大模型参数规模与复杂性的指数级增长，对底层AI芯片提出了前所未有的新要求，传统通用计算架构已无法满足其复杂的计算需求。新型AI芯片不仅需要提供极致的浮点算力，还要应对巨大的模型参数量与激活值所带来的内存带宽与容量挑战。因此，高带宽内存、更先进的片间互联技术以及支持稀疏计算、动态精度等大模型特性的专用计算单元，成为大模型时代AI芯片设计的核心焦点。

在此背景下，算法-硬件协同设计的重要性愈发凸显。它不再是软硬件的简单适配，而是从模型架构、计算特征、数据流模式出发，反向定义和优化硬件架构的深度闭环。例如，针对Transformer注意力机制的特性，设计高效的片上数据搬运路径与计算单元；通过模型压缩、量化与芯片支持的算子库紧密协同，在保证精度的同时最大化计算能效。这种算法硬件协同设计模式，有望突破“内存墙”与“功耗墙”瓶颈，实现计算资源的极致利用。

在此背景下，智猩猩公开课大模型AI芯片系列正式上线。