SmarCo GC3：绕过存储墙的视频生成新算力

AI 生成一段 1080P 视频，背后是数十亿参数神经网络的反复迭代，以及海量张量运算在时空维度上的密集交织。对创作者而言，等待渲染的焦虑和不断攀升的 GPU 账单几乎成为常态。这背后有一道结构性难题：传统芯片架构下，大量算力消耗在“搬运”数据，而不是“计算”本身。

存储墙：视频生成的硬约束

视频生成与静态图像处理的算力特征截然不同。扩散模型、视频大模型不仅要处理海量张量的矩阵乘法，还要完成时序建模、多帧依赖和长序列上下文理解。在冯·诺依曼架构的 GPU 上，这些运算遵循“取指—译码—执行—写回”的控制流逻辑，参数和中间特征图会在显存与计算核心之间来回搬运。

当任务动辄涉及数十亿参数和长序列帧间关系时，“搬运—计算—搬运”的瓶颈被无限放大。4K 视频每秒近 2.5 亿个像素数据在芯片与显存之间反复穿梭，大部分能耗和延迟其实花在了搬运环节，这正是业内常说的“存储墙”。而视频生成需要多轮迭代才能生成连贯动作，数据搬运开销会指数级叠加。

数据流架构：让计算跟着数据走

中科通量发布的 SmarCo GC3 提供了一种不一样的解题思路。这颗被称为“全球首款基于 RISC-V 数据流架构的视频智能 AIGC 芯片”的产品，没有程序计数器，也没有复杂的乱序执行逻辑，取而代之的是一种基于数据依赖的动态触发机制。

简单说，当计算节点所需的输入数据齐备时，计算自动触发；结果生成后，直接流向下一个需要它的节点。整个过程没有多余的搬进搬出，没有全局同步等待，也没有缓存未命中带来的随机抖动。

这种机制恰好与视频生成的内在逻辑形成结构契合。以扩散式视频生成为例，核心是带有时间依赖的降噪步骤：每一帧的生成都依赖前一步的全局张量状态，同时涉及时序注意力，本质上就是一张数据依赖图。SmarCo GC3 可以把这张图直接映射到硬件上，让中间特征图在片上计算节点间流转，直到最终帧完整生成，才写回片外存储。

硬参数与生态选择

从规格看，SmarCo GC3 做了针对性配置：

• 200 TOPS（INT8）AI 算力，可支撑较大规模扩散模型和视频生成模型的实时推理；
• 128GB LPDDR5 统一内存池并支持 ECC 纠错，兼顾长视频任务中的帧缓存稳定性，以及随机噪声采样、去噪更新的容错需求；
• 128 路 1080P 硬解码引擎，让素材解码、预处理、AI 生成和后处理可以在同一芯片内无缝衔接，不必在多个专用芯片之间来回倒腾数据。

生态层面也值得关注。数据流架构解决的是“高效计算”，但能否被广泛采用才是更大挑战。中科通量选择将数据流架构与 RISC-V 开放生态绑定，借助 RISC-V 的向量扩展和可定制指令，把 Transformer 中的矩阵乘加等高频算子固化为专用执行单元。与此同时，越来越多 AI 框架和算法开始原生支持 RISC-V，视频生成开发者不必从零起步。“数据流提供效率上限，RISC-V 提供生态下限”的组合，降低了迁移门槛。

从妥协到自由生成

在传统 GPU 上跑视频生成，开发者经常要妥协：batch size、分辨率、生成时长、实时性，每一项都可能被存储墙和同步墙卡住。一旦数据洪流超过阈值，性能不是线性下降，而是断崖式崩溃。

数据流架构则提供了另一条不同于“堆更多 GPU”的路径：计算与存储深度融合，中间结果在计算节点间直接传递，不再反复读写片外内存。理论上，这让多路视频生成并行执行成为可能，也为长时间连续视频生成提供了更现实的硬件基础。

当然，数据流架构并不是新概念，学术界早在上世纪 70 年代就开始探索。SmarCo GC3 能否在实际生产环境中兑现纸面参数，编译工具链能否跟上模型算法的快速迭代，RISC-V 生态在主流 AI 框架中的兼容性究竟如何，还需要更多实测数据来验证。

值得行业关注的是：当摩尔定律放缓、制程红利消退，视频生成的性能提升不能再依赖堆 GPU、烧电力。中科通量给出的方向，是让数据不再需要被搬运，让计算跟随数据自然流动。这条路能否走通，将在很大程度上决定视频 AIGC 从“能生成”到“自由生成”的跨越速度。

视频生成浪潮已至，算力架构革新正是支撑它的底层地基。SmarCo GC3 刚刚起航，前方还有更长的航程。