打破异构芯片“边境税”，Imagination E系列以GPU为核心重塑边缘计算
旭日财富者
负载已经融合，硅片却没有。这是Imagina tion Technologies（以下简称“Imagination”）对当下边缘计算产业核心矛盾的判断，也是其 GPU-Fi rst战略的出发点之一。为了更好地帮助产业克服这一挑战，日前Imagination公布了其E系列GPU IP的首批性能数据与演示结果，并推出全新的Neural Super Resolution（NSR，神经超分辨率）AI加速超分辨率解决方案。
Imagination CEO Markus Mosen表示：“计算的重心正在往GPU转移，通过将图形、计算和AI功能整合到一个可 编程架构中，我们为芯片设计厂商提供了一款适合长期构建和演进的平台型 处理器。归根到底就是两个字——效率，既是客户开发的效率，也是产品运行的效率。”
Imagination CEO Markus Mosen
产业矛盾：负载已经融合，但芯片硬件依然碎片化
如开篇所述，今天的边缘设备，无论是 手机、汽车还是机器人，其所处理的任务已形成一个统一闭环：感知、建模、推理、决策与渲染。这些步骤共享同一份内存预算、功耗预算和响应时间要求。然而，在硅芯片层面，硬件架构却呈现严重的碎片化特征。
如今的SoC里，图形交给GPU、 信号处理交给 DSP、 神经网络交给NPU、通用计算交给 CPU，每个加速器配套独立S RAM，形成四套互不相通的内存域。每一个中间结果都要离开本地算力孤岛，模块之间需要通过成本最高的外部 DRAM反复搬运中间数据。
Markus Mosen把这种现象称为“边境税”——每一个模块边界都是一道关卡，代价体现在三个维度：
· 能耗账：数据在加速器孤岛与外部内存之间往返，数据搬运本身就会产生功耗开销；
· 时延账：跨模块传输叠加排队延迟，即便最优调度器也无法完全掩盖；
· 工程账：每个加速器拥有独立工具链、驱动和安全模型，集成与维护需要投入巨大人力工程成本。
碎片化之外还有一层更深的时间错位：SoC芯片一旦完成流片，硬件配置便固定下来；但AI模型、底层算子与上层应用的迭代速度远快于硬件。因此，一次硬件选型，必须支撑还没有被定义的新需求。可编程性是一种有效的缓冲——让产品交付到客户手中之后，仍能尽可能延缓淘汰周期。
更深层的趋势是，处理器类别之间的边界正在模糊。CPU不断增加向量与矩阵扩展，NPU持续拓宽数字格式支持与可编程能力，GPU则在吸纳AI计算与神经渲染能力。当所有模块互相靠拢，行业面临一个关键设问：谁将成为异构计算的重心？一套共享、可编程的计算重心，意味着更少的数据搬运、更高的资源利用率、更强的灵活性——这份“重心”的归属，正是Imagination GPU-First战略的出发点。
为什么GPU可以成为融合加速的重心
在计算单元融合的进程中，GPU拥有四大先天优势：· 原生大规模并行与强可编程性：GPU本质是大规模并行处理器，天然适配复杂多变、持续涌现的AI算子和通用计算任务，提供充足灵活的编程空间。
· 规模化部署基础：GPU已广泛应用于几乎所有带可视化能力的边缘终端，是硬件标配模块，负责显示和图形处理。
· 成熟的生态体系：拥有成熟驱动程序、标准A PI（如DirectX, Vulkan, OpenCL）以及庞大 开发者生态，能够快速吸引并赋能开发者。
· 不可替代的图形渲染职能：任何带显示功能的设备都必须完成图形渲染，GPU是承担该职责的硬件基础，无法被其他处理器完全取代。
Imagination首席营收官Jake Kochnowicz对此补充道：“GPU是用户体验的核心。不管手机、平板、笔记本还是数字座舱，我们看到的每一个像素，背后都是GPU在渲染。如今在芯片和系统里，GPU往往已经是性能最高、面积最大的那块处理器。既然它已经是一块符合标准的高性能处理器，那当我们要用AI来提升体验时，GPU自然是最先落地、见效最快的地方。”
Imagination首席营收官Jake Kochnowicz
Markus Mosen也特别强调：“其他任何想成为重心的候选方案，都至少需要补齐这四项能力中的一项，而GPU四项兼备。”不过需要澄清：Imagination GPU-First战略不等于“GPU通吃、抛弃NPU”。Imagination反复强调，E系列支持与片上其他加速器异构共存；GPU-First主张的是，在融合加速的架构选型上，以可编程GPU作为核心重心，能够以最小的系统代价获得最大的灵活性。
谈及“谁是最好的GPU技术提供商”这个问题，Imagination的底气来自多年技术积累：超过30年自研GPU架构，4000余项有效全球专利，并且在图形渲染、计算、虚拟化与车载功能安全等方向具备领先优势。
E系列GPU架构深度解析：把矩阵AI单元深度嵌入GPU管线
为什么Imagination的E系列能够实现计算融合？一个关键原因是，E系列将矩阵乘法单元直接置入GPU着色单元（USC）内部，紧邻现有图形算术单元。这意味着AI可以复用GPU全部现有基础设施—— 寄存器、控制逻辑、缓存、内存、固件、驱动与工具链，最大化复用已有软硬件投入。
根据Jake Kochnowicz的介绍，E系列GPU的核心架构设计思想是“三统一”：统一内存层次、统一调度、一套软件栈。
在硬件规格与可扩展能力上，E系列展现出强大潜力：
· 单核基础规格（1GHz）：拥有2 TFLOPS FP32算力，矩阵运算性能达到32 TOPS（INT8/FP8），纹理吞吐高达6 4Gtexel/s。AI算力相比D系列提升4倍以上。
· 卓越的扩展性：支持1到4核灵活配置，并已为多芯粒（Chiplet）架构做好准备。在峰值配置下，支持最大1TB寻址空间和768GB/s峰值带宽，通过AXI互联兼容HBM、LP DDR、GDDR等各类内存类型。
· 完整的多精度支持：E系列首次将BF16、MXFP8、MXFP4等格式引入 嵌入式领域：图形着色与参考路径采用FP32/FP16；主流推理使用BF16、INT8、FP8；面向大模型的低精度推理则采用MXFP8、MXFP4等微缩放格式，适配带宽受限场景，提升计算密度。所有格式通过行业标准的Vulkan协作矩阵扩展提供，底层仍复用同一套软件栈。
· 智能调度：采用 RISC-V固件调度器，可并行调度图形与AI任务。支持多达16个虚拟机（VM），提供QoS优先级和内存隔离，完美适配车载云游戏、安全隔离等复杂场景。
Imagination很清楚，GPU IP无法独立运行，它处在IP厂商、SoC厂商与软件开发商共同构成的生态体系中，“不存在唯一正确的AI系统设计”。为此，E系列在架构层面原生支持四种异构组合模式：
1. GPU-only：纯GPU方案，适合车载、工业这类产品生命周期长、对可编程性要求极高的AI系统；
2. GPU为主+辅助NPU：可编程计算作为核心，搭配定向AI加速单元；
3. NPU为主+ GPU协处理器：主打峰值推理吞吐，GPU负责图形渲染与通用计算；
4. GPU/NPU均衡协同：性能、能效与可编程性按需求配比。
为了与片上其他IP顺畅协作，E系列内置硬件mailbox、低延迟任务交接与共享内存机制，配套一套可由客户集成进自有 SDK的开放软件栈，在合适的时间、选用合适的处理器，输出计算结果。
实测性能拆解：图形、神经渲染、AI算子、本地大模型四大维度
架构设计之外，最终仍要看实测数据。E系列首批性能数据覆盖四个维度。
图形仍是E系列的核心能力。在实际游戏负载下，E系列单位算力帧率（FPS/TFLOPS）较D系列最高提升54%，每瓦性能最高提升39%。后者来自一项全新底层创新：将指令打包并整体执行，最大化数据复用，减少不必要的数据搬运。
E系列支持DirectX 12 FL11_0与Vulkan，可运行数百款PC与移动游戏。在四核配置下，《博德之门3》等部分AAA级桌面游戏可实现60fps以上帧率；《古墓丽影：暗影》《毁灭战士：永恒》等作品也验证了其图形保真能力。这些能力直接面向PC、AI PC与车载座舱游戏场景。
如果说图形性能提升属于常规迭代，神经超分辨率（NSR，Neural Super Resolution）就是融合架构价值最直观的落地成果，也直接回答了“为什么要把AI集成进GPU”这个根本问题。
神经超分辨率本质属于神经渲染范畴：GPU先渲染较低分辨率画面，AI再利用矩阵加速器重构为全分辨率画面，全程单通道处理（single-pass），数据无需离开矩阵加速器就近处理，不用导出到外部DRAM。技术上有两个关键设计：一是矩阵单元与着色器深度 耦合，图形开发者仅需编写一套Vulkan/OpenCL shader，在同一编程范式下完成开发；二是Imagination自研网络自压缩技术，可移除神经网络中约65%的冗余权重，降低功耗与带宽占用。
实测数据颇具说服力：单核1GHz E系列，将540p提升至1080p仅需2.3毫秒；对比原生渲染，1080p升4K场景下内存带宽消耗最高降低54%，帧率最高提升2.5倍，现场对比画质无明显损失。交付形态上，NSR以库功能集成于PowerVR SDK，同时提供Unreal Engine与开源Godot引擎插件。
在AI、 计算机视觉、信号处理与通用计算基础算子层面，E系列同样大幅提速：Conv2D卷积内核最高提速4.4倍，GEMM矩阵乘法内核最高提速4.8倍；矩阵乘法负载下，GPU利用率可达89%。这一能力是构建语言模型、目标检测网络等基础计算任务的底层支撑。
最后是本地大模型能力，理解E系列的LLM性能，需要区分LLM的两个阶段：
Prefill（预填充）阶段，即“问”——处理输入提示词，为每个上下文token执行海量矩阵计算，决定首token生成时间（TTFT，Time to First Token）；
Decode（解码）阶段，即“答”——逐token生成回答，每个token都需要搬运数据、重载权重，吞吐量（tokens/s）高度依赖SoC的系统内存带宽。
E系列将Prefill性能相对上一代提升4.7倍——这个优化方向针对性极强。在Agent AI时代，模型输出第一个token前，需要调度器、收集数据、调用工具、完成推理，每一步都叠加Prefill计算；代码Agent需要逐文件读取完整代码库，多次调用工具才能给出回答，上下文规模呈指数增长，TTFT因此成为Agent AI最关键的用户体验指标。以Qwen 3.5 4B为例，在典型工作负载下，1. 5GHz四核E系列GPU可实现0.2秒的首次Token生成时间，以及每秒150个Token的解码吞吐量。
在Decode方面，Jake Kochnowicz表示，E系列的目标是为开发者提供充足算力支持，让系统集成商可以专注完成终端产品整套系统开发。
结语
把E系列放回产业坐标系中，可以得出几个判断。
其一，GPU-First是对边缘计算融合趋势的一次系统性回应。负载融合与硬件碎片化带来的“边境税”真实存在——能耗以纳焦计、时延以毫秒计、工程成本以工程师・年计；而GPU作为同时具备可编程性、规模化部署基础、成熟生态与图形刚需属性的计算单元，天然适合成为融合加速的重心。E系列通过“统一内存层次、统一调度、一套软件栈”的架构设计，把这一产业判断转化为可授权的工程方案，并以54%的单位算力帧率提升、4.7倍的Prefill加速、2.3毫秒的NSR超分等实测数据完成验证。
其二，E系列并非“万能芯片”。它的性能上限受SoC内存系统、带宽配置与客户系统设计约束——解码吞吐取决于系统带宽，内存容量与芯粒集成取决于SoC实现方案。Imagination对此并不避讳，甚至主动强调“AI性能不能只看TOPS”。对客户而言，E系列是一套高度灵活的IP方案：单核到四核可选，既可独立运行，也支持四种异构组合模式，系统架构的选择权掌握在芯片设计者手中。
在Imagination的技术路线图上，D系列打下通用图形处理器计算的基础，E系列完成GPU内AI融合，F系列将主攻扩展效率，后续迭代聚焦AI密度与能效提升；整条路线始终沿用同一套软件栈，客户针对每一代GPU完成的优化都可复用，不会失效。