上证报中国证券网讯（记者 王敬博）近期，深存科技在无锡发布两款自研算力产品——高性能AI及数据加速“钛湖LakeTi P220 XPU”和大模型处理器“镭神XThor X400 LPU”及可扩展计算平台。
“我们把首款产品命名为‘钛湖’，既致敬这片土地，也给自己立下一个目标：在无锡做出世界级国产算力产品。”深存科技创始人、CEO袁静丰在发布会现场说。
成立不到六年，深存科技正迎来从技术研发向规模化商业交付的关键节点。此次发布的两款产品，分别瞄准AI计算效率和大模型算力成本；与此同时，公司也开始从芯片向算力平台、智算集群和行业应用延伸，试图构建一条从底层计算架构到产业场景的完整技术路径。
从国际半导体（881121）设计企业工作二十余年，到回国创办一家新型算力芯片企业，袁静丰正在押注一个判断：随着AI从模型训练逐步走向大规模推理和产业应用，算力竞争将不再只是简单比拼芯片数量和峰值算力，而将进入一场围绕计算效率、数据流和应用成本的更深层竞争。
“钛湖”与“镭神”：不只是在芯片上增加算力，而是让芯片更精准解决AI场景痛点
在创办深存科技之前，袁静丰拥有二十余年半导体（881121）产业经历，曾先后任职于英特尔（INTC）、美光、闪迪（SNDK）、西部数据（WDC）等企业，长期从事存储器、芯片和数据中心技术研发。
这些经历让他长期关注一个问题：随着数据量不断增长，计算系统真正的瓶颈究竟在哪里？
在袁静丰看来，传统计算架构的发展逻辑，更多是不断提升计算单元本身的性能。但进入大模型时代以后，AI系统的效率已经不仅取决于“算得有多快”，还取决于数据如何处理、如何搬运，以及如何在不同计算单元之间流动，特别是海量模型参数。
“XPU做的事，相当于‘把高铁（885562）延伸到家门口’。”袁静丰说。
按照深存科技的技术路线，传统X86 CPU、GPU架构下，数据往往需要经过预处理、搬运后再进入计算单元。随着模型体量越来越大、参数越来越多，数据搬运和跨芯片和跨集群调度和传输等环节，正在成为影响系统整体效率的重要因素。
深存科技研发的XPU，则尝试将高性能AI计算内核、数据加速和高带宽光互联等能力进行融合，让数据从产生、预处理到进入AI计算的路径进一步缩短。
“过去可能是数据先从一个地方搬到另一个地方，处理完以后再送去计算。模型越来越大以后，数据在路上的时间越来越长。”袁静丰说，“所以我们希望解决的不仅仅是算力本身，而是围绕AI和大模型计算数据流的问题。”
此次发布的“钛湖LakeTi P220”，正是这一技术路线的最新产品。深存科技方面公布的测试数据显示，在AI大模型推理及海量数据（603138）密集型业务场景中，相较主流GPU方案，该产品可使端到端计算延时降低75%，综合算力效率提升4倍。
如果说“钛湖”主要解决的是“跑得快”的问题，那么“镭神XThor X400LPU”瞄准的则是大模型部署“成本高”的难题。
随着大模型开始切入企业级用户的核心场景，同时模型参数规模不断扩大，除了远程智算中心调度之外，企业私有化部署所需要的算力投入快速上升。对于金融、制造等拥有大量敏感数据和核心业务数据的行业而言，如何以更低成本部署大模型，更低延时地解决企业所需要的在海量数据（603138）下的AI实时决策问题，成为AI规模化落地面临的现实问题。
据深存科技介绍，“镭神XThor X400 LPU”支持多节点横向扩展，双卡即可承载万亿参数规模大模型推理，为降低超大模型部署门槛提供了新的硬件路径。
“大部分企业不是没有AI需求，而是用不起。”袁静丰说，“如果一套GPU算力平台的投入要几千万甚至几个亿，真正能够部署的企业就很有限。AI要成为生产力，就必须让更多企业能够用得起。”
从“钛湖”到“镭神”，两款产品分别指向效率和成本两道现实考题，也是深存科技过去几年技术路线的一次集中验证。
从产线和金融AI场景中跑出来的商业化路径
对于一家算力芯片公司而言，把芯片做出来只是第一步。
真正的考验，是客户是否愿意将它作为完整方案接入自己的生产系统。
“实验室里的数据再好，最终还是要到真实场景里去跑。”袁静丰说，“特别是进入很多企业级用户以后，客户不会因为你是国产替代就降低要求。设备一旦出问题，产线就可能停下来，系统需要经过最严苛的考验。”
这也是深存科技首先将商业化重点放在半导体（881121）及泛半导体（881121）、精密制造等场景的重要原因，因为他们是AI在B端业务落地的最直接，也是壁垒最高的场景。
在PCB制造、半导体（881121）封装、光模块生产以及消费电子（881124）等高精密制造场景中，一条产线往往同时部署大量工业相机、检测设备、工艺测试机台，在有限的生产节拍内，需要完成海量图像、测试数据、设备参数和工艺数据的处理，并迅速给出分析和决策结果。
深存科技将以XPU为基础的AI智算中心作为大脑，直接接管生产线核心的数据流，让数据采集、处理、AI推理和大模型决策输出在产线节拍内完成。
“客户其实不太关心你芯片内部到底有多少个模块。”袁静丰说，“他更关心的是，原来需要多少人、多少时间完成的工作，现在能不能更快、更准确地完成。”
在与浪潮集团等合作伙伴的实际应用中，双方针对制造业客户构建面向产线的智能计算系统。浪潮集团相关负责人介绍，在部分智能制造项目中，双方联合打造的AI系统已实现生产效率提升，并在降低人工成本、提升产品良率和产能等方面取得实际效果。
金融是深存科技商业化落地的另一方向。据介绍，深存科技参与建设的某头部国有银行大模型信贷尽调系统，将原本需要一个团队耗时约两周完成的复杂尽调工作压缩至数小时以内，并开始向更多业务机构推广。
与此同时，公司也开始进一步进入行业垂类模型领域。今年6月，面向PCB制造和质量检测场景打造的“深存·智板大模型”完成备案。与通用大模型相比，这类模型需要深入具体的工业数据、生产工艺和质量管理流程，其背后不仅考验模型在专业领域的能力，也对底层算力和数据处理能力提出更高要求。
截至目前，深存科技在导入和已交付的客户超过100家，业务覆盖智算中心、半导体（881121）、泛半导体（881121）、精密制造、金融等多个领域。
“我们的第一批行业客户不是为了做一个展示项目，而是真正把产品接入生产和业务系统，让我们的XPU能够在24*7不间断稳定运行的情况下，使我们的用户在部署后获得他们在AI领域的投资收益。”袁静丰说，“这些场景对稳定性要求非常高，但也正是在这样的压力下，产品才能不断验证和迭代。”
在袁静丰看来，首先进入复杂而苛刻的垂直场景，虽然商业化难度更大，却也是验证技术路线最直接的方式。只有真正经受住产线和业务系统的检验，产品未来才具备向更大范围复制的可能。
从一颗芯片到下一代算力架构
随着“钛湖”“镭神”以及行业解决方案陆续推出，深存科技正在尝试从提供单一硬件产品，向提供芯片、算力平台、智算集群和行业应用的完整计算能力延伸。
目前，公司已形成“芯片—平台—集群—算法”的技术布局，自研编译器、底层工具链和行业算法，并尝试将底层计算架构与具体产业场景进一步结合。
“企业真正需要的不是一张算力卡，更不仅仅是一颗芯片，而是一套能够把AI真正高效部署起来并用好的能力。”袁静丰说。
目前，深存科技正将业务延伸至智算中心和大模型部署、半导体（881121）及泛半导体（881121）智能制造、空间卫星算力以及具身智能和工业机器人等方向。
这些领域看似跨度较大，但在袁静丰看来，其背后存在一个共同问题：数据量和模型参数量不断增长、算力需求不断提升，AI应用的实时性要求越来越高，传统计算架构面临的数据搬运和计算效率问题也越来越突出。
制造业需要实时处理来自工业相机和传感器（885946）的大量数据；卫星在轨运行意味着大部分数据需要在空间完成处理；具身智能和机器人则需要在有限时间内完成感知、决策和执行。
“AI开始真正进入物理世界以后，算力不能永远停留在数据中心里。”袁静丰说，“计算围绕数据产生、流通、使用的地方，也越来越需要根据大模型场景重新设计的体系架构。”
如今，从“钛湖”到“镭神”，已经从一个产品名称，成为深存科技进入产业化新阶段的一个注脚。
在AI产业发展的前几年，市场竞争更多集中在大模型、GPU和数据中心建设。但随着AI逐步进入制造业、金融、机器人等实体经济领域，新的问题正在出现：如何降低大模型部署成本，如何提高数据处理效率，如何让AI真正进入一条生产线、一项业务流程，甚至一台机器。
这些问题，尚未有唯一答案。
虽然GPU依然是当前AI计算的主流架构，但随着模型规模持续扩大、推理需求快速增长以及AI不断走向产业端，传统计算架构之外，新的技术路线也在不断出现。
袁静丰正在押注的，正是这样一个窗口。
“做世界级产品，最终还是要靠产品和商业化落地说话。”他说。
对于深存科技而言，接下来的挑战，也不再只是把一颗芯片做出来，而是如何让新的算力架构进入更多真实场景，从一条条产线、一套套系统和一个个智算中心中证明自己的价值。
从太湖之畔出发，这家成立不到六年的算力公司，正在尝试回答一个更大的问题：当AI从模型竞赛走向产业竞赛，中国企业能否在不完全依赖于先进工艺的情况下，通过下一代计算架构创新，走出一条属于自己的路径。
