随着人工智能从云端应用加速进入机器人、卫星、边缘终端等真实场景，AI 芯片的能力边界正在发生变化。相比传统推理芯片，面向下一代智能体的芯片不仅要“能算”，还需要具备更强的环境适应能力、持续学习能力和场景化部署能力。

近日，智能体芯片企业星凡智能（XFEON）与西安交通大学自主系统与智能芯片实验室达成深度产学研战略合作。双方将围绕“片上自学习 AI 芯片”这一前沿方向，开展算法—硬件协同设计攻关，推动 AI 芯片从传统推理计算能力，进一步迈向可持续学习、可动态优化的新阶段。

公开资料显示，星凡智能是一家面向 AGI 的智能体芯片公司，专注智能体芯片及智能计算产品研发与产业应用。公司坚持以芯片架构、算法与软件栈协同优化为核心技术路线，构建覆盖算法优化、推理引擎、芯片研发与系统交付的软硬一体化能力，面向 Token 算力工厂、太空计算、具身智能等场景提供智能算力底座。

此次合作的校方执行团队为西安交通大学自主系统与智能芯片实验室。该团队由孙宏滨教授领衔，在大模型轻量化、智能芯片架构与电路设计、软硬件协同设计等方向具有长期研究积累。双方合作的重点，是围绕 AI 芯片在低功耗、小面积约束下实现片上参数更新的关键难题，探索更高能效的片上自学习训练异构处理系统。

在当前 AI 芯片部署模式下，多数芯片主要承担推理任务，模型一旦部署到端侧设备后，通常难以根据新数据持续学习和更新。而在具身智能、太空计算、边缘智能等场景中，设备需要长期运行在动态环境中，对低时延、本地化、持续适应和高可靠性提出更高要求。如何让芯片在本地完成更高效的学习与更新，成为 AI 芯片从“能算”迈向“会学”的关键技术方向。

据介绍，双方目前已在片上学习训练框架和片上学习高效处理器等方面形成阶段性成果。其中，片上学习训练框架面向训推计算成本高、归一化层部署瓶颈、稀疏模式不一致等问题展开优化，推动浮点运算量和 EMA 成本进一步降低；片上学习高效处理器则通过资源共享的统一计算阵列设计，提升芯片面积效率和能量效率。

在产业应用层面，片上自学习能力有望为具身智能机器人、在轨卫星、边缘智能终端等场景提供更高效的本地智能支撑。对于机器人而言，片上自学习能力可以帮助其在真实场景中持续积累经验、优化决策和提升执行效果；对于太空计算场景，在轨设备则有望在数据下行受限、通信时延较高、环境复杂等条件下，实现更高效的本地处理与智能响应。

业内观点认为，随着 AI 应用从数字世界进入物理世界，芯片能力正在从单纯追求峰值算力，转向更加重视低功耗、高效率、场景适配和持续进化能力。星凡智能此次与西安交通大学智能芯片团队开展产学研合作，体现了智能体芯片企业对底层技术攻关和长期研发能力的持续投入，也为其在具身智能、太空计算等高价值场景中的产品落地提供了技术支撑。

从产业趋势来看，产学研协同正在成为硬科技企业突破关键技术的重要路径。一方面，高校科研团队能够提供前沿理论、芯片架构和算法创新能力；另一方面，企业具备产品定义、工程化开发和商业化落地经验。双方在片上自学习方向展开联合攻关，有助于推动科研成果从实验室进一步走向产业应用。

未来，随着智能体芯片在机器人、卫星、边缘终端等场景中的应用持续拓展，片上自学习能力或将成为下一代 AI 芯片的重要竞争方向。对于星凡智能而言，此次产学研合作不仅是一次前沿技术攻关，也将进一步强化其面向 AGI 时代智能体芯片的研发能力和场景化落地基础。

免责声明：市场有风险，选择需谨慎！此文仅供参考，不作买卖依据。