金剛 GC3（Jingang GC3，又稱 King Kong GC3）據報是 SmarCo HT Tech 推出的影片 AI 與生成式 AI 專用處理器。它並非把影片解碼、AI 推論和影片生成視為彼此分離的工作，再交由不同裝置處理；相反地，GC3 試圖以資料流為核心，將這些處理路徑整合在同一平台上。報導所列規格包括 12 個 RISC-V 核心、200 TOPS 的 INT8 算力，以及 128GB LPDDR5 ECC 統一記憶體。35

GC3 的重點不只是規格表上的 TOPS 數字。這款晶片主打的核心理念是：影片 AI 的效能瓶頸，很多時候不在於缺少運算單元，而在於影格、模型資料和中間結果不斷往返於處理器與記憶體之間。資料流引擎、共享記憶體，以及整合的影片與 AI 路徑，正是為了減少這類資料搬移。

為什麼影片 AI 容易卡在「搬資料」

傳統的影片理解流程，通常會先把串流解碼成影格，再將影格傳送到 GPU 進行視覺推論，之後還可能經過多個額外處理階段。當同時處理的串流數量增加，資料傳輸與各階段之間的同步，就可能和實際運算一樣成為瓶頸。3

影片生成也有類似問題。基於擴散模型或 Transformer 的系統，需要處理大型模型參數與大量中間結果。關於 GC3 的報導指出，這些中間資料集可能達到數百 GB，使反覆讀取、寫入與跨裝置傳輸在頻寬、功耗和時間上都變得昂貴。3

因此，GC3 瞄準的並不只是「算力不夠」，而是如何協調一個高度平行、分成多個階段的大型工作負載。

GC3 把哪些架構整合在一起？

資料流運算：資料到位就推進工作

在傳統控制流設計中，中央處理器或排程器負責擷取並發出指令，資料則在記憶體階層中流動。這種方式相當靈活，但 GC3 相關報導認為，對部分規律且高度平行的影片運算而言，集中式的控制方式未必理想。3

資料流設計則讓某項運算在所需資料到位後即可啟動。理論上，這能暴露更多平行度，並減少因中央排程與全域協調造成的等待。對影片工作負載而言，目標是讓更多處理階段保持運作，避免所有工作反覆經過單一控制路徑。3

不過，這是架構上的設計目標，並不等於已證實的特定速度提升。目前可取得的資料，沒有提供 GC3 與具名 CPU、GPU 或影片 AI 平台之間的獨立端對端比較結果。

RISC-V 控制核心：負責可程式化控制

據報導，GC3 的 12 個 RISC-V 核心構成可程式化的控制層。影片和 AI 專用路徑負責高吞吐量運算，而 RISC-V 核心則處理一般控制與排程，避免由傳統 CPU 一手負責每個階段。35

換句話說，GC3 並不是把 RISC-V 當成完整的主要運算引擎，而是讓它與資料流引擎及專用影片、AI 功能協同工作：RISC-V 提供彈性控制，專用硬體則負責大規模平行運算。

128GB 統一記憶體：減少 CPU 與 GPU 之間的複製

GC3 據報採用 128GB LPDDR5 ECC 統一記憶體，供 CPU、VPU、GPU 和 NPU 路徑共同使用。35 這種設計的預期優點，是減少資料在獨立 CPU 記憶體與 GPU 記憶體之間來回複製的需求。

在共享記憶體池中，解碼後的影格、模型權重和中間張量，理論上可以由不同處理單元直接取用，而不必像分離式裝置那樣頻繁進行裝置對裝置傳輸。ECC 則為記憶體子系統提供錯誤偵測與保護能力；針對 RISC-V 處理器的研究也曾探討以 ECC 保護記憶體來提升容錯性。1

但統一記憶體並不會消除所有頻寬限制。它改變的是不同運算單元存取資料的方式，實際效益仍取決於記憶體頻寬、軟體堆疊、排程方式與具體工作負載。

整合影片與 AI 路徑：從輸入到輸出少幾次交接

相關報導稱，GC3 將影片編碼與解碼功能，和 AI 運算整合在同一平台上。這可為影片輸入至理解，以及生成內容至輸出的編碼，建立更直接的處理路徑。35

理想中的工作流程可以概括為：

• 在平台內完成影片解碼；
• 讓影格留在相關 AI 路徑可直接使用的位置；
• 執行影片理解或生成，避免反覆跨越不同裝置邊界；
• 在同一整合式系統中完成輸出編碼。

這不代表每項運算都會以不可分割的單一步驟完成，而是表示這套架構希望減少原本分屬不同處理器與記憶體系統之間的不必要交接。

GC3 如何試圖降低成本、功耗與延遲？

這款晶片的預期經濟效益，直接來自上述架構：如果工作負載需要更少的資料複製、更少的記憶體往返，以及更少的跨裝置同步，就可能把較少時間和能量花在搬資料，而將更多資源用於實際運算。這對多串流影片理解、在地影片處理，以及需要處理大型中間張量的影片生成，可能特別有用。3

潛在優勢主要可分為三方面：

• 延遲： 解碼、AI 處理與編碼階段之間若需要較少傳輸，從輸入影格到產生結果的路徑可能縮短。
• 功耗： 減少資料搬移，有機會降低記憶體存取與互連流量所消耗的能量。
• 成本： 單一整合平台或可降低部署及營運多個專用裝置、並協調其工作的額外負擔。

但這些仍是現有報導所描述的目標，並非經獨立驗證的成果。現有資料提供了規格與架構理由，卻沒有證明每支影片的推理成本、每路串流的瓦數，或端對端延遲已實際下降。

這些規格能說明什麼，又不能說明什麼？

報導中的 200 TOPS，代表 INT8 精度下的 AI 運算能力，不等於任何實際應用都能達到相同程度的效能。真實的影片 AI 吞吐量，還會受到模型相容性、精度、記憶體頻寬、編譯器與執行環境支援、影片格式、批次大小、串流數量，以及資料流排程器效率等因素影響。

同樣地，128GB 統一記憶體或有助於容納大型模型與中間資料，但單看容量，無法證明某一款影片生成模型就能高效執行。軟體支援與實際記憶體流量仍然關鍵。

結論：GC3 的賣點是資料區域性，而不只是算力

金剛 GC3 最適合被理解為一次以資料區域性為核心、重新設計影片 AI 處理路徑的嘗試。其據報採用的資料流執行、RISC-V 控制核心、整合式 CPU／VPU／GPU／NPU 路徑，以及 128GB 統一記憶體，都是為了處理傳統 CPU 加 GPU 流程中可能限制效能的資料傳輸與同步障礙。35

如果軟硬體能按預期協同運作，這套架構或許能讓多串流影片理解與影片生成更有效率。不過，就目前證據而言，最穩妥的結論是：GC3 提出了一套具說服力的架構策略與一組廠商相關報導所列規格，但尚不足以視為降低成本、功耗或延遲的獨立驗證證明。

金剛 GC3（Jingang GC3，又稱 King Kong GC3）據報是 SmarCo HT Tech 推出的影片 AI 與生成式 AI 專用處理器。它並非把影片解碼、AI 推論和影片生成視為彼此分離的工作，再交由不同裝置處理；相反地，GC3 試圖以資料流為核心，將這些處理路徑整合在同一平台上。報導所列規格包括 12 個 RISC-V 核心、200 TOPS 的 INT8 算力，以及 128GB LPDDR5 ECC 統一記憶體。35

GC3 的重點不只是規格表上的 TOPS 數字。這款晶片主打的核心理念是：影片 AI 的效能瓶頸，很多時候不在於缺少運算單元，而在於影格、模型資料和中間結果不斷往返於處理器與記憶體之間。資料流引擎、共享記憶體，以及整合的影片與 AI 路徑，正是為了減少這類資料搬移。

為什麼影片 AI 容易卡在「搬資料」

傳統的影片理解流程，通常會先把串流解碼成影格，再將影格傳送到 GPU 進行視覺推論，之後還可能經過多個額外處理階段。當同時處理的串流數量增加，資料傳輸與各階段之間的同步，就可能和實際運算一樣成為瓶頸。3

影片生成也有類似問題。基於擴散模型或 Transformer 的系統，需要處理大型模型參數與大量中間結果。關於 GC3 的報導指出，這些中間資料集可能達到數百 GB，使反覆讀取、寫入與跨裝置傳輸在頻寬、功耗和時間上都變得昂貴。3

因此，GC3 瞄準的並不只是「算力不夠」，而是如何協調一個高度平行、分成多個階段的大型工作負載。

GC3 把哪些架構整合在一起？

資料流運算：資料到位就推進工作

在傳統控制流設計中，中央處理器或排程器負責擷取並發出指令，資料則在記憶體階層中流動。這種方式相當靈活，但 GC3 相關報導認為，對部分規律且高度平行的影片運算而言，集中式的控制方式未必理想。3

資料流設計則讓某項運算在所需資料到位後即可啟動。理論上，這能暴露更多平行度，並減少因中央排程與全域協調造成的等待。對影片工作負載而言，目標是讓更多處理階段保持運作，避免所有工作反覆經過單一控制路徑。3

不過，這是架構上的設計目標，並不等於已證實的特定速度提升。目前可取得的資料，沒有提供 GC3 與具名 CPU、GPU 或影片 AI 平台之間的獨立端對端比較結果。

RISC-V 控制核心：負責可程式化控制

據報導，GC3 的 12 個 RISC-V 核心構成可程式化的控制層。影片和 AI 專用路徑負責高吞吐量運算，而 RISC-V 核心則處理一般控制與排程，避免由傳統 CPU 一手負責每個階段。35

換句話說，GC3 並不是把 RISC-V 當成完整的主要運算引擎，而是讓它與資料流引擎及專用影片、AI 功能協同工作：RISC-V 提供彈性控制，專用硬體則負責大規模平行運算。

128GB 統一記憶體：減少 CPU 與 GPU 之間的複製

GC3 據報採用 128GB LPDDR5 ECC 統一記憶體，供 CPU、VPU、GPU 和 NPU 路徑共同使用。35 這種設計的預期優點，是減少資料在獨立 CPU 記憶體與 GPU 記憶體之間來回複製的需求。

在共享記憶體池中，解碼後的影格、模型權重和中間張量，理論上可以由不同處理單元直接取用，而不必像分離式裝置那樣頻繁進行裝置對裝置傳輸。ECC 則為記憶體子系統提供錯誤偵測與保護能力；針對 RISC-V 處理器的研究也曾探討以 ECC 保護記憶體來提升容錯性。1

但統一記憶體並不會消除所有頻寬限制。它改變的是不同運算單元存取資料的方式，實際效益仍取決於記憶體頻寬、軟體堆疊、排程方式與具體工作負載。

整合影片與 AI 路徑：從輸入到輸出少幾次交接

相關報導稱，GC3 將影片編碼與解碼功能，和 AI 運算整合在同一平台上。這可為影片輸入至理解，以及生成內容至輸出的編碼，建立更直接的處理路徑。35

理想中的工作流程可以概括為：

• 在平台內完成影片解碼；
• 讓影格留在相關 AI 路徑可直接使用的位置；
• 執行影片理解或生成，避免反覆跨越不同裝置邊界；
• 在同一整合式系統中完成輸出編碼。

這不代表每項運算都會以不可分割的單一步驟完成，而是表示這套架構希望減少原本分屬不同處理器與記憶體系統之間的不必要交接。

GC3 如何試圖降低成本、功耗與延遲？

這款晶片的預期經濟效益，直接來自上述架構：如果工作負載需要更少的資料複製、更少的記憶體往返，以及更少的跨裝置同步，就可能把較少時間和能量花在搬資料，而將更多資源用於實際運算。這對多串流影片理解、在地影片處理，以及需要處理大型中間張量的影片生成，可能特別有用。3

潛在優勢主要可分為三方面：

• 延遲： 解碼、AI 處理與編碼階段之間若需要較少傳輸，從輸入影格到產生結果的路徑可能縮短。
• 功耗： 減少資料搬移，有機會降低記憶體存取與互連流量所消耗的能量。
• 成本： 單一整合平台或可降低部署及營運多個專用裝置、並協調其工作的額外負擔。

但這些仍是現有報導所描述的目標，並非經獨立驗證的成果。現有資料提供了規格與架構理由，卻沒有證明每支影片的推理成本、每路串流的瓦數，或端對端延遲已實際下降。

這些規格能說明什麼，又不能說明什麼？

報導中的 200 TOPS，代表 INT8 精度下的 AI 運算能力，不等於任何實際應用都能達到相同程度的效能。真實的影片 AI 吞吐量，還會受到模型相容性、精度、記憶體頻寬、編譯器與執行環境支援、影片格式、批次大小、串流數量，以及資料流排程器效率等因素影響。

同樣地，128GB 統一記憶體或有助於容納大型模型與中間資料，但單看容量，無法證明某一款影片生成模型就能高效執行。軟體支援與實際記憶體流量仍然關鍵。

結論：GC3 的賣點是資料區域性，而不只是算力

金剛 GC3 最適合被理解為一次以資料區域性為核心、重新設計影片 AI 處理路徑的嘗試。其據報採用的資料流執行、RISC-V 控制核心、整合式 CPU／VPU／GPU／NPU 路徑，以及 128GB 統一記憶體，都是為了處理傳統 CPU 加 GPU 流程中可能限制效能的資料傳輸與同步障礙。35

如果軟硬體能按預期協同運作，這套架構或許能讓多串流影片理解與影片生成更有效率。不過，就目前證據而言，最穩妥的結論是：GC3 提出了一套具說服力的架構策略與一組廠商相關報導所列規格，但尚不足以視為降低成本、功耗或延遲的獨立驗證證明。