AMD 于 8 月 6 日宣布达成协议收购多伦多 AI 芯片初创公司 Taalas。交易金额未披露，预计今年第四季度完成。这是 AMD 在过去两年内的第六笔 AI 相关收购，Taalas 专注另一条技术路线：这家公司不造 GPU，也不做通用 AI 加速器。它把 AI 模型的权重直接「蚀刻」进硅片。
在传统 GPU 上运行推理，需要把模型权重从 HBM 搬运到计算单元，数据来回穿梭于内存层级，大部分功耗和延迟都消耗在数据传输而非计算本身——这就是所谓的内存墙。Taalas 的方案是把模型及权重固化到定制电路中，将存储与计算结合，以减少权重搬运。第一代 HC1 使用 3 比特和 6 比特混合量化，第二代方案则采用标准 4 比特浮点格式。
Taalas CEO Ljubisa Bajic 在官网上写道：「从收到一个此前未见的模型算起，我们可以在两个月内将其做成定制硅。」这次出售也将这位 AMD 前员工带回了他效力多年的老东家。Bajic 在创办 Taalas 前曾共同创立 Tenstorrent，目前由芯片传奇人物 Jim Keller 执掌。
首代芯片在 Llama 8B 上测速，较大模型成本仍是模拟结果
Taalas 的第一代测试芯片 HC1 基于台积电 6nm 工艺，上面蚀刻了 Meta Llama 3.1 8B 模型。按公司公布的测试，每用户约 16,960 tok/s，是 Nvidia GPU 推理速度的约 48 倍，比 Cerebras 晶圆级引擎快 8 到 10 倍。Forbes 分析师 Karl Freund 的实际测试中，一份关于二战的详细月度时间线请求在 0.138 秒内完成，生成速度为每秒 14,357 个 token——快到「来不及看它滚动」。
成本差距同样显著。根据 Taalas 2 月公布的数据，在 HC1 上运行 Llama 3.1 8B 的推理成本为每百万 token 0.75 美分，而 GPU 方案的成本从 3.79 美分（吞吐量优化）到 28.6 美分（延迟优化）不等。DeepSeek R1 级推理模型的模拟成本为每百万 token 7.6 美分，对比 GPU 的 20-49 美分。Taalas 声称蚀刻一个模型的权重到硅片中，其成本约为训练该前沿模型的百分之一。
公司公布的机架功耗对比也显示了差异。HC1 整机架功耗仅 12-15 千瓦，而 GPU 推理机架通常在 120-600 千瓦之间。HC1 还可以使用空气冷却，不需要昂贵的数据中心液冷改造。
Taalas 在 2 月的路线图中，计划于当年冬季部署基于第二代芯片 HC2 的前沿模型。HC2 采用标准 4 比特浮点格式来解决精度损失问题，单片支持 20B 参数，多片可通过 pipeline 并行支持更大模型——50 个加速器就能服务一个万亿参数模型。相比之下，Groq LPU 机架系统需要数千个 LPU 才能达到同等规模。
模型锁定的代价
Taalas 方案的弱点与优点一样明显：一旦芯片制造完成，你能运行的模型就被锁定了。任何超出 LoRA 适配器范围的更新都需要重新流片。如果所服务的模型频繁更新，这会增加成本并影响交付时间。
但 Taalas 的架构设计并非全部推倒重来。Bajic 的技术路线是：基础逻辑层保持不变，只需要重做最上层的两道金属互联（metal layer），Freund 推测，TSMC 可以提前储存未完成晶圆，等待最后两层金属互联的加工。Taalas 声称这一过程仅需两个月，而整个芯片的生命周期中可容纳三次升级，这些费用已计入 Taalas 公布的成本对比中。
CNBC 报道引用了 AMD CEO Lisa Su 7 月产品发布会上的一句表态：「我不认为有一种万能的芯片解决方案。」她同时重申 GPU 仍将占据 AI 芯片市场的最大份额，因为它们可以灵活适应新模型。这也解释了两类芯片可能承担的不同任务：GPU 适应不断变化的模型，Taalas 则更适合模型相对稳定、推理量足够大的场景。
哪些场景符合条件？前沿实验室（OpenAI、Anthropic、Meta 都是 AMD Instinct 的大客户）的旗舰模型、代码助手的后端推理、大规模 Agent 系统的 token 生成——这些场景可能产生大量推理请求。只有当模型选择足够稳定、芯片利用率足够高时，专用芯片的节省才可能抵消更新灵活性的损失。
AMD 计划把 Taalas 与 Instinct GPU 组合使用
AMD 希望把 Taalas 技术纳入现有 AI 产品路线。7 月下旬，AMD 宣布与 Cerebras 合作，将后者的晶圆级引擎（WSE）集成到 Helios 机架级系统中，目标是 prefill 加速。结合 Taalas 的特性，一种可能的分工是让通用 GPU 和其他加速器处理 prefill 等阶段，让 Taalas 承担稳定模型的 decode。不过，具体分工与成本表现仍需 AMD 的集成方案和测试结果确认。
AMD 的 Helios 机架系统刚刚开始向 Meta 和 Microsoft 发货。AMD AI 部门高级副总裁 Vamsi Boppana 在官方声明中称：「AMD 正在构建一个全栈 AI 平台，为客户提供灵活部署适合每种 AI 工作负载的正确计算方案。」Taalas 和 Cerebras 的技术为 AMD 组合不同加速器提供了更多选择，最终产品如何集成仍待说明。
AMD 过去两年已收购多家相关公司：2024 年以 $6.65 亿收购 Silo AI（模型开发），以 $49 亿收购 ZT Systems（系统设计），此后又收购了 MK1（推理软件）、MEXT 和 FastFlowLM。拟收购 Taalas 则为这条产品路线补充了模型专用硬件。
Groq 保留模型可编程性，Taalas 进一步限定具体模型
专用推理芯片的整合正在加速。2025 年 12 月，Groq 宣布与 Nvidia 达成非独家推理技术许可协议，部分团队成员加入 Nvidia，Groq 继续独立运营。媒体报道的交易金额约为 $200 亿，双方公告未披露财务条款。Groq 的 LPU（语言处理单元）同样是针对推理优化的专用架构，但其数据流设计仍然保留了相当的可编程性。
与 Groq LPU 相比，Taalas 的硬化程度更进一步。Groq 将模型权重预加载到 SRAM 中，绕过缓存层级；Taalas 则将模型权重固化进定制电路。前者可以通过重新加载权重来切换模型，后者则需要重新流片。减少模型权重搬运，是 Taalas 追求性能和单位成本优势的主要方法；不同系统的差距仍需要结合具体模型和测试设置判断。
另一个竞品是初创公司 Etched，其 Sohu 芯片专门为 Transformer 架构设计，不能运行 CNN、LSTM 等非 Transformer 模型。Taalas 在专用化光谱上比 Etched 走得更远——它不仅限定架构，还限定了具体模型。
模型更新频率与多种芯片的运维成本，决定方案是否划算
Taalas 的商业模式能否成立，取决于两个关键变量。
第一是目标模型的更新频率。Freund 的成本讨论以模型通常约一年更新为背景；这是一项影响专用芯片经济性的假设，不能直接套用到所有前沿模型。如果目标模型稳定运行足够长时间，硬件固定带来的限制才更容易接受。但如果出现颠覆性的新架构（例如非 Transformer），硬化的芯片将面临快速淘汰。不过 Taalas 创始人曾指出，即使是架构级变化，下层基础运算模式也趋于收敛，只需修改金属层而非全部重新设计。
第二是数据中心是否愿意接受多 SKU 运维复杂度。Forbes 的 Freund 指出，没有数据中心愿意管理数十种不同的加速器 SKU，操作复杂性「难以想象」。但反过来看，如果推理流量高度集中在少量旗舰模型上——例如 Meta 用 Llama 家族、Anthropic 用 Claude 家族——SKU 数量可以控制在个位数。
AMD 的选择空间在于，它同时拥有通用 GPU 和专用加速器。客户不需要在两条路线之间做非此即彼的选择。一种可能的部署方式是：新模型先在 Instinct GPU 上验证，待推理量和版本稳定后，再评估是否切换到 Taalas 加速器。它能否降低单位成本，仍需计入硬件更新与运维费用。
这笔拟议收购说明，AMD 正把模型专用硬件作为推理优化的一条补充路线。它是否能在大规模部署中胜过通用方案，取决于速度与功耗优势能否覆盖制造、更新和运维成本。
The Register 和 Wccftech 的报道均引述了 The Next Platform 2 月对 Taalas 的深度技术分析作为关键来源。HC2 的实际部署时间，以及 AMD 收购后的具体集成安排，仍需后续公告确认。
