高通收购Ventana，布局RISC-V指令集新战场

近期，高通悄然宣布了一项收购计划，目标直指芯片研发企业Ventana Micro Systems（简称Ventana）。尽管具体收购金额未公开，但业内推测可能在2亿至6亿美元之间。这一举动引起了广泛关注。

尽管此次交易金额相对较小（相对高通的整体规模），但考虑到Ventana在2025年的预估收入仅为3700万美元，这一价格并不低廉。有媒体猜测，高通此举意在“补齐IP库”，但作者认为，这更像是高通对RISC-V指令集的又一次重要布局。

高通加码RISC-V，剑指服务器市场？

在自研的Oryon架构取得佳绩后，高通对自研架构和芯片更加重视。然而，高通的主要芯片型号仍以Arm指令集为主。尽管高通与ARM的专利授权诉讼案在今年9月以高通“完全胜利”告终，但两家公司的关系依然微妙。

显然，高通不希望被束缚于ARM生态，而是希望掌握更多自主资源，寻求“第二条路”。因此，选择收购Ventana成为其战略之一。这家成立于2018年的企业专注于RISC-V芯片开发，提供高性能RISC-V计算chiplet方案及CPU IP/平台IP授权。

根据官网信息，Ventana的芯片性能卓越，其最新Veyron V2 chiplet单芯片最高可达32核，测试版主频高达3.85GHz，稳定版为3.6GHz。尽管与x86主流芯片存在差距，但Veyron V2主打服务器市场，声称能效较主流x86服务器平台可提升约30%—50%。对于数据中心而言，能效优化至关重要。

此外，Veyron V2配备了512-bit RVV 1.0向量计算单元和AI矩阵加速单元，在向量计算方面性能接近英特尔的AVX-512，每个核心提供约0.5 TOPS/GHz (INT8）算力。理论上，32核配置的理论峰值算力可达50—60 TOPS（INT8）。

尽管与英伟达显卡的数千TOPS算力相比仍有差距，但在CPU领域已属“遥遥领先”。主流x86芯片在AI推理上更多依赖独立加速器或专用单元，而Veyron V2则将AI算力下沉至每个核心，提升了CPU的推理吞吐能力。

高通收购Ventana，一定程度上是看重其芯片技术。Veyron V2有望扩展高通在数据中心市场的产品布局。高通官方公告中直接提及Veyron V2的RISC-V芯片与Oryon CPU架构相提并论，显示其重要性。

高通的执行副总裁Durga Malladi表示：RISC-V将推动高通在CPU领域的技术边界扩展，此次收购是交付“跨产品线RISC-V CPU技术”的关键一步。

高通计划重返数据中心CPU领域，可能采取Oryon+Veyron V2双步走战略。若RISC-V路线推进顺利，或成为数据中心产品线的主推方向。然而，这仅是推测，具体投入程度尚需观察。

RISC-V：中国半导体企业的机遇？

近年来，RISC-V指令集日益活跃，逐渐从幕后走向台前。包括高通在内，英特尔、阿里、英伟达、三星和联发科等半导体巨头均在RISC-V上有布局。

英伟达是RISC-V的重度用户，几乎所有GPU均配备RISC-V核心用于管理周边硬件。据报告，英伟达每年消耗的RISC-V核心数量以亿计，自研的RISC-V指令扩展也非常成熟。

根据The SHD Group的研究报告数据，RISC-V核心的芯片销售额约520亿美元、渗透率约10.4%，虽无法与ARM、x86等传统主流指令集相比，但发展速度惊人，已从小众变为主流之一。

更关键的是，RISC-V生态发展比预期顺利。在多家主流企业的推动下，“可部署的标准平台”雏形已形成。RVA23等强制性标准的推广解决了企业各自为战的问题，使生态进入正向循环。

中国企业是推动RISC-V生态发展的主力。RISC-V国际协会的23家高级会员企业中，一半来自中国。中国企业已能在一定程度上主导RISC-V生态的发展路径。

掌握话语权背后是中国企业在RISC-V芯片上的突破与布局。阿里发布的玄铁系列旗舰芯片C930主打数据中心及高性能计算领域。Canonical也宣布与阿里达摩院合作，让Ubuntu系统适配这颗芯片。

有消息指出，中国业内将RISC-V视为战略机遇之一，希望通过这一新生芯片生态提升全球半导体市场中的话语权。这不仅是代工与研发层面的机会，更关乎底层标准、工具链与软件生态的话语权。

“AI下沉”的新推手

RISC-V生态快速发展的一个重要原因是AI产业的爆发。路透社报道指出，RISC-V比其他主流指令集更容易添加自定义指令/扩展，在AI推理等高度可定制的负载中具有优势。

在AI层面，RISC-V的优势显著。一是“推理下沉”。当前云端计算和边缘计算对硬件、网络要求高。尽管现代社会基建能满足AI功能对算力的要求，但家庭等隐私区域的AI功能使用问题仍需考虑。

RISC-V的可定制与成本结构使厂商更容易将向量/矩阵等能力融入更小、更便宜的芯片中。这推动AI推理下沉至终端与边缘设备，使原本依赖固定逻辑的功能设计也能借助AI大模型升级体验。