从参与龙芯研发，到主导海光处理器产业化，再到创办象帝先，唐志敏经历了中国处理器产业从解决“有没有”，到探索“能不能规模应用”的多个阶段。转向GPU之后，他所关注的依然不是某一次流片或某一个参数，而是一颗处理器如何真正进入产业体系。

在此次维科网半导体频道的采访中，唐志敏多次谈到几个看似朴素的词：出货量、软件兼容、应用场景和生态。

图/象帝先创始人、董事长唐志敏

这些关键词的背后，实际上指出了国产GPU现阶段的核心走向：芯片可以依靠集中投入完成设计和制造，但一款产品能否长期存在，最终取决于它能否被足够多的客户持续使用。

象帝先坚持图形渲染、视频处理和通用计算并重，也应当放在这一背景下理解。这不只是关于“什么才是一颗完整GPU”的技术争论，更是一家独立芯片企业对市场规模、软件生态和生存方式的判断。

国产GPU的真正门槛：从芯片参数走向应用兼容

“正常来说，GPU有三方面的工作。”唐志敏将其概括为图形渲染、多媒体处理和通用计算。GPU原本就是图形处理器，CUDA、OpenCL等计算接口是在其发展过程中逐渐加入的能力。因此，在他看来，只能做计算、不能承担图形渲染和显示任务的芯片，并不是完整意义上的通用GPU。

象帝先坚持“图形渲染与计算并重”，并非出于技术理想主义，更现实的原因，是芯片行业即使是硬科技也依然服从规模经济效应。

唐志敏认为，独立芯片公司最终仍然要“靠量取胜”。芯片设计、流片、软件开发和持续迭代都需要高额投入，只有进入足够多的市场、形成足够大的出货量，才能分摊成本并支持下一代产品研发。

AI计算市场虽然增长迅速，但对单一厂商而言，真正能够获得的订单仍然受客户结构、生态成熟度和竞争格局制约。图形显示、工业设计、视频处理、桌面终端和工作站等市场，则构成了更广泛的应用基础。

这也解释了象帝先从盘古、伏羲到神农的迭代逻辑。唐志敏表示，产品升级沿着两条线同步推进：图形渲染能力持续提高，计算能力也持续增加。更值得注意的是软件接口的补齐——早期产品重点支持Linux环境下的OpenGL、Vulkan等接口，从伏羲开始加强Windows API和DirectX支持，神农还将继续改善。

这不是简单地向消费级显卡靠拢。唐志敏注意到，即使在工业和政企市场，大量CAD等专业软件仍高度依赖Windows。客户可以采用国产x86 CPU，却很难在短期内把全部应用迁到另一套操作系统上。国产化若只解决硬件替换，却不能平滑承接既有软件，最终仍会卡在应用端。

因此，国产GPU与国际产品存在最大追赶潜力之处，在唐志敏看来仍然是软件环节。不同于硬件性能可以用指标迅速比较，软件则需要逐层补齐驱动、编译器、图形API、渲染引擎和行业应用。对于GPU而言，CPU与操作系统的组合已经足够复杂，再叠加CAD、GIS、视频、工业仿真等不同软件，适配工作量会成倍增加。

唐志敏此前也公开指出，芯片架构可以各不相同，但底层软件接口若无法复用，全社会就要为重复适配付出成本。成熟开发环境和开发者生态是GPU相较专用加速芯片的重要优势。

这意味着，国产GPU的门槛早已不是“把屏幕点亮”。当市场只要求基本显示时，产品容易陷入低价竞争；当客户开始要求工业软件、图形引擎和复杂业务稳定运行，性能与生态则会凸显价值。

象帝先的选择，是先在工业、商用等国产化需求较明确的场景中，把关键应用和渲染引擎跑通，再向更广的市场推进。

具身智能，会不会成为国产GPU的新机会

如果说图形渲染是GPU的存量基础，具身智能则可能成为图形与计算重新汇合的增量场景。中国信通院在2025年度人工智能产业报告中，将具身智能概括为让智能“走出比特世界”；全球机器人平台也正在把模型训练、物理仿真、合成数据、实时感知与决策连接成一条完整链路。

唐志敏首先谈到的是训练。

自动驾驶汽车、无人机和机器人要实现自主运行，必须理解足够多的环境状态。但现实采集的数据大多是日常、平稳场景，真正决定安全性的极端情况反而极少出现。仅靠道路或工厂里持续采集，可能很难覆盖这些长尾却致命的问题。

因此，当需要在虚拟环境中生成复杂乃至极端场景去训练系统如何应对时，GPU既有图形生成与物理场景构建能力，又有并行计算能力，是这一过程的重要工具。

训练完成后，GPU还要回到端侧，承担视觉和多模态感知、模型推理以及对物体关系的分析。

唐志敏举例说，摄像头得到的最初只是一幅由像素构成的二维图像，机器人必须进一步识别桌子、沙发和可通行空间，并理解物体之间的位置关系，才能决定如何行动。图形渲染长期处理的正是空间、遮挡、纹理和物体关系；这使“会渲染”的GPU在世界模型与现场感知中获得了新的价值，而不只是一项传统显示能力。

不过，具身智能并不意味着GPU包办一切。机器人很难由一颗芯片完成全部任务，比如，MCU更多负责关节、电机等基础和实时控制，不承担高层决策；CPU负责系统调度和通用逻辑；GPU承担视觉、多媒体和可编程并行计算；NPU则可能以IP模块的形态集成进SoC，在确定性较高的模型推理中提供能效。

通用GPU的优势是负载变化时仍可编程，边界则是功耗、成本和实时确定性。

这也是机器人端侧与数据中心最大的不同。汽车有较大的电池和散热空间，人形机器人则对功耗更敏感；不同形态、速度和工作环境，决定了它们不可能共享一套不加取舍的计算方案。对芯片企业而言，产品定义必须从追求最大吞吐，转向在时延、功耗、可靠性、体积和成本之间做系统平衡。

唐志敏对具身智能的商业化也有着他的洞见。他认为，虽然真正具备广泛泛化能力的具身智能“还有一点距离”，当前多数机器人仍工作在相对有限、规则明确的场景。但有限场景不等于没有价值。

工厂巡检、数据采集、异常识别等应用已经能够形成闭环，机器人持续采集本厂数据，再用这些数据训练和优化模型，逐步提高工作效率。象帝先当前更现实的切入方式，也是与客户共同做场景仿真、数据生成、端侧感知和推理，而不是先假定一个统一的“机器人芯片”市场。

因此，具身智能给予国产GPU的机会，并不只是新增了一个热门标签，而在于其计算需求和软件接口仍在形成。云端AI已经建立起高度成熟的软硬件路径，机器人端侧却尚未定型。谁能把图形、计算、仿真与异构协同做成可复用的平台，谁才可能获得参与定义新市场的资格。

象帝先此前公开提出，下一阶段将一面继续发展高端图形产品，一面推进以具身智能为代表的端侧AI，并尝试让同一产品协同使用GPU与NPU能力。

从龙芯、海光到象帝先，国产处理器跨过产业化门槛步步皆不同

从CPU走到GPU，最容易产生的误判，是认为处理器研发经验可以直接复制。

唐志敏坦言，CPU团队转向AI计算相对顺畅，因为两者都以计算为中心；进入GPU图形渲染，却存在明显的知识落差。图形管线、驱动、图形API和渲染软件是一套独立体系，必须重新学习和积累。

CPU国产化最重要的经验可以迁移——长期迭代、兼容性、产品稳定性与客户验证；但GPU的软件复杂度和应用碎片化，也决定了它不能简单照搬CPU的替代路径。

国产GPU从“做出芯片”走向客户持续采购，关键也不在拿下多少个孤立项目，而在把一次适配变成可复制的产品。

象帝先目前采用两条并行路径：一方面通过整机厂商销售芯片和板卡，借助其渠道实现规模交付；另一方面直接进入行业客户，先把具体应用、系统和软件跑通，再由整机伙伴把成熟方案复制出去。同时，公司还要与CAD、渲染引擎等软件厂商进行前置适配和优化。

换句话说，真正的跨越不是第一个客户愿意试用，而是第十个客户不再需要从头定制。

这也是唐志敏从龙芯、海光经历中反复强调的软件价值。芯片只是一次集中投入，软件开发却分散在众多企业和行业之中，累计成本可能更高。国产处理器若各自形成封闭接口，每增加一种芯片，整个产业都要重复搬迁一次应用；只有形成相对稳定、可复用的底层接口，单点项目才可能积累成平台生态。

采访最后，当被问及“五年后，中国GPU真正成为“定义者”的标志是什么？”唐志敏没有给出抽象的技术口号，而是提出两个直接目标：象帝先在国产GPU市场占有率做到第一，并登陆资本市场。

这两个答案看似务实，实际上划出了从技术到产业的完整闭环。市场份额意味着产品、软件、交付和客户价值经受了持续验证；资本市场则意味着企业获得长期迭代所需的资金与治理能力。在此基础上，象帝先还希望跟随已经国际化的中国客户走向海外，而不是把“国产替代”理解为只服务国内采购。

中国GPU产业的目标，当然不能止于把海外产品换成国产品牌。但“定义者”也不是宣布一套新架构或创造几个新名词，而是让足够多的客户、软件和开发者围绕这套平台持续投入。

具身智能提供了一扇尚未关闭的窗口，却不是绕开生态建设的捷径；相反，它对实时性、能效、可靠性和异构协同提出了更高要求。

从龙芯到海光，再到象帝先，唐志敏面对的始终是同一个问题：中国能否拥有自己的核心计算引擎。只是这一轮，真正的下一战已经不再是“能否做出一颗GPU”，而是中国处理器能否从被动适配既有体系，走向参与定义下一代计算平台。