IBM 23 年推出的北极芯片，通过颠覆性架构突破冯诺依曼瓶颈，在 AI 推理任务中实现能效与速度的跨越式提升，但因设计定位与应用限制仅作为科研原型未商业化

沐光而行

核心背景：冯诺依曼瓶颈与类脑灵感

  传统芯片因 “计算与存储分离” 导致数据搬运能耗高、速度受限（“冯诺依曼瓶颈”），而 AI 推理（如图像识别、大模型响应）需频繁数据调用，问题更突出。NorthPole 受大脑 “记忆与运算一体” 启发，研发 19 年（含 DARPA 支持），采用存算一体架构：12nm 制程（落后于 4nm GPU）、256 核心网格，每核心配本地 SRAM（共 224MB），模型常驻芯片内，消除数据长途搬运，实测内存带宽达 13TB/s。 性能突破：能效与速度 “双封神” 图像识别：ResNet-50/YOLOv4 任务中，能效比 4nm GPU 高约 22 倍（每焦耳工作量）； 大语言模型：16 芯片服务器运行 30 亿参数 Granite 模型，单 Token 延迟 < 1ms（比最节能 GPU 快 46.9 倍），能效高 72.7 倍，总功耗仅 672 瓦； 系统级部署：288 芯片机架（18 服务器）跑 80 亿参数模型，风冷兼容常规机房，并发 28 用户且延迟 2.8ms。 关键代价：专为推理优化，应用受限 无法训练模型：无动态调度 / 分支，仅支持静态编译流程，不具备训练所需灵活性； 片上存储有限：单芯片 224MB SRAM 需模型量化压缩（如 4 位权重），依赖 GPU 预处理； 生态门槛高：需定制工具链重构模型，无法直接运行开源模型。 现状与意义：原型价值与行业启示 IBM 未将其商业化，而是推出商用 Spyra 芯片；NorthPole 的价值在于验证 “架构超越制程”：证明存算一体可打破传统瓶颈，为自动驾驶、数据中心低功耗推理提供新范式，是 AI 硬件演进的重要里程碑。