Dataflow

Dataflow（数据流）是一种计算模型，指程序或硬件按数据的到达与流动来驱动执行，而非按指令顺序或控制流驱动；在大模型时代，它同时出现在两条线上——一是 AI 芯片的数据流架构（用空间计算替代传统取指-执行结构以提升能效），二是软件层面的数据流管道（把数据处理编排为可组合的图）。近期的报道显示，这个概念正从学术走向商用落地。近期进展 Radiant 的 D35 芯片与机器人公司 PrimeBot 达成合作，将 RISC-V 数据流架构用于具身智能的边缘计算场景，这是国产数据流芯片在机器人方向的一次典型落地（Radiant D35 RISC-V Dataflow Chip Partners With PrimeBot for Embodied Edge）。另一家国内公司中科通量推出基于 RISC-V 数据流架构的金刚 GC3 芯片，主打视频生成场景的降本，瞄准的是当前成本高企的 AIGC 推理市场（Zhongke Tongliang's RISC-V Dataflow Chip Wants to Cut Video-Generation Costs）。在学术侧，SafeDSE 被提交至 arXiv，针对数据流应用提出一种联合探索安全架构模式、映射与调度的方法，把安全论证纳入编译优化流程，反映出功能安全正在成为数据流系统设计的新维度（SafeDSE: Joint Exploration of Safety Architecture Patterns, Mapping, and Scheduling for Dataflow Applications With Safety Arguments）。性能优化方向也有新进展：GPU-CFR 通过把反事实遗憾最小化算法编译为静态数据流并结合 CUDA Graph 回放，相比基线实现了约 80 倍的加速，说明数据流思想在传统 GPU 上同样能榨出可观收益（GPU-CFR: 80x Faster Counterfactual Regret Minimization by Compiling the Game to Static Dataflow and CUDA Graph Replay）。此外，数据流也被借用到 LLM 数据工程领域，DataFlow-Harness 提出用代码智能体构建可编辑的 LLM 数据管道，把训练数据的采集、清洗、合成都编排成图结构（DataFlow-Harness：构建可编辑LLM数据管道的代码智能体平台）。当前焦点与观察点 目前 Dataflow 相关工作的核心争议在于：数据流架构芯片能否在通用性上追平 GPU，还是只能停留在视频处理、机器人等垂直场景。中科通量与 Radiant 的尝试都选择了具体应用切入，尚未看到大规模通用基准对比。另一个观察点是数据流思想向上层软件的渗透——从编译器优化（GPU-CFR）到数据管道编排（DataFlow-Harness），数据流正在从硬件描述语言层面的概念变成跨层的工程方法论。对关注者来说，值得跟踪的是这些 RISC-V 数据流芯片的实际量产与客户验证进展，以及安全关键系统（如车规、工业控制）中数据流调度工具链的成熟度。