证券代码：001339证券简称：智微智能

深圳市智微智能科技股份有限公司

投资者活动记录表

编号：2026-002

□特定对象调研□分析师会议

□媒体采访□业绩说明会投资者关系活动类别

□新闻发布会□路演活动

□现场参观

?其他（线上会议）

国信计算机艾宪、国信计算机熊莉、信达澳亚基金陈泽昆、

浦银安盛基金聂乔、工银瑞信基金胡志利、国信证券侯睿、

长城基金程书峰、中邮人寿保险张雪峰、诺安基金王浩然、

参与单位名称及华金证券王臣复、平安基金薛冀颖、国泰基金张阳、宝盈基

人员姓名金容志能、景顺长城基金刘煜、鹏华基金杨飞、东北证券吴

源恒、北京人寿祁朝瑞、中国人寿资产翟晓刚、招商基金宋

达、鹏扬基金程阳、永赢基金王嘉玮、华安基金宁柯瑜、华

宝基金易镜明、大成基金黄浩峻等191家机构参会人员。

时间2026/3/519:00地点线上会议杭州元川微科技有限公司创始人杨滨上市公司接待智微智能董事会秘书张新媛人员姓名

智微智能IRD 汪伟杰

一、关于参股公司杭州元川微科技有限公司的基本情况介绍

深圳市智微智能科技股份有限公司近年围绕 AI进行了

一系列布局，2024年公司布局智算业务，瞄准训练市场，订单快速增长；2025年在具身智能领域开发大小脑控制器，并围绕具身智能对触觉传感、电机、机器人大脑模型等标的投资者关系活动

进行投资；2026年，公司继续秉承全面拥抱 AI的战略，积主要内容介绍

极把握 AI从训练到推理范式转变的重大产业机遇，近日智微通过曜腾投资参股了杭州元川微科技有限公司，深度布局AI推理芯片领域。

元川微专注于 AI推理算力创新，通过回归 AI推理的第一性原理，聚焦边端智能场景，是国内领先的基于 LPU 架构的算力芯片科技公司；依托自研的硬数据流架构与全资源编译器等核心技术，推出了面向大模型、多模态和端侧应用场景的Mountain（算力）、River（Agent）两大系列 LPU+产品，大幅降低推理应用的部署复杂度和总拥有成本 TCO，精准满足推理应用对确定性、超低时延、高算力、高能效与低成本的核心需求。

通过对元川微进行投资，智微智能旨在通过与上游芯片原厂的深度绑定，强化自身从训练端到推理端的优势卡位，增强在 AI服务器、具身智能、边缘及端侧领域的产品能力，以期实现双方在技术、生态、资源、市场上的全面协同。

二、互动交流

1、Q：请介绍一下什么是 LPU？A：作为专为推理设计的芯片（为单一任务量身定做的芯片），LPU（Language Processing Unit，语言处理单元）与GPU存在根本性差异。GPU源于图形渲染需求，凭借强大的并行计算能力被拓展至AI领域，支撑模型训练与推理；而LPU则聚焦语言处理场景，针对文本数据的特性深度优化，在自然语言理解、文本生成等任务中实现更高效的处理——

如同为“文本引擎”量身定制的专用加速器，在语义解析、对话交互等垂直场景中，展现出比通用计算单元更精准的能效比与响应速度，重新定义了语言智能的硬件实现路径。

LPU采用大容量片上SRAM架构，数据直接集成于芯片，访问延迟远低于传统GPU的“仓库-生产线”分离模式，实现“生产线旁即仓库”的极速响应；其确定性执行架构通过

“静态时序”规划，将计算与通信步骤精确到时钟周期，保障稳定高吞吐量。

更关键的是，LPU抛弃了传统“存算分离”的冯诺依曼架构包袱，如同专为推理定制的“F1赛车”，在低时延、高吞吐、低成本、高能效四大维度形成综合优势，成为大模型推理的“性能引擎”。

2、Q：在2月份英伟达大会上，英伟达一直在强调，Token即收入，单位Token的成本，关注最佳每瓦性能，能否分享下LPU和GPU相比，我们的Token输出速度能快多少，以及成本能下降多少，能耗能下降多少？A：根据 Groq CEO 在 2024 年 ISSCC 国际固态电路大

会公布的实测数据：LPU 的 Token 生成速度达到英伟达

H100的 6倍，单 Token成本降至 H100的 1/4，推理能耗降至 H100 的 1/3。元川微自身架构验证数据与 Grok接近，且通过进一步架构优化，有望在能效和成本上表现更优。

3、Q：能否分享一下 LPU速度快的原因是什么？

A：LPU速度领先的核心原因，主要来自三大技术特性：

* 硬流水体系结构：LPU采用纯硬件流水线架构，天然规避冯·诺依曼体系中系统调度、仲裁、多级缓存等额外开销，时延极短。

* 片上大容量SRAM及高带宽：大容量片上SRAM使模

型处理长上下文时无需将数据卸载至片外存储，显著降低访存时延；高带宽提升单次Token并行处理能力，并增强算子融合效率——原需3个算子完成的计算可融合为2至2.5个算子执行。

*静态编译调度机制：所有调度工作在编译期静态完成，运行时无需动态仲裁。类比高铁运行图，调度预先确定，拥塞概率极低；传统GPU动态调度犹如高速公路自由行驶，个体随机性在数学上必然导致系统性拥塞。

4、Q：根据 Groq的设计，LPU 跨过了内存墙，使用

了大量 SRAM，一方面 SRAM的价格比较昂贵，成本问题如何解决？另一方面 SRAM的容量较低，能否承载超大模型推理？

A：关于 LPU 采用大容量 SRAM带来的成本与超大模

型承载问题，我们从架构本质和产品迭代两个层面给出清晰解答。成本方面，芯片制造成本的核心决定因素是芯片裸片面积与光罩层数，而非片上组件类型，以相同工艺、相同裸片面积、相同光罩层数的芯片为例，晶圆厂的制造成本并无差异，虽然 SRAM单比特面积大于 DRAM，但 LPU凭借专用架构优势，实现同等算力所需的芯片面积远小于传统GPU，节省出来的面积可直接用于部署大容量 SRAM，在总芯片面积不变的前提下，SRAM的扩容由计算单元的面积红利支撑，不会带来额外制造成本，而 GPU受限于通用架构，即便叠加片上 SRAM也无法复制 LPU的系统性优势，二者存在代际级的技术差异。容量方面，Groq第一代 LPU 所搭载的 SRAM容量，是适配当时主流 AI模型的产物，已无法满足当前大语言模型、具身智能与智能体场景的部署需求，这属于产品代际的定位差异，并非 LPU 架构的固有缺陷，针对超大模型推理，新一代 LPU 可实现单芯片加载超大规模模型，大幅减少部署所需芯片数量，后续还能通过按需叠加算力卡的方式灵活扩展，支撑按需付费的商业化模式，显著降低客户的前期投入与部署成本。

5、Q：展望 2027-2028年，LPU与 GPU的市场占比终

局关系如何？

A：未来推理算力占比将达 90%（训练占 10%），LPU在推理领域能效比、性价比、时延等方面具有显著竞争力，将主导推理市场，而 GPU可能主要聚焦训练及部分推理场景。

6、Q：若 GPU、NPU集成 3D SRAM吸收 LPU优点，

后续竞争格局如何？

A：GPU、NPU属于冯诺依曼结构，仅微架构优化，底层依赖多级存储和Memory机制，算力密度受限；LPU核心优势在于非冯诺依曼硬数据流架构及全资源编译器，SRAM仅是架构环节之一，GPU、NPU集成 SRAM无法复制其底层优势。

附件清单（如有）日期2026年3月5日