视频生成算力新选择：SmarCo GC3如何绕过“存储墙”这道硬门槛

大模型生成视频，正在成为这个算力饥渴时代最典型的应用场景之一。一段由AI生成的1080P视频，背后往往是数十亿参数神经网络的反复迭代，是海量张量运算在时空维度上的密集交织，也是无数像素数据在芯片与存储之间的辗转奔袭。

对于大多数创作者而言，按下"生成"按钮之后等待渲染完成的焦虑，以及不断攀升的GPU集群账单，几乎已经成为一种常态。这场无声的算力战争背后，一个结构性的困境正在浮出水面——传统芯片架构下，算力的大头消耗在了"搬运"而非"计算"上。

存储墙：视频生成绕不开的硬约束

视频生成场景的算力特征与静态图像处理截然不同。扩散模型、视频大模型等任务不仅涉及海量张量的矩阵乘法，还涉及时序建模、多帧依赖和长序列的上下文理解。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。参数和中间特征图在显存与计算核心之间来回搬运，算完再搬回去。

问题在于，这种"搬运-计算-搬运"的模式在面对视频生成这种动辄数十亿参数、长序列帧间关系的任务时，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间反复搬运，大部分能耗和延迟消耗在了搬运而非实际计算上——这正是业内常说的"存储墙"。而在视频生成中，由于生成连贯动作需要多次迭代，数据搬运的开销呈指数级叠加。

数据流架构：让计算跟着数据走

针对这一难题，中科通量推出的SmarCo GC3芯片，提供了一种截然不同的解题思路。这款被定义为"全球首款基于RISC-V数据流架构的视频智能AIGC芯片"，采用了不同于传统控制流的调度模式——没有程序计数器，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。

简单来说，当计算节点所需的输入数据齐备时，计算便自动触发；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，也没有缓存未命中的随机抖动。

这恰好与视频生成的内在逻辑形成了结构性的契合。以扩散式视频生成为例，其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——这本身就是一个数据依赖图。SmarCo GC3将这张图直接映射到硬件上，中间特征图在片上计算节点间流转，直到最终生成完整帧才写出片外存储。

硬参数撑起场景野心

从规格来看，SmarCo GC3为视频生成场景做了相当针对性的配置。200 TOPS（INT8）的AI算力，足以支撑大规模扩散模型和视频生成模型的实时推理；128GB LPDDR5统一内存池配合ECC纠错，既保障了长视频生成任务中帧缓存的稳定性，也为每一次随机噪声采样和去噪更新提供了容错能力；而128路1080P硬解码引擎的配置，则意味着在视频生成工作流中，素材解码、预处理、AI生成和后处理可以无缝衔接，无需在多个专用芯片间倒腾数据。

值得关注的是SmarCo GC3在生态层面的选择。数据流架构解决了"高效计算"的问题，但如何被广泛采用是另一个挑战。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机制，将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，全球范围内越来越多的 AI 框架和算法库将原生支持 RISC-V，视频生成开发者无需从零开始。这种"数据流提供效率上限，RISC-V提供生态下限"的组合，切实降低了开发者迁移的门槛。

从妥协到自由生成

在传统GPU上跑视频生成，开发者总是在妥协——妥协于batch size、分辨率、生成时长和实时性。因为控制流架构的存储墙和同步墙决定了，当数据洪流超过一定阈值，性能不是线性下降，而是断崖式崩溃。

SmarCo GC3的数据流架构提供了一种不同于"堆更多GPU"的解决路径。通过将计算与存储深度融合，让中间结果在计算节点间直接传递，而非反复存取片外内存，这颗芯片在理论上能够支撑多路视频生成并行执行，也让长时间的连续视频生成具备了更现实的硬件基础。

当然，数据流架构并非新鲜概念，学术界从上世纪70年代就开始了相关探索。SmarCo GC3的落地是否能在实际生产环境中兑现纸面参数的优势，编译工具链能否跟上模型算法的快速迭代，RISC-V生态在AI框架层面的兼容性究竟如何——这些都有待更多实测数据的验证。

但至少有一点值得行业关注：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靠堆更多的GPU、烧更多的电。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。

视频生成的时代大潮已然到来，而算力架构的革新，正是支撑这一切的底层地基。在这条数据之河上，SmarCo GC3刚刚起航，前方还有更长的航程。

雷峰网 雷峰网