浙江流流电子科技布局 AI 推理芯片方向：以 3D 集成与 Hybrid Bonding 技术探索高能效专用计算新路径

　　近日，浙江流流电子科技有限公司表示，公司正在将过往在 3D 集成专用计算芯片领域积累的工程经验，延展至 AI 推理芯片方向。未来，公司将围绕高能效 AI 推理 ASIC、3D 集成架构、Hybrid Bonding 高密度互连以及低功耗专用计算体系展开技术布局。

　　据公司介绍，流流科技创始团队曾参与研发并推动量产过一款基于 40 纳米工艺、采用 Hybrid Bonding 技术的以太坊专用计算芯片。该芯片于 2021 年进入量产阶段，是团队在先进封装、高并行计算、低功耗架构和专用 ASIC 工程化方面的重要实践。

　　流流科技认为，从以太坊专用计算芯片到 AI 推理芯片，变化的是应用场景，不变的是底层工程逻辑：如何在有限功耗、有限面积和有限数据通路条件下，最大化单位能耗下的有效计算能力。

　　一、从 40 纳米 Hybrid Bonding 芯片量产经验出发

　　在专用计算芯片领域，量产经验往往比单纯的设计概念更具价值。

　　流流科技创始团队此前参与的 40 纳米以太坊专用计算芯片，并非传统意义上的普通 ASIC，而是一款采用 3D 集成思路和 Hybrid Bonding 技术的专用计算芯片。该产品于 2021 年进入量产阶段，意味着相关团队曾经实际经历过从芯片架构、三维互连、封装协同到量产可靠性的完整工程挑战。

　　对于任何采用 3D 集成路线的芯片而言，Hybrid Bonding 都不是简单的封装后处理步骤。它会影响芯片层级划分、互连密度、信号传输路径、热分布、测试覆盖以及最终产品的稳定性。因此，能够参与并推动此类芯片进入量产，本身代表了团队对 3D 集成芯片工程复杂度的实际理解。

　　这也是流流科技此次布局 AI 推理芯片的重要基础。

　　二、Hybrid Bonding：3D 集成芯片的关键互连方式

　　在表述上，“3D 集成”和“Hybrid Bonding”并不是两个割裂的技术概念。

　　更准确地说，Hybrid Bonding 是实现高密度 3D 集成的重要技术路径之一。它通过晶圆与晶圆、芯片与晶圆或芯片与芯片之间的高密度互连，使不同功能层能够在垂直方向上形成更短、更密集的数据连接。

　　传统二维芯片设计中，计算单元、缓存、控制逻辑和数据通路都需要在同一平面上展开。随着芯片规模扩大，长距离布线、片上拥塞、访问延迟和功耗都会成为限制性能提升的重要因素。

　　而 3D 集成提供了另一种思路：将不同功能模块在垂直方向上组织起来，使计算、存储和数据通路之间的距离进一步缩短。Hybrid Bonding 则为这种垂直组织方式提供了更高密度、更低寄生、更短路径的互连基础。

　　对于高能效专用计算芯片而言，这种技术路线的核心价值并不是简单“把芯片叠起来”，而是让芯片内部的数据流动更加高效。

　　三、从 ETH 专用计算到 AI 推理：不是算法迁移，而是工程能力迁移

　　流流科技表示，以太坊专用计算芯片与 AI 推理芯片面向的是完全不同的应用场景，因此不能简单理解为“把原来的芯片换一个用途”。

　　真正能够迁移的，是底层工程能力。

　　以太坊专用计算芯片强调高并行、低功耗、稳定运行和单位能耗下的计算效率;AI 推理芯片同样关注高并行计算、数据吞吐、功耗控制和持续运行效率。二者虽然执行的算法不同，但都属于典型的专用计算芯片，都需要围绕特定工作负载进行架构优化。

　　在 AI 推理场景中，芯片面对的不只是矩阵乘法本身，还包括模型权重读取、激活数据缓存、中间结果传输、片上数据复用以及外部存储访问等问题。大量能耗并不完全发生在计算单元内部，而是发生在数据移动过程中。

　　因此，流流科技认为，过去在 Hybrid Bonding 3D 集成专用计算芯片中的经验，可以为 AI 推理芯片提供重要参考：通过更紧凑的计算-存储组织方式，降低无效数据搬运，提高单位功耗下的有效推理能力。

　　四、AI 推理芯片的核心竞争：从峰值算力转向有效算力

　　随着 AI 应用进入大规模部署阶段，推理芯片的评价标准正在发生变化。

　　过去，AI 芯片常常以理论算力、制程节点和峰值性能作为主要宣传指标。但在真实部署中，客户更加关注的是芯片在持续运行状态下的能效、稳定性、部署密度和长期使用成本。

　　对于企业私有化 AI 部署，芯片需要在有限电力和有限服务器空间内提供稳定推理能力。

　　对于边缘 AI 场景，芯片需要控制功耗、散热和体积。

　　对于视频理解和多模态检索场景，芯片需要处理持续、高频、并发的数据流。

　　对于语言模型推理，芯片则需要在延迟、吞吐和存储访问之间取得平衡。

　　这些场景都指向同一个问题：AI 推理芯片的核心不只是“有多少算力”，而是“有多少算力能够被真实模型有效利用”。

　　这也是专用 ASIC 芯片存在机会的地方。

　　五、3D 集成有望缓解 AI 推理中的数据搬运瓶颈

　　AI 推理芯片的能效瓶颈，往往来自计算与存储之间的不匹配。

　　随着模型参数规模提升，芯片需要不断读取权重、缓存激活数据、传输中间结果。如果计算阵列与存储结构之间距离过长，或者片上数据复用率不足，就会造成大量无效功耗。

　　3D 集成架构为这一问题提供了新的解决空间。通过垂直方向上的功能组织，芯片可以尝试将计算层、缓存层和数据通路进行更紧密的协同设计，使部分关键数据路径更短，互连密度更高，片上数据复用效率更好。

　　Hybrid Bonding 在其中的意义，是为不同芯片层之间提供高密度连接能力。对于 AI 推理 ASIC 而言，这种能力有机会帮助芯片降低外部访存压力，减少数据搬运功耗，并提升实际推理场景下的能效表现。

　　六、成熟工艺结合先进封装，成为专用 AI 芯片的重要方向

　　流流科技认为，AI 推理芯片并不一定只有依赖最先进制程这一条路径。

　　在高端训练芯片领域，先进制程、高带宽显存和大规模集群互联非常重要。但在大量推理场景中，客户更加关注成本、稳定性、供货能力、功耗表现和部署灵活性。

　　因此，成熟工艺结合先进封装，正在成为专用 AI 推理芯片的一种现实路线。

　　成熟工艺可以带来更可控的设计成本和制造风险，而 3D 集成与 Hybrid Bonding 则有机会从架构层面提升数据流效率。二者结合后，芯片不一定追求通用计算能力的极限，而是围绕特定推理场景做更高效的专用优化。

　　对于流流科技而言，从此前参与量产的 40 纳米 Hybrid Bonding 以太坊专用计算芯片，到未来布局 AI 推理芯片，本质上是一条从“专用计算”走向“专用智能计算”的技术延展路径。

　　七、从专用计算经验走向 AI 推理架构创新

　　流流科技表示，公司未来将围绕 AI 推理 ASIC、高能效专用计算、3D 集成、Hybrid Bonding 和低功耗数据流架构持续展开技术研究。

　　公司认为，AI 推理市场正在逐步分层。通用 GPU 仍将在大规模训练和通用 AI 计算中占据重要位置，但在部分垂直推理场景中，专用 ASIC 有机会通过更聚焦的架构设计获得能效优势。

　　与通用芯片相比，专用推理 ASIC 不追求覆盖所有任务，而是围绕特定模型结构、特定算子类型和特定部署环境进行优化。通过减少冗余逻辑、优化数据流、提高片上数据复用率，并结合 3D 集成技术改善计算与存储之间的连接效率，专用芯片有望在单位功耗和单位成本上形成差异化。

　　流流科技表示，过去参与 Hybrid Bonding 3D 集成芯片量产的经历，使团队更加重视芯片从设计概念到真实产品之间的工程落差。未来，公司将继续以工程可落地为导向，探索面向 AI 推理的新型专用计算架构。

　　八、结语：以 3D 集成经验切入 AI 推理芯片新阶段

　　从 40 纳米 Hybrid Bonding 以太坊专用计算芯片，到面向 AI 推理的专用 ASIC 架构探索，流流科技正在尝试将过往在高能效专用计算和 3D 集成领域的经验，转化为面向新一代 AI 应用的芯片能力。

　　在 AI 推理需求快速增长的背景下，市场对芯片的要求正在从单纯的峰值算力，转向更实际的能效、成本、稳定性和部署效率。3D 集成与 Hybrid Bonding 技术，为专用 AI 推理芯片提供了新的架构可能。

　　流流科技表示，公司将继续围绕先进封装与专用计算架构的结合展开技术布局，希望在 AI 推理芯片领域探索一条兼具工程可行性和能效优势的发展路径。