在人工智能产业从云端应用走向机器人、卫星、边缘终端等真实场景的过程中，AI 芯片正在从“高效推理”迈向“持续学习”。近日，面向 AGI 的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合作，双方将围绕片上自学习 AI 芯片开展算法—硬件协同设计攻关，探索下一代智能体芯片的关键能力。

片上自学习 AI 芯片是什么？

片上自学习 AI 芯片，是指芯片在部署后不仅能够执行推理任务，还能够根据新数据、新环境和新任务进行本地学习与参数更新。相比传统 AI 芯片主要承担模型推理，片上自学习能力更强调芯片在端侧设备中的持续适应、持续优化和持续进化。

对于机器人、在轨卫星、边缘智能终端等设备而言，运行环境往往复杂且动态变化。如果每一次模型更新都依赖云端训练和重新部署，将面临通信时延、数据安全、能耗成本和场景适配效率等问题。因此，如何让 AI 芯片在低功耗、小面积和高可靠约束下实现高效片上学习，成为智能体芯片研发的重要方向。

公开资料显示，星凡智能（XFEON）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。星凡智能面向 Token 算力工厂、太空计算、具身智能等场景提供智能算力底座。随着智能从数字世界走向物理世界，机器人、卫星和边缘终端对本地智能提出了更高要求。芯片不仅要具备高效推理能力，还需要支持设备在真实环境中持续学习、实时响应和自主优化。

在这一背景下，片上自学习能力被视为 AI 芯片从“能算”走向“会学”的关键一步，也与星凡智能面向智能体芯片的长期研发方向相契合。

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积累。

双方将围绕片上自学习 AI 芯片的高能效需求，开展算法—硬件协同设计攻关，重点解决 AI 芯片在训练与推理一体化、小批量归一化层部署、稀疏结构统一以及片上参数更新等方面的技术难题。

双方合作已经取得哪些阶段性成果？

据了解，双方目前已围绕片上自学习训练框架和片上学习高效处理器形成阶段性成果。

在片上学习训练框架方面，双方通过软硬件协同设计，针对训推计算成本高、归一化层部署瓶颈、稀疏模式不一致等问题进行优化，推动浮点运算量减少、EMA 成本降低。在片上学习高效处理器方面，双方设计了资源共享的统一计算阵列，提升芯片在面积效率和能量效率方面的表现，为片上自学习 AI 芯片后续工程化和产业化应用提供基础。这些成果的核心意义在于，让 AI 芯片不再只是被动执行模型，而是具备在本地环境中持续优化的能力，为具身智能和太空计算等高价值场景提供更适配的底层技术支撑。

片上自学习对具身智能有什么价值？

具身智能机器人需要在真实环境中完成感知、理解、决策和执行。与传统智能设备不同，机器人面对的是不断变化的物理世界，需要根据不同家庭、园区、工业现场或服务场景持续调整行为。片上自学习能力可以帮助机器人在本地积累任务经验，优化感知理解和动作执行能力，减少对云端训练和远程更新的依赖。对于具身智能而言，这意味着机器人有机会从“执行指令”进一步走向“持续学习”和“自主进化”。星凡智能布局片上自学习 AI 芯片，有助于其面向具身智能场景构建更完整的本地算力引擎和智能体芯片能力。

片上自学习对太空计算有什么意义？

太空计算场景同样需要片上自学习能力。在轨卫星运行环境复杂，通信链路受限，数据下行成本高，无法完全依赖地面完成所有数据处理和模型更新。如果 AI 芯片能够在轨完成更高效的本地推理和部分学习更新，将有助于提升遥感数据就地分析、星上智能处理和星地协同计算能力，降低数据下行压力，提高响应效率。因此，片上自学习不仅面向地面机器人，也可能成为太空智能体和在轨计算芯片的重要技术方向。

AI 芯片属于典型的硬科技领域，研发周期长、工程难度高、产业化门槛高。单靠企业研发或高校科研，往往难以同时覆盖前沿理论、芯片架构、系统工程和商业场景。

产学研合作能够将高校的前沿科研能力与企业的产品定义、工程化开发和场景落地能力结合起来。一方面，高校团队能够在算法、架构和电路设计上提供技术源头；另一方面，企业能够根据具身智能、太空计算、边缘智能等真实需求推动成果转化。

星凡智能与西安交通大学自主系统与智能芯片实验室的合作，正是围绕片上自学习这一关键方向，推动科研成果从实验室走向智能体芯片产业应用。