4月1日，在2026中国IC领袖峰会“边缘AI与算力芯片”垂直技术论坛上，国科微AI算法部部长倪亚宇发表题为《FlashAttention-4：新一代大模型推理NPU流水线范式设计》的主题演讲。

随着大模型加速走向产业落地，推理效率、内存带宽与系统功耗成为端侧部署的关键瓶颈。尤其在Transformer与大型语言模型持续演进的背景下，注意力机制（Attention）的高效实现，已成为芯片架构与工具链优化的重要突破口。

倪亚宇表示，国科微正聚焦FlashAttention等前沿技术在NPU平台上的落地探索，推动构建更适合端侧量产部署的NPU架构与工具链，为自动驾驶、边缘计算、智能终端及AIGC等场景提供高效能算力支撑。

NPU部署“满血版”FlashAttention仍面临挑战

作为大模型中的核心计算结构之一，注意力机制在实际运行中普遍面临访存开销高、流水线效率受限等问题。FlashAttention的提出，为解决这一问题提供了新的路径。

FlashAttention是由斯坦福大学Tri Dao等人于2022年提出的一种快速且内存高效的精确注意力算法。它通过对注意力计算过程进行等价重构，通过分块计算、在线Softmax、重计算与异步流水等方式，将中间计算过程保留在片上缓存中，减少外部存储访问带宽压力，显著提升推理效率。

在刚刚过去的3月中旬，FlashAttention 4.0版本正式发布。倪亚宇指出，FlashAttention从1.0演进至4.0，在并行性、长序列支持、低精度计算及异步执行等方面持续增强。但相较GPU，当前NPU在向量单元算力、异步流水排布、动态调度及超长上下文等能力上仍存差距。倪亚宇指出，要实现“满血版”FlashAttention，需围绕计算流水线、数据复用与系统带宽进行协同设计。

国科微NPU 4.0：构建更高效的推理单元

自2020年起，国科微持续投入NPU自主研发，形成从GKNPU 1.0到4.0的演进路线，产品能力向更高算力、更广模型覆盖与更优能效比升级。目前，国科微AI视觉与车载AI系列芯片已搭载3.0版本NPU，支持0.5T至8T算力，支持视觉、音频、时序等AI模型在端侧芯片应用落地。

在GKNPU 4.0架构设计中，国科微提出面向高效注意力计算的增强型脉动阵列架构，针对性扩展矩阵和向量计算能力，强化对大模型注意力机制中的关键操作的支持，压缩数据搬运路径与流水线开销，增强片上闭环计算能力。该设计旨在减少对外部带宽的依赖，提升推理链路执行效率，有效应对大模型推理中的带宽瓶颈、激活值碎片化及超长上下文的内存压力。

强化工具链，推动高效规模化部署

在NPU架构演进的同时，国科微持续强化工具链能力。新一代GKToolchain 3.0面向端侧异构算力场景，重点提升硬件感知编译、自动分块、自动向量化、异步数据读写与计算流水编排能力，推动模型部署从“可适配”迈向“高效率、可规模化”。

同时，工具链围绕动态内存管理、投机推理加速等前沿方向持续演进，增强对长上下文管理及复杂推理流程的支撑能力，助力客户高效完成从模型到芯片的部署闭环。

随着AI应用从训练侧走向推理侧、从云端走向终端，产业对算力平台的要求正从“高峰值性能”转向“高能效、可量产、易部署”的综合能力。NPU在端侧规模化落地中具备显著的成本与功耗优势。

倪亚宇表示，国科微将持续坚持算法与硬件协同创新，围绕大模型推理核心瓶颈，不断完善NPU架构、产品能力与工具链体系，推动端侧智能计算平台向更高性能、更低功耗、更强工程可落地方向演进，为客户提供更具竞争力的算力方案。

《夸克》非常好用的免费AI浏览器

下载APP查看