济价值直接来自上述架构：如果任务需要更少的数据复制、更少的内存往返和更少的跨设备同步，那么系统就可能少花一些时间和能量搬运数据，多把资源用于真正的计算。这对多路视频理解、本地视频处理，以及需要处理大型中间张量的视频生成尤其有吸引力。3

潜在收益主要集中在三个方面：

• 延迟： 解码、AI 处理和编码之间的传输环节减少后，从输入帧到输出结果的路径可能缩短。
• 功耗： 减少内存访问和互连通信，有望降低数据移动所消耗的能量。
• 成本： 如果一套集成平台能够承担更多环节，部署和运维多种专用设备的基础设施成本可能下降。

需要强调的是，这些是现有报道提出的架构目标和产品定位，并非经过独立验证的结果。现有资料没有证明每路视频具体能节省多少瓦、每个视频的成本能降低多少，或端到端延迟能减少多少。

这些规格能说明什么，又不能说明什么

200 TOPS 指的是 INT8 精度下的 AI 峰值计算能力，并不等于某个实际应用一定能达到相应性能。真实的视频 AI 吞吐量还会受到模型兼容性、计算精度、内存带宽、编译器与运行时支持、视频格式、批处理大小、并发流数量，以及数据流调度器效率等因素影响。

同样，128GB 统一内存有助于容纳大型模型和中间数据，但仅凭容量本身，无法证明某个具体的视频生成模型就能高效运行。软件适配情况和实际内存流量仍然是关键变量。

结论

更准确地说，金刚 GC3 是一次围绕“数据局部性”重新设计视频 AI 处理路径的尝试。其据报道采用的数据流执行、RISC-V 控制核心、CPU/VPU/GPU/NPU 集成路径和 128GB 统一内存，目标都是应对传统 CPU 加 GPU 流水线中可能出现的帧传输、内存往返和同步障碍。35

如果软硬件能够按预期协同工作，这种架构或许能提升多路视频理解和视频生成的效率。但就目前证据而言，最稳妥的判断是：GC3 展示了一套具有针对性的架构方案和一组厂商披露的规格，尚不能视为已经独立证明其能够降低成本、功耗或端到端延迟。