隨著人工智能從云端應用加速進入機器人、衛星、邊緣終端等真實場景，AI 芯片的能力邊界正在發生變化。相比傳統推理芯片，面向下一代智能體的芯片不僅要“能算”，還需要具備更強的環境適應能力、持續學習能力和場景化部署能力。

近日，智能體芯片企業星凡智能（XFEON）與西安交通大學自主系統與智能芯片實驗室達成深度產學研戰略合作。雙方將圍繞“片上自學習 AI 芯片”這一前沿方向，開展算法—硬件協同設計攻關，推動 AI 芯片從傳統推理計算能力，進一步邁向可持續學習、可動態優化的新階段。

公開資料顯示，星凡智能是一家面向 AGI 的智能體芯片公司，專注智能體芯片及智能計算產品研發與產業應用。公司堅持以芯片架構、算法與軟件棧協同優化為核心技術路線，構建覆蓋算法優化、推理引擎、芯片研發與系統交付的軟硬一體化能力，面向 Token 算力工廠、太空計算、具身智能等場景提供智能算力底座。

此次合作的校方執行團隊為西安交通大學自主系統與智能芯片實驗室。該團隊由孫宏濱教授領銜，在大模型輕量化、智能芯片架構與電路設計、軟硬件協同設計等方向具有長期研究積累。雙方合作的重點，是圍繞 AI 芯片在低功耗、小面積約束下實現片上參數更新的關鍵難題，探索更高能效的片上自學習訓練異構處理系統。

在當前 AI 芯片部署模式下，多數芯片主要承擔推理任務，模型一旦部署到端側設備后，通常難以根據新數據持續學習和更新。而在具身智能、太空計算、邊緣智能等場景中，設備需要長期運行在動態環境中，對低時延、本地化、持續適應和高可靠性提出更高要求。如何讓芯片在本地完成更高效的學習與更新，成為 AI 芯片從“能算”邁向“會學”的關鍵技術方向。

據介紹，雙方目前已在片上學習訓練框架和片上學習高效處理器等方面形成階段性成果。其中，片上學習訓練框架面向訓推計算成本高、歸一化層部署瓶頸、稀疏模式不一致等問題展開優化，推動浮點運算量和 EMA 成本進一步降低；片上學習高效處理器則通過資源共享的統一計算陣列設計，提升芯片面積效率和能量效率。

在產業應用層面，片上自學習能力有望為具身智能機器人、在軌衛星、邊緣智能終端等場景提供更高效的本地智能支撐。對于機器人而言，片上自學習能力可以幫助其在真實場景中持續積累經驗、優化決策和提升執行效果；對于太空計算場景，在軌設備則有望在數據下行受限、通信時延較高、環境復雜等條件下，實現更高效的本地處理與智能響應。

業內觀點認為，隨著 AI 應用從數字世界進入物理世界，芯片能力正在從單純追求峰值算力，轉向更加重視低功耗、高效率、場景適配和持續進化能力。星凡智能此次與西安交通大學智能芯片團隊開展產學研合作，體現了智能體芯片企業對底層技術攻關和長期研發能力的持續投入，也為其在具身智能、太空計算等高價值場景中的產品落地提供了技術支撐。

從產業趨勢來看，產學研協同正在成為硬科技企業突破關鍵技術的重要路徑。一方面，高校科研團隊能夠提供前沿理論、芯片架構和算法創新能力；另一方面，企業具備產品定義、工程化開發和商業化落地經驗。雙方在片上自學習方向展開聯合攻關，有助于推動科研成果從實驗室進一步走向產業應用。

未來，隨著智能體芯片在機器人、衛星、邊緣終端等場景中的應用持續拓展，片上自學習能力或將成為下一代 AI 芯片的重要競爭方向。對于星凡智能而言，此次產學研合作不僅是一次前沿技術攻關，也將進一步強化其面向 AGI 時代智能體芯片的研發能力和場景化落地基礎。

免責聲明：市場有風險，選擇需謹慎！此文僅供參考，不作買賣依據。

關鍵詞：