速显微发布TUCA与TH1100：从端侧图形芯片走向具身智能

速显微正在把长期积累的端侧图形与显示芯片能力，延伸到具身智能（也常被称为“物理AI”）计算。其在天津发布的两项核心产品分别是：统一异构计算架构 TUCA，以及首款面向边缘AI推理的GPGPU SoC——天衡TH1100。

这次发布的意义，更多在于公司明确了从图形处理走向AI计算的平台路线，而不是已经拿出一套可横向比较的完整基准成绩单。TH1100公布了100 TOPS这一指标，但内存、功耗、实际推理速度等决定落地体验的关键参数，仍有待产品资料和可复现实测补充。 4

从端侧显示芯片到AI计算平台

速显微此前的产品路线，集中在物联网、车载及端侧显示等场景。公司披露，GC9002与GC9005在2023年完成了功能验证，分别对应低功耗与较高性能的物联网显示需求。GC9005集成双路32位RISC-V内核、图形内核和NPU，最高支持3840×2160显示输出。 7

合作方资料显示，GC9005是一款偏图形显示场景的多功能MPU，集成内存、2.5D图形加速、多媒体处理与深度学习加速单元，可用于本地语音识别、人脸检测等边缘任务。 16

因此，速显微如今的切入点并不是把AI加速器当成一条完全独立的新业务，而是试图从图形、视觉交互和端侧系统集成能力向外扩展。

“先渲染、后AI”到底是什么意思？

速显微将其策略概括为“先渲染、后AI”。它的判断是，机器人、智能汽车和工业边缘设备等具身智能产品，除了运行模型推理，还必须具备实时视觉计算、交互呈现、低时延响应与异构系统协同能力。

按公司的说法，图形计算提供了可编程并行计算基础、开发工具和实时工作负载经验，AI能力可以在这一基础上叠加。公司将这一路径与英伟达从图形GPU逐步走向通用GPU计算和AI的历程作类比。 4

这并不意味着“渲染就能解决具身智能”。更准确地说，这是一种产品定位：对部署实体系统的客户而言，需要的不是单一峰值算力数字，而是覆盖感知、可视化、控制、模型部署和设备集成的一整套可用技术栈。

速显微主推的三项技术

围绕物理AI方向，速显微重点强调三项相互关联的技术。现阶段，其具体效益主要仍属于厂商表述，仍需通过更详细文档和重复测试验证。

全栈GPU IP

速显微称其拥有覆盖GPU IP、系统软件和开发工具的垂直技术栈。其既有官网已提供GC9000系列的产品选型资料、SDK、芯片支持包、数据手册与开发工具，显示软件支持本就是此前产品路径的一部分。 3

对于新的AI平台，公司希望协同硬件、编译器、运行时、驱动、操作系统支持、算法及场景解决方案。若这些环节能真正打通，客户在图形、视觉和推理工作负载之间进行系统集成与迁移时，理论上可减少适配工作。 4

芯内算存融合

所谓“芯内算存融合”，核心是尽量缩短计算单元与数据存储之间的距离，减少频繁访问外部内存带来的数据搬运。

对边缘推理而言，内存访问往往直接影响延迟、能耗和整机设计。速显微称，其方案旨在提高存储与计算的局部性，从而减少冯·诺依曼架构中数据来回搬运的负担。 4

AI ROM

AI ROM被描述为将部分模型参数或权重放入片上非易失性存储的技术。速显微称，这可降低存储成本与功耗，并改善Token输出表现。 4

但这类设计也存在清晰的取舍：固定在片上存储中的权重，可能更适合模型较稳定、部署边界明确的场景；相比全部放在外部可替换内存中的模型，其更新与灵活调整空间可能更小。目前公开信息不足以独立判断其容量、模型更新方式、支持格式及实际增益。

TUCA：连接应用与硬件的统一层

TUCA全称为 Thorsianway Unified Computing Architecture，即雷神统一计算架构。速显微将其定位为面向GPGPU、AI加速器及其他异构计算硬件的共同软件层，覆盖从应用开发、算子编译，到运行时调度、硬件执行的关键链路。 4

其目标是让开发者能通过更统一的方式部署模型和计算任务，而不必为每一种加速器分别拼接底层工具链。这对工业客户尤其重要：许多客户熟悉自身行业应用，但未必拥有编译器、运行时、模型优化或异构系统集成的深厚团队积累。

面向开发者的 TUCA Playground，则被定位为这一平台的使用入口，用于应用和模型接入、编译部署、执行观察及资源管理。 4

TH1100公布了什么，仍缺什么？

天衡TH1100是该产品线首款芯片，定位于具身智能应用中的边缘AI推理。公开发布信息中最醒目的指标是：100 TOPS AI算力。速显微同时将其与FP16支持、芯内算存融合，以及部署35B-A3B稀疏混合专家模型（MoE）联系在一起。 4

35B-A3B通常指总参数量约350亿、每个Token激活参数约30亿的稀疏MoE模型。相较同等总参数规模的稠密模型，这种架构可降低单次推理时的活跃计算量；但这本身并不能直接说明某台设备的吞吐、时延、内存需求或功耗。 4

真正影响采购与部署判断的信息，目前仍不完整。公开发布报道尚未给出足够可靠、完整的TH1100规格表，包括：核心数量、FP16吞吐、内存容量与带宽、功耗范围、量化方式、上下文长度、批处理规模，以及在固定配置下的Token/s实测数据。

因此，100 TOPS不宜被直接拿来与其他加速器在真实工作负载中的表现作简单横比。只有在速显微公布详细数据手册、测试配置和可复现基准后，TH1100的实际竞争力才能更清楚地评估。 4

后续路线图：TH1800与TH24K0

速显微规划在2027年底推出TH1800，并在2028年推出TH24K0，两者均瞄准更高等级的具身智能与大模型计算需求。公司将其描述为向高端GPU竞争和更大规模物理AI系统迈进的后续产品。 4

不过，路线图反映的是战略目标，而不是已经交付、经独立测量的性能。评估这两款未来产品时，仍应将“竞争目标”与“量产产品的实际数据”区分开来。

为什么选择天津，为什么强调全栈交付？

速显微将天津总部启用定位为商业化布局的一部分，而不仅是办公地点变化。公司认为，京津冀区域聚集制造、汽车、机器人、科研和部署合作资源，有助于将芯片能力转化为机器人、车辆、工业系统等可验证的实际应用。 4

其商业主张也不止于销售一颗处理器。速显微强调芯片、算法、工具、参考设计和场景化交付，希望服务那些需要AI能力、但缺乏深度AI系统研发经验的客户。与此同时，公司也将自主可控技术和供应能力视为应对进口芯片可得性及供应链不确定性的选择。 4

结论：平台叙事已明确，硬指标仍待回答

速显微当前最突出的差异化，并非已经被完整验证的性能领先，而是试图把端侧图形经验、异构软件、面向内存访问的设计，以及场景交付服务，组合为一套面向物理AI的部署平台。

TUCA与100 TOPS的TH1100让这一路线有了具体载体，后续天衡路线图也展示了公司向更高端计算市场推进的意图。但实际推理速度、内存配置、能效、模型兼容性、开发者生态成熟度与量产供应情况，仍需要更完整的产品资料和独立测试来回答。 4