速顯微憑 TUCA 與 TH1100 進軍具身智能：由「先渲染、後 AI」起步

速顯微正由物聯網及車載場景的圖像／顯示處理器，轉向具身智能（embodied intelligence）硬件。公司在天津發布的重點有兩項：TUCA 統一異構運算架構，以及定位為首款端側 AI 推理 GPGPU SoC 的天衡 TH1100。現時這次發布最值得留意的，是其平台與產品路線，而非已獲第三方驗證的性能領先；可供獨立比較的基準測試資料仍然有限。4

由端側顯示，走向 AI 運算

速顯微此前的產品，正是這次轉型的起點。公司表示，GC9002 與 GC9005 已於 2023 年完成功能驗證，分別面向低功耗及較高性能的 IoT 顯示應用。當中 GC9005 配備雙 32 位元 RISC-V 核心、圖形核心及 NPU，最高支援 3840×2160 顯示輸出。7

合作夥伴資料則形容 GC9005 是一款偏重圖形處理的 MPU，整合記憶體、2.5D 圖形加速、多媒體功能及深度學習加速單元，可應用於本地語音辨識、人臉偵測等端側任務。16

換句話說，速顯微並非將 AI 加速視為一門完全另起爐灶的生意，而是想由圖形、視覺互動及邊緣系統整合能力向外擴展。

「先渲染、後 AI」究竟是甚麼？

速顯微將其策略概括為「先渲染、後 AI」。其論點是，Physical AI 產品——例如機械人、智能車及工業邊緣設備——除了要跑模型推理，亦要有即時視覺運算及反應夠快的異構系統。按公司的說法，圖形運算所建立的可編程平行運算能力、開發工具與軟件基礎，可成為加入 AI 工作負載的底座；公司亦把這條路徑類比 NVIDIA 由圖形運算走向通用 GPU 運算及 AI 的演變。4

這不代表單靠渲染便可解決具身智能。它其實是一種產品定位：部署實體系統的客戶，需要的是感知、視覺化、控制、模型部署與裝置整合的一套可用方案，而不只是規格表上一個最高 TOPS 數字。

公司主打的三個技術支柱

速顯微在 Physical AI 的論述中，重點提出三項彼此扣連的技術。以下效益目前主要屬廠商主張，仍須更多技術文件及可重複測試佐證。

全棧 GPU IP

公司稱已垂直開發由 GPU IP、系統軟件到工具組成的技術棧。其現有網站提供 GC9000 系列的選型資料、SDK、晶片支援套件、數據表與開發工具，反映軟件支援一直是其既有產品策略的一部分。3

對新 AI 平台而言，目標是協同硬件、編譯器、運行時軟件、驅動程式、作業系統支援、演算法及場景方案。對同時要處理圖形、視覺與推理工作負載的系統客戶來說，潛在好處是減少整合及移植工序。4

晶片內存算融合

公司亦主打「晶片內存算融合」，希望減少運算單元與外部記憶體之間的資料搬運。對端側推理而言，記憶體流量會直接影響延遲、耗電及系統設計；速顯微稱，此方法可提升儲存與運算的鄰近性。4

AI ROM

AI ROM 的概念，是把指定模型的參數或權重放入晶片內的非揮發性儲存空間。速顯微稱，這可降低儲存成本與耗電，並提升 token 輸出表現。4

但取捨也很清楚：固定放在晶片內的權重，對特定部署或會有利，模型更新與更換的彈性卻可能低於完全存放於外接記憶體的方案。現時公司尚未公開足夠資料，讓外界獨立判斷容量、更新機制、支援模型格式及實際性能收益。

TUCA：硬件背後的統一軟件層

TUCA 全名為 Thorsianway Unified Computing Architecture，是速顯微為 GPGPU、AI 加速器及其他異構運算硬件提出的共同層。公司指，TUCA 涵蓋由應用開發、算子編譯，到運行時排程及硬件執行的整條鏈路。4

實際目的，是讓開發者以較統一的方式部署模型與運算工作，毋須為每種加速器分別拼湊底層工具鏈。這對工業客戶尤其重要：他們可能熟悉業務場景，卻未必有足夠內部資源處理編譯器、運行時、模型最佳化或異構系統整合。

公司亦提到 TUCA Playground，定位為開發者使用此技術棧的環境，用於應用與模型導入、編譯及部署、執行觀察和資源管理。4

TH1100：已披露了甚麼，未披露的又是甚麼？

天衡 TH1100 是新產品線首款晶片，定位為供具身智能應用使用的端側 AI 推理產品。目前發布資料中最顯眼的規格，是100 TOPS AI 算力。速顯微亦把它與 FP16 支援、內部存算設計，以及部署 35B-A3B 稀疏 MoE 語言模型的能力連結起來。4

35B-A3B 一般是指模型總參數約 350 億、但每次生成 token 約啟用 30 億參數。相對同等總參數量的稠密模型，這類設計可減少活躍運算量；不過，這本身並不能證明某部裝置的吞吐量、延遲、記憶體需求或耗電表現。4

更關鍵的是，公開發布報道仍未提供 TH1100 完整而可靠的規格表，包括核心數量、FP16 吞吐量、記憶體容量與頻寬、功耗範圍、量化方式、上下文長度、batch size，以及量度所得的每秒 token 數。換言之，在速顯微發表詳細 datasheet 與可重現的測試配置前，100 TOPS 不宜直接與其他加速器在真實工作負載下作一對一比較。4

TH1800、TH24K0：是路線圖，不是已交付成績

速顯微規劃在 2027 年底推出 TH1800，並於 2028 年推出 TH24K0，兩者均瞄準更高階的具身智能與大型語言模型運算層級。公司把它們描述為邁向較高端 GPU 競爭，以及支援更大規模 Physical AI 系統的後續步驟。4

不過，這些資料反映的是公司的野心與方向，並非已交付硬件的實測表現。評估這條路線圖時，應把未來競爭目標與經獨立量度的量產產品成績分開看。

為何選天津？全棧交付又有何意義？

天津總部發布並不只是換址。速顯微的說法是，商業化需要貼近北京—天津—河北一帶的製造、汽車、機械人、科研及部署夥伴。4

所以，它想賣的不只是一粒處理器，而是晶片硬件、演算法、工具、參考設計與按場景交付的方案，主要面向希望加入 AI 能力、但未必有深厚 AI 系統工程經驗的客戶。公司亦把本土可控技術與供應，定位為應對進口晶片供應可得性及供應鏈不確定性的選項。4

總結：差異化仍在於整合能力，未到性能定論

速顯微目前最鮮明的差異，未必是已完全證實的性能優勢，而是嘗試將端側圖形經驗、異構軟件、記憶體感知設計及部署服務，整合成一個面向 Physical AI 的平台。

TH1100 的 100 TOPS 宣稱與 TUCA 發布，令這個策略有了較具體的落點；天衡後續路線圖則展示公司想去的方向。但真正影響市場判斷的問題——實際推理速度、記憶體配置、能效、模型相容性、開發工具成熟度與量產供應——仍要等待產品文件與獨立測試才能回答。4