在人工智能加速向产业端渗透的背景下，算力需求正在从“集中式的大规模供给”延伸到“分布式的端侧与边缘侧”。
如何在功耗、体积、成本与性能之间实现更优平衡，成为智能终端规模化落地的一道现实门槛。
1月29日，进迭时空举办新品发布会，推出符合RVA23规范的RISC-V高性能AI CPU芯片K3，并提出以“主控计算+AI算力集成”的芯片形态，面向智能硬件提供更贴近应用约束的算力方案。
问题在于，当前不少智能终端的计算体系仍沿用“通用处理器负责主控、加速器负责推理”的分工思路。
该模式在数据中心或高算力服务器场景中优势明显，但在智能机器人、边缘推理、移动终端等场景，往往受到电池续航、散热条件、板级空间与整机成本等因素限制，系统复杂度与能效压力随之上升。
尤其是当应用从单一识别任务拓展到多模态感知、实时决策与持续交互时，对计算与带宽的协同效率提出更高要求。
形成上述矛盾的原因，一方面在于终端侧数据具有实时性与隐私性特征，部分任务难以完全依赖云端处理；另一方面，终端应用的工程化门槛较高，需要芯片、软件与系统方案协同优化，单纯“堆叠算力”难以直接转化为可用性能。
与此同时，开源指令集架构持续发展，催生面向差异化场景的创新空间，推动企业在架构、工具链与生态适配等环节探索更贴近产业需求的路径。
基于此，进迭时空在发布会上强调，人工智能产业发展不仅需要数据中心算力，同样需要面向智能硬件的高效、低成本算力解决方案。
企业介绍，K3芯片在算力与带宽利用率两方面进行针对性优化，可支持中大型参数模型在本地运行的推理需求，面向多元终端场景提升适配能力，并在核心技术适配与工程化打磨上形成差异化，已在人形机器人等领域实现应用。
业内普遍认为，端侧推理的价值不止在于降低时延与成本，更在于增强系统鲁棒性与数据安全水平，提升设备在复杂环境下的“自我闭环”能力。
从影响看，此类面向端侧的高性能AI CPU若能在规模化产品中验证，将在三个层面带来变化：其一，有望降低整机对外置加速器与复杂异构系统的依赖，推动终端形态更轻量、能耗更可控；其二，促进模型部署方式从“云端统一”向“云边端协同”演进，为智能制造、智慧城市、服务机器人等应用拓展更多落地空间；其三，在产业链层面，通过开放架构与工程化生态建设，形成更可持续的软硬件协同体系，提升关键环节的可选择性与供应韧性。
对策方面，端侧芯片竞争的关键不仅在单点性能指标，更在于“可用性”。
进迭时空表示将构建从计算核、芯片到解决方案的全栈体系，支持多款操作系统与主流大模型格式，并开放硬件参考设计，降低开发者和整机厂商的导入成本。
业内人士指出，面向终端的芯片要实现快速落地，需要同步推进编译器与工具链、算子与运行时、模型压缩与量化策略、以及面向具体行业的应用中间件，形成“可迁移、可验证、可维护”的交付能力。
只有把生态适配与工程质量做到位，才能把纸面算力转化为稳定的产品体验。
前景判断上，随着大模型应用从通用对话向行业智能体、视觉语言融合与实时控制延展，终端侧将呈现“多任务并发、低时延响应、强场景定制”的趋势。
开放架构带来的可扩展性，为企业在指令集扩展、加速单元集成、以及安全与可靠性设计上提供了更多创新空间。
未来一段时间，端侧算力路线或将沿着“更高能效、更强集成、更易部署”的方向演进，谁能在生态、成本与规模交付上率先形成闭环，谁就更可能在智能终端增量市场中占据优势。
芯片产业的发展道路从来不是单纯的技术竞争，更是生态体系的比拼。
进迭时空推出的K3芯片不仅代表了RISC-V架构在AI领域应用的新进展，更重要的是展现了国内企业在自主创新、生态共建方面的决心和能力。
当前，我国正处于新一轮科技革命和产业变革的关键时期，推动芯片产业的自主可控与高质量发展是重要课题。
像进迭时空这样的创新企业，通过技术突破和生态开放，正在为产业链的完善和数字经济的发展提供新的动能。
未来，随着更多自主芯片的涌现和应用场景的拓展，我国在终端算力领域的自主能力必将不断增强。