芯东西（公众号：aichip001）
作者 | ZeR0
编辑 | 漠影
9月17日，由(you)智(zhi)一科技(ji)旗下智(zhi)猩(xing)猩(xing)联(lian)合芯东(dong)西举办的2025全球AI芯片(pian)峰会（GACS 2025）在上(shang)海举行，在峰会大模型AI芯片(pian)专题(ti)论(lun)坛(tan)上(shang)，爱芯元智(zhi)联(lian)合创始人、副(fu)总(zong)裁刘建(jian)伟以(yi)《以(yi)高(gao)智(zhi)价比AI芯片(pian)重(zhong)构“云-边-端”算力格(ge)局》为主题(ti)发表演讲(jiang)。
爱(ai)芯元(yuan)智联(lian)合创始(shi)⼈、副(fu)总裁刘建伟分享(xiang)道，过(guo)去(qu)端侧AI芯片主要跑传(chuan)统(tong)CNN模型(xing)，场景明确，大模型(xing)的兴起(qi)则提升了AI上限(xian)，应用场景更广泛，有望引发成(cheng)本驱动型(xing)生(sheng)产力革命。
在他看来，当AI程(cheng)序规模(mo)足够大时，现有(you)运行架(jia)构不是(shi)最高(gao)效的，值得重新设(she)计(ji)适合跑AI程(cheng)序的原生(sheng)处(chu)(chu)理器(qi)。端侧和边侧长期受(shou)成本、功耗刚性(xing)约束，对高(gao)能效比AI处(chu)(chu)理器(qi)需求迫切。这驱使爱(ai)芯(xin)元智选择从端侧和边缘(yuan)侧入手做AI基(ji)建。
设计原生AI处(chu)(chu)理器，需关注算(suan)子指令集(ji)和数据(ju)流(liu)DSA架(jia)构(gou)，两者相辅(fu)相成(cheng)。采(cai)用可(ke)(ke)编(bian)程(cheng)数据(ju)流(liu)微架(jia)构(gou)可(ke)(ke)提升能效比。异构(gou)多核处(chu)(chu)理器要保(bao)证由硬件来调度，以降低(di)客户(hu)开发与使(shi)用成(cheng)本。
爱芯元智推(tui)出的原生(sheng)AI处理器以极致Token/$效(xiao)益(yi)、显著能效(xiao)优势，支持智能任务高效(xiao)运行，为客户提供符(fu)合经济原则的算力基建(jian)。该AI处理器已(yi)完(wan)成高、中、低的完(wan)整(zheng)算力布(bu)局，并已(yi)在多个领域实现规模化(hua)量产，能效(xiao)比传统GPGPU提升了一(yi)个数量级，适用于加速以文搜图、通用检测、以图生(sheng)文、AI Agent等(deng)应(ying)用。
同(tong)时，爱芯(xin)元智(zhi)已打造(zao)了从工(gong)具链到芯(xin)片(pian)的完整软硬(ying)件(jian)体系，与(yu)合作伙伴一起推动(dong)构建边(bian)缘智(zhi)能(neng)共(gong)同(tong)体。
以下为刘建伟的演讲实录：
大(da)家(jia)好，我是来自爱芯(xin)元智的刘建伟，今天给大(da)家(jia)分(fen)享一下我们(men)这(zhei)几年做算(suan)力芯(xin)片的一些体会(hui)。
今天的(de)主(zhu)题(ti)是以高智价比的(de)AI芯片来重构云边端的(de)算力(li)格局，题(ti)目里包含云，但爱芯元智还是专(zhuan)注(zhu)在边和端，我们重点(dian)讲一下端侧(ce)和边缘侧(ce)芯片。
一、做AI算力芯片六年，锚定成本驱动的生产力革命
首(shou)先介绍爱芯(xin)元(yuan)智(zhi)是做(zuo)什么的(de)，以及我们的(de)定(ding)位。爱芯(xin)元(yuan)智(zhi)做(zuo)边端AI算(suan)力芯(xin)片，提供算(suan)力，某种程度上(shang)就是基建。最终要把这样(yang)一(yi)(yi)颗(ke)算(suan)力芯(xin)片用在(zai)端侧和边缘，一(yi)(yi)定(ding)要深(shen)入到客户(hu)场景(jing)或(huo)千家(jia)万户(hu)，在(zai)具体(ti)场景(jing)里面(mian)去解决(jue)客户(hu)或(huo)家(jia)庭具体(ti)的(de)问题。
在这种(zhong)情况下，爱(ai)(ai)芯元(yuan)智就是最下面(mian)(mian)的(de)(de)(de)(de)底座(zuo)。这个倒(dao)三角，一方面(mian)(mian)表明爱(ai)(ai)芯元(yuan)智处(chu)于(yu)整个产业链的(de)(de)(de)(de)最下面(mian)(mian)，同时也(ye)表明产业的(de)(de)(de)(de)产值越往上越大(da)，需要的(de)(de)(de)(de)生态伙(huo)伴(ban)越大(da)。
爱芯元智提供的芯片(pian)之上，首先有生态合(he)作(zuo)伙(huo)伴，包括基于(yu)芯片(pian)来做一(yi)些具体的硬件、板卡、计算盒(he)、一(yi)体机等等。
再往上可能(neng)(neng)是(shi)由产业或(huo)算法的合作伙伴，能(neng)(neng)够把(ba)基于我们芯(xin)片、硬件做(zuo)成具体(ti)有功能(neng)(neng)的产品，最终还(hai)有各式各样的代理或(huo)渠道能(neng)(neng)够把(ba)它(ta)落(luo)到(dao)千家万户、具体(ti)场景里。
最终希望能够基于爱芯元智的(de)芯片(pian)底座，或是算力基建底座，构建一个边(bian)缘和端侧的(de)智能共同(tong)体(ti)，把我们(men)所有AI相关(guan)的(de)东西落在(zai)具体(ti)场景里。
如何看待(dai)AI的这件事？爱(ai)芯(xin)元智(zhi)做(zuo)AI算(suan)力芯(xin)片，已经(jing)做(zuo)了6年。
可能今年(nian)或(huo)去年(nian)之前，端侧AI芯片跑的(de)模型更多的(de)是传统CNN相关。CNN模型本身由(you)于(yu)天(tian)花板比(bi)(bi)较(jiao)低，所以落地场景相对明确，比(bi)(bi)如(ru)刷脸、智(zhi)慧交通、安防等等。
但是(shi)大(da)模型的(de)兴起能(neng)够(gou)把(ba)AI能(neng)力的(de)上(shang)限拉得非常高，能(neng)把(ba)很多场景(jing)中需要更加智能(neng)的(de)东西用大(da)模型的(de)方式来提供。
在(zai)这(zhei)(zhei)种情况下，最终AI表(biao)现(xian)就是一(yi)(yi)个(ge)稳定可靠的(de)智(zhi)能基(ji)(ji)建，会(hui)像水(shui)和电一(yi)(yi)样(yang)这(zhei)(zhei)么普遍。最终，在(zai)各(ge)行各(ge)业里面落地时，就像今天手机上的(de)各(ge)个(ge)App，一(yi)(yi)定是能够通过大模型(xing)把(ba)这(zhei)(zhei)样(yang)一(yi)(yi)个(ge)算力基(ji)(ji)建变(bian)成(cheng)一(yi)(yi)个(ge)智(zhi)能基(ji)(ji)建。
为什么我们会说这可能是一个成本驱动的(de)(de)生产力革命呢？打一(yi)个简单的(de)(de)比方，大模型在端侧(ce)(ce)和(he)边缘侧(ce)(ce)，如果落(luo)地(di)，某种程度上就相当于(yu)把(ba)一(yi)个人类专家装到(dao)了一(yi)个盒子(zi)里。
比如今天大(da)家(jia)讲智(zhi)能(neng)(neng)(neng)驾驶，可能(neng)(neng)(neng)希望的目标是车上的智(zhi)能(neng)(neng)(neng)驾驶能(neng)(neng)(neng)够像(xiang)一个人类老司机(ji)一样能(neng)(neng)(neng)够安全，舒适(shi)地把我从A点(dian)送到B点(dian)。
比如(ru)在厂房里，我们希望有一个像老专家(jia)一样的能(neng)够监测产线的的工(gong)作、生产情(qing)况。
比如在农业中，有(you)各种农业的机器，我希望有(you)一个老专(zhuan)家放进去，他能(neng)够很清晰的分辨出我这个地(di)(di)里面哪些(xie)是杂草，从(cong)而更精准地(di)(di)除草，或者在丰收时(shi)，采(cai)摘机器能(neng)够很清晰地(di)(di)分辨出果子的成熟度、品级(ji)。
这(zhei)个(ge)(ge)(ge)盒子其实就变成(cheng)(cheng)了一(yi)个(ge)(ge)(ge)标准制造业(ye)的(de)商品。大(da)家都知道，国(guo)内制造业(ye)是非常先进的(de)。一(yi)旦这(zhei)个(ge)(ge)(ge)东西变成(cheng)(cheng)了一(yi)个(ge)(ge)(ge)制造业(ye)，它(ta)一(yi)定会规模化、低成(cheng)(cheng)本地生产产出，可以应用到千行百业(ye)，大(da)幅提高各行各业(ye)的(de)生产效(xiao)率。
从这个(ge)角度，我们认(ren)为AI就是这样一个(ge)基(ji)建，最终会引发一场成本驱动型(xing)的(de)生(sheng)产力革命(ming)。
我(wo)个人对(dui)这(zhei)件事情是(shi)非常(chang)乐观的，我(wo)相信可能五到十年内(nei)，我(wo)们(men)生活中用到的各(ge)(ge)式各(ge)(ge)样的东西都会变(bian)得极其便(bian)宜，或者是(shi)这(zhei)种可获得性会变(bian)得非常(chang)强(qiang)。
二、从端边入手做AI基建，打造高能效比AI处理器
AI的应(ying)用会这么(me)广，AI的应(ying)用潜力(li)这么(me)大，那(nei)么(me)我们如何来(lai)加(jia)速AI？或者AI基建该如何来(lai)做？
我(wo)们的(de)观点是(shi)，正是(shi)因(yin)为AI应用(yong)越来越广。所(suo)以(yi)我(wo)们跑(pao)AI程序(xu)所(suo)需要(yao)的(de)硬件基础，一定值得我(wo)们重新做一个(ge)最适(shi)合跑(pao)AI程序(xu)的(de)原生AI处理器(qi)。
我们可以从历史的发(fa)展中获得一些启发(fa)。比(bi)(bi)如(ru)从CPU到GPU，最开始图(tu)形(xing)图(tu)像(xiang)类(lei)程序可以在CPU上跑，但为什(shen)么(me)会(hui)出现GPU？就(jiu)是因(yin)为图(tu)形(xing)图(tu)像(xiang)这类(lei)程序有自身的一些特点，举例(li)来讲，相对于原来在CPU上跑的控制程序，计算比(bi)(bi)例(li)会(hui)变得非常高(gao)。
这(zhei)时你会发现，用CPU来跑图(tu)(tu)形(xing)图(tu)(tu)像类的(de)(de)(de)程序，不是最经济的(de)(de)(de)，但是图(tu)(tu)形(xing)图(tu)(tu)像这(zhei)类程序的(de)(de)(de)规模又足够大时，我(wo)们(men)就(jiu)值得为(wei)图(tu)(tu)形(xing)图(tu)(tu)像类的(de)(de)(de)程序设(she)计一个原(yuan)生的(de)(de)(de)、最高(gao)效的(de)(de)(de)处理器。GPU就(jiu)是这(zhei)么来的(de)(de)(de)。
同样，今天大家跑AI程序，在云侧用的都是GPU或GPGPU架构，在端侧和边缘侧可能也是有不同的，但我们可以从历史中得到相似的启发，就是说当AI程序品类足够大时，GPU不是最高效的运行方式，可以做出一些改变，我们可以从头设计一颗新的处理器。
这也(ye)是(shi)为什么爱芯元智选择从端侧(ce)和边(bian)缘侧(ce)入手来做AI基建。
因为在云侧，大家可(ke)能(neng)对成本的要求一(yi)(yi)开(kai)始相对不是那么特别重(zhong)视(shi)，比如云侧以(yi)训(xun)(xun)练为主，训(xun)(xun)练逻辑一(yi)(yi)定是能(neng)不能(neng)把模(mo)型训(xun)(xun)出来，这是第一(yi)(yi)要义。当然，今天云侧推理业务也越(yue)来越(yue)重(zhong)，大家关(guan)注的是100万(wan)个token能(neng)卖多(duo)少钱？这时已经开(kai)始关(guan)注成本。
但是在端侧和边缘(yuan)侧，从几年前我(wo)们要把AI或(huo)智能落地时，成本的约(yue)束，它(ta)就是刚(gang)性的功耗约(yue)束。所以在端侧和边缘(yuan)侧，我(wo)们做(zuo)了(le)一个能效比最高AI处理器，它(ta)是有很强的商(shang)业驱动的。
三、原生AI处理器，怎么做？
原生AI处理器，我们怎么来做呢？
首先，我(wo)们来(lai)看AI计算程序(xu)，我(wo)们AI的程序(xu)都可(ke)以(yi)(yi)拿这(zhei)样(yang)一个(ge)数据(ju)流或计算图来(lai)表(biao)(biao)示(shi)。我(wo)们把各个(ge)网(wang)络(luo)拼起来(lai)，都可(ke)以(yi)(yi)用这(zhei)样(yang)一个(ge)抽象的计算图来(lai)表(biao)(biao)示(shi)。
在(zai)这(zhei)张计算图里可(ke)以看到，基本运(yun)算单元就可(ke)以抽象为算子(zi)，比如矩阵乘法(fa)、各种激(ji)活函数、向量(liang)reduce操作等，这(zhei)些(xie)都(dou)可(ke)以当(dang)成最基本的算子(zi)，算子(zi)所处(chu)理的输入(ru)输出就是这(zhei)样一个(ge)高(gao)维的tensor。
这样我(wo)们就可(ke)(ke)以把(ba)(ba)算子作为(wei)处理(li)(li)器的(de)(de)(de)(de)指令集来看待。这个指令集的(de)(de)(de)(de)输(shu)入输(shu)出(chu)就是(shi)tensor。一个很(hen)直观(guan)的(de)(de)(de)(de)感受(shou)是(shi)，tensor的(de)(de)(de)(de)维度(du)比(bi)(bi)图形图像程序里的(de)(de)(de)(de)矩阵维度(du)高很(hen)多，它的(de)(de)(de)(de)维度(du)可(ke)(ke)能是(shi)几(ji)千(qian)(qian)乘(cheng)几(ji)千(qian)(qian)乘(cheng)几(ji)千(qian)(qian)，这要(yao)求我(wo)们设计(ji)处理(li)(li)器时一定要(yao)把(ba)(ba)tensor的(de)(de)(de)(de)计(ji)算的(de)(de)(de)(de)能耗(hao)占比(bi)(bi)提上去，而尽量降低数据(ju)搬运的(de)(de)(de)(de)能耗(hao)。
我们来看(kan)英伟达GPU里(li)为什么会不断加入tensor core？tensor core的计(ji)算维度(du)会不断变(bian)大，本质原因(yin)都是如(ru)果(guo)要跑AI，我们就要把程序运行时(shi)的能量消耗放在正(zheng)确的地方(fang)，这个正(zheng)确的地方(fang)就是计(ji)算，而不是数据搬运。
我们如何评价这样(yang)一个(ge)处理器？
在云侧，大家目前评价的方式是(shi)每百万个token，我尽量卖(mai)，那就是(shi)成本要降下来。换算过来，就是(shi)同(tong)样(yang)的钱，我要买到更(geng)多(duo)的性能、更(geng)多(duo)的token。
比(bi)如对于AI视频处(chu)理，每秒钟或(huo)是每花一(yi)块钱能处(chu)理多(duo)少(shao)帧？这是客户最(zui)(zui)关心的(de)(de)，因为它与效果相关的(de)(de)，至(zhi)于中(zhong)间(jian)(jian)(jian)提到的(de)(de)过往大(da)家看到的(de)(de)一(yi)些(xie)中(zhong)间(jian)(jian)(jian)的(de)(de)数字，说(shuo)有(you)多(duo)少(shao)token、我每瓦有(you)多(duo)少(shao)T，这些(xie)其实都是一(yi)些(xie)中(zhong)间(jian)(jian)(jian)的(de)(de)评估，跟最(zui)(zui)后还是有(you)一(yi)段(duan)距离。
当然这个成本里(li)面(mian)也包括两块：
一块(kuai)是(shi)显性的(de)成本，比如(ru)说我搭基建(jian)时，买硬件(jian)、买算(suan)力(li)基建(jian)，花了多少钱(qian)。
还有一些隐性(xing)(xing)成(cheng)本(ben)，就是(shi)硬(ying)件买回来后，把它用起来，要投(tou)入多(duo)少的研(yan)(yan)发(fa)人力，这个(ge)研(yan)(yan)发(fa)人力牵扯到整个(ge)软件栈或工(gong)具链做的好不好用，要开发(fa)多(duo)久才能(neng)把这个(ge)应(ying)用跑(pao)起来，才能(neng)把性(xing)(xing)能(neng)跑(pao)得很好。
另外(wai)最关(guan)键的是(shi)能效(xiao)比(bi)是(shi)什么样，能不能把能源消耗、电(dian)费降(jiang)下来。
最终，我们要设计这样一个AI处理器，第一点就是算子指令集，另一点是数据流DSA微架构，这两点是相辅相成的。也就是说，只有能够(gou)抽象出算(suan)子(zi)的指令集(ji)，才能满足用户对于跑AI程序的灵(ling)活性。
可以看(kan)到，今天(tian)AI算(suan)法进步还(hai)是(shi)比较(jiao)快(kuai)的(de)(de)。如(ru)果(guo)(guo)把它(ta)分拆来看(kan)，指(zhi)令是(shi)相(xiang)(xiang)对稳(wen)定的(de)(de)，但(dan)是(shi)模(mo)型结构会(hui)发生变化(hua)，如(ru)果(guo)(guo)和(he)CPU对比的(de)(de)话，就相(xiang)(xiang)当(dang)于，程序结构会(hui)发生变化(hua)，但(dan)指(zhi)令集是(shi)相(xiang)(xiang)对稳(wen)定的(de)(de)。
也就是说，我(wo)们抽(chou)象出算(suan)子(zi)指令集，是为了保(bao)证对AI推(tui)理程(cheng)序支持的(de)灵活(huo)性，或者叫快速部署。
第二点是，只有(you)把指令集从传统处理器的微指令拉升(sheng)到了算子(zi)这样一个相对(dui)宏观(guan)的指令时，在(zai)算子(zi)指令集之下，我们才能够采用这种可编(bian)程数据流微架构来把能效(xiao)比做得(de)很好。
举例来讲，比如跑一个Transformer的模型，用我们的这样一个处理器去跑，和用这个英伟达GPGPU架构来跑，在能效比方面，我们可以有一个数量级的提升。
我们是这(zhei)样一(yi)个异(yi)构(gou)多核(he)的处理(li)器，不同的核(he)来处理(li)不同的计算单元(yuan)，也有(you)专门数据(ju)搬运的，就像(xiang)SDMA，用来做数据(ju)搬运，为了保证数据(ju)搬运和(he)计算能够一(yi)步做并行。
我(wo)们(men)从一开(kai)(kai)始设计时，原生AI处理器要求(qiu)就是这样。我(wo)们(men)应该一步(bu)从最开(kai)(kai)始出发，而(er)不是在(zai)原有的体系里修(xiu)修(xiu)补补。
另外(wai)，还有一(yi)(yi)点(dian)是(shi)要(yao)能够保证异构多核的(de)(de)调度(du)(du)是(shi)由(you)硬(ying)(ying)件来(lai)做的(de)(de)。也就(jiu)是(shi)说，当我一(yi)(yi)个完(wan)整的(de)(de)网络或者几个网络拼起来(lai)的(de)(de)一(yi)(yi)个数据计算(suan)图，这样一(yi)(yi)个业(ye)务线或是(shi)业(ye)务流，只要(yao)能够编译到我的(de)(de)处理器上，它们之(zhi)间就(jiu)是(shi)完(wan)整的(de)(de)程(cheng)序，是(shi)不需要(yao)CPU来(lai)参与的(de)(de)。所以各个核之(zhi)间的(de)(de)配合，数据之(zhi)间的(de)(de)流动或依赖性(xing)完(wan)全是(shi)由(you)硬(ying)(ying)件调度(du)(du)器来(lai)完(wan)成的(de)(de)，这样能大幅度(du)(du)降(jiang)低将(jiang)来(lai)客户使用或开发的(de)(de)成本。
软件方面(mian)，我们会(hui)有(you)(you)完整(zheng)的(de)工具(ju)链，从最底层runtime还有(you)(you)提(ti)供(gong)给客(ke)户的(de)可(ke)以(yi)观(guan)测调试(shi)、可(ke)以(yi)性能调优(you)的(de)工具(ju)，包括我们的(de)DSA，也就是指令(ling)集。
我(wo)们(men)也会把(ba)它开源出来(lai)。网上有我(wo)们(men)自己(ji)写(xie)的(de)开源出来(lai)的(de)，也有我(wo)们(men)合作伙(huo)伴建立(li)的(de)、面向(xiang)各(ge)行各(ge)业或具体应用(yong)来(lai)写(xie)的(de)各(ge)式各(ge)样加速库，比如(ru)面向(xiang)汽车、音(yin)频，甚至是面向(xiang)具体应用(yong)的(de)demo。
我(wo)们(men)(men)会在(zai)整(zheng)个软件栈上和(he)开(kai)源世界的(de)像PyTorch、跑大模型(xing)的(de)SGlang/vLLM的(de)框(kuang)架(jia)去完成对接，这(zhei)样客(ke)户(hu)拿到基于我(wo)们(men)(men)芯片做(zuo)(zuo)的(de)东西后，拿到的(de)是一套(tao)(tao)完整(zheng)的(de)解决方案，如果自己(ji)(ji)有能力，也可(ke)以从我(wo)们(men)(men)整(zheng)套(tao)(tao)解决方案中的(de)某(mou)一层来切进来，去做(zuo)(zuo)自己(ji)(ji)的(de)私有化部署和(he)使用。
结语：构建边缘智能共同体，加速AI普惠
从硬件(jian)层(ceng)丰富(fu)性(xing)来讲(jiang)，爱(ai)芯(xin)元(yuan)智提供芯(xin)片(pian)，但基于爱(ai)芯(xin)元(yuan)智的芯(xin)片(pian)，会有板卡、边缘(yuan)盒子、服务器等来自合作(zuo)伙伴的产品。
最(zui)终(zhong)，我们希望，基于爱(ai)芯元智的算力(li)基建，能(neng)构建从芯片到最(zui)终(zhong)应(ying)用的边缘智能(neng)共同体。所以我们也会在我们的客户(hu)或市场(chang)推广时，把合作(zuo)伙(huo)伴(ban)的产品(pin)一起来做(zuo)推广。
目前我们已经(jing)量(liang)产的(de)芯(xin)片上能跑这(zhei)样一(yi)些AI应用，有CNN的(de)，也有大(da)模型的(de)。例如做(zuo)通用检测、以(yi)文(wen)(wen)搜图、图文(wen)(wen)互搜、以(yi)图生文(wen)(wen)等。
图文理解(jie)就(jiu)是大模型能对一张(zhang)图片做(zuo)一些(xie)摘要性的(de)东西。使用场景(jing)很多，比(bi)如在一些(xie)座舱(cang)或家庭(ting)教(jiao)育方面。
大家可能听过一(yi)些，拍摄到一(yi)朵花就能够介绍这个花是(shi)什么等。这其实就是(shi)以图(tu)生(sheng)文。
今天在端侧(ce)和边缘(yuan)侧(ce)，也(ye)可以用到(dao)具身(shen)智(zhi)能(neng)上，做一些人机交互。我们能(neng)把千问(wen)和DeepSeek跑在端侧(ce)和边缘(yuan)侧(ce)。
做视频理解(jie)是一(yi)件挺有意(yi)思的(de)事情。比(bi)如，高(gao)速(su)公路上最容易发生(sheng)车祸的(de)时候是有人开倒汽车，这(zhei)需要多帧连续的(de)视频理解(jie)。如果我们能(neng)够把视频理解(jie)大模型用在高(gao)速(su)上，是能(neng)够降低整个高(gao)速(su)事故发生(sheng)率(lv)的(de)。
我们的(de)芯(xin)片能(neng)够用自动驾驶(shi)、智能(neng)座舱方(fang)面(mian)，我们芯(xin)片和摄像头以及毫米波雷达能(neng)够模拟这(zhei)种(zhong)激光雷达的(de)效果。
这些应用只是一些简单的(de)demo，想表达的(de)是通过加速在端侧和(he)边缘侧的(de)AI大模型落地来推动生(sheng)产力(li)革命，这件事情一直在发生(sheng)，而且会是在逐渐加速的(de)。
最终，介绍一(yi)下爱(ai)芯(xin)元智的愿(yuan)景，我(wo)们(men)希望(wang)能够通过爱(ai)芯(xin)提(ti)供(gong)的算力基建，和我(wo)们(men)的合作伙伴一(yi)起，能够把AI做得更普惠，让我(wo)们(men)的生活(huo)变得更美好。
谢谢大家。
以上是刘建伟演讲内容的完整整理。
