36氪首发 | 北大项目孵化，国内首家原生机器人“大脑芯片”企业获数亿元融资

以下是对这篇文章的深度解读，从市场背景、技术路线、团队与资本逻辑等多个维度进行分析：

一、 市场背景与行业痛点：为何需要一颗新的“大脑”？

具身智能（即有物理实体、能与环境交互的AI，如机器人）的快速发展，对核心计算芯片提出了前所未有的要求。当前的机器人“大脑”芯片市场呈现出两个尖锐矛盾：

1. 外部依赖困境：市场高度依赖英伟达Jetson系列等产品，但面临价格高昂、本地化支持有限、商业化部署门槛高的问题。这对于中国机器人产业的规模化、自主化发展构成潜在风险。
2. 内部供给不足：尽管国产芯片发展迅速，但目前尚无成熟产品能真正满足机器人端侧对“大脑”芯片（需同时处理感知、决策与运动控制）在性能、能效和成本上的综合要求。

这正是维泛智能切入的市场机会：为国产机器人提供一颗性能达标、功耗可控、成本合理的“中国芯”。

二、 技术路线深度解析：BiGPU架构的创新与逻辑

维泛智能的核心解决方案是其自主研发的 “类脑启发式GPU”（BiGPU）架构。这并非简单的技术堆砌，而是一个深刻的架构创新。

• 核心理念：同构融合，而非异构拼接

  • 行业内以往的类脑计算尝试多为“异构”方案，即把类脑计算（SNN）模块和传统计算（NPU/GPU）模块像“拼乐高”一样拼接在一起，本质仍是两套独立系统，需维护两套软件工具链，开发复杂、生态割裂。
  • 维泛智能的 “同构融合” 是更底层的创新。它试图在同一个芯片架构内，将通用GPU的并行计算能力与类脑计算的核心机制深度融合。其最大优势在于可以共享同一套指令集和软件工具链，并兼容主流AI软件生态，从而极大降低了开发和迁移成本。

• 实现路径：从计算原点优化能效

  • 文章揭示了其关键技巧：神经网络超过80%的计算量是矩阵乘累加（GEMM） 操作。传统方式（ANN）需要处理大量高精度数据，功耗和带宽压力大。
  • 维泛智能通过技术手段，将这类计算转化为脉冲神经网络（SNN）的累加形式。SNN以离散的“脉冲”传递信息，更接近生物神经元的工作方式，天然具有事件驱动、低功耗的特性。
  • 通过这种转换，在保留GPU对多种算法框架通用适配能力（灵活性）的同时，引入了类脑计算机制来显著降低功耗与带宽压力（能效）。这直击了“算力—能效—成本”难以兼顾的行业难题。

• 技术前瞻性：立足当下，面向未来

  • 创始人殷积磊点明，这是一种 “用下一代技术解决当下问题” 的思路。BiGPU不仅兼容当前主流的Transformer、VLA（视觉-语言-动作模型）等大模型架构，也能原生支持类脑网络及未来两者融合的新模型。
  • 从更长远看，类脑计算被视为通向通用人工智能（AGI） 的重要路径之一。因此，BiGPU的研发也蕴含着为未来计算范式提前布局的战略眼光。

三、 团队与资本：技术落地的双重保障

• 团队基因：公司核心团队拥有 “产学研用”全链条经验。创始人殷积磊兼具