一款名为HC1的AI推理『芯片』近日在硅谷引发广泛关注。这款由初创公司Taalas研发的『芯片』，凭借每秒17000个token的峰值推理速度，成为当前AI『芯片』领域的现象级产品。与传统方案相比，HC1不仅将推理速度提升10倍，更将成本压缩至二十分之一，功耗降低至十分之一，为LLM（『大语言模型』）的实时应用开辟了新可能。
HC1的核心突破在于其“『芯片』即模型”的架构设计。与传统将模型加载至内存的方式不同，Taalas团队直接将Llama 3.1 8B模型固化在硅片上，通过掩模ROM技术实现模型与硬件的深度融合。这种设计虽牺牲了部分灵活性，却换来了极致的能效比——单颗『芯片』典型功耗仅250W，10颗『芯片』组成的『服务器』集群总功耗也不过2.5kW，可直接采用常规空气冷却方案部署。
性能对比数据凸显了HC1的颠覆性。在相同模型测试中，Cerebras的推理速度为2000 token/s，SambaNova约为900 token/s，Groq为600 token/s，而『英伟达』Blackwell架构的B200仅350 token/s。HC1的17000 token/s表现，相当于将行业标杆性能提升了数个数量级。这种优势源于其结构化ASIC设计理念：通过固定底层电路、仅调整两层掩模的方式，将『芯片』开发周期从传统6个月缩短至2个月，同时保持设计成本可控。
技术实现层面，HC1采用台积电N6工艺，『芯片』面积815mm²，支持开源生态。其创新性的存储架构包含可编程SRAM区域，用于保存微调权重（如LoRA）和KV缓存，而模型主体则通过掩模ROM固化执行。为弥补量化带来的精度损失，研究团队开发了LaRA适配器进行重新训练，并配置可调上下文窗口，在灵活性与性能间取得平衡。这种“硬连线”设计虽面临模型迭代风险，却为特定场景提供了前所未有的效率优势。
Taalas的野心不止于单『芯片』突破。针对『DeepSeek』R1-671B等超大模型，团队提出了多『芯片』协同方案：将SRAM部分拆分至独立『芯片』，使单片HC1的存储密度提升至约20位参数。30颗定制『芯片』组成的集群可实现每用户每秒12000 token的处理速度，且成本不到同等GPU方案的50%。即使考虑HC1每年更新的假设，其四年总成本仍优于GPU的四年更新周期。
这家成立仅两年的公司，拥有堪称“AMD梦之队”的创始阵容。联合创始人Ljubiša Bajić曾任AMD集成电路设计总监，主导过高性能GPU研发；Leila Bajić拥有AMD、ATI、Altera的跨平台技术管理经验；Drago Ignjatović则是AMD前ASIC设计总监。三位技术领袖的深厚积淀，使Taalas在创立初期即获得2亿美元💵融资，目前团队规模仅24人，产品研发投入仅3000万美元💵。
市场对HC1的评价呈现两极分化。支持者认为其亚毫秒级延迟将推动具身智能、实时交互等前沿领域发展；批评者则指出硬编码架构可能加速『芯片』过时，尤其在模型迭代速度日益加快的背景下。这种争议恰恰反映了AI『芯片』设计的核心矛盾：通用性与专用性的永恒博弈。Taalas的选择，无疑为行业提供了一条激进却值得深思的新路径。
