维度网讯，日本TokyoArtisan Intelligence(TAI)7月6日宣布，面向边缘物理AI系统的可重构AI半导体测试芯片“Sting Ray”已完成设计、制造、测试和评估，项目进入量产化推进阶段。该芯片采用联电40nm工艺，用于验证低功耗、低延迟、可灵活适配多种AI模型的边缘AI芯片架构。

“Sting Ray”并不是直接面向终端销售的量产芯片，而是日本TAI在量产芯片前进行技术验证的测试芯片。它的任务是证明公司自研架构能否在现场侧运行多种AI任务，同时控制功耗、延迟和硬件成本。物理AI与纯软件大模型不同，它需要在真实设备、机器人、传感器、摄像头、生产线和基础设施现场运行，处理的是来自现实世界的图像、声音、状态和控制信号。系统不仅要识别信息，还要在短时间内反馈到设备动作或现场判断中，因此芯片的实时性和稳定性比单纯峰值算力更关键。

日本TAI选择“可重构”路线，是这次芯片原型的核心看点。Sting Ray利用FPGA具备的电路可改写特性，探索一种可根据用途和AI模型调整处理电路的结构。传统固定型AI芯片通常针对某类模型或算子优化，一旦模型结构变化，硬件适配空间有限;通用GPU虽然灵活，但功耗和发热压力较大，不一定适合部署在小型设备、机器人、轨道交通、工厂产线或边缘终端中。Sting Ray的设计思路，是在低功耗和低延迟基础上，为不同模型留出调整空间，使同一硬件架构能够服务更多现场任务。

此次测试芯片的验证内容包括四个方向：一是验证可重构性，让处理电路可根据应用和模型进行探索与优化;二是优化配线通道，使芯片内部连接状态可被观察和控制;三是验证低功耗、低延迟运行能力，使其能在现场有限电力资源下执行实时处理;四是开发设计和验证软件，让用户电路能够映射到可重构半导体芯片上，并确认制造后的测试芯片能正确运行。对于一家芯片初创企业来说，这些验证比单纯展示样片更重要，因为量产芯片需要同时解决硬件架构、设计工具、验证流程和应用适配。

日本TAI把“Sting Ray”的主要应用指向基础设施、制造和机器人。基础设施和铁路场景需要同时接入大量摄像头与传感器，对轨道、设备、站点、桥梁或隧道进行异常检测;制造和工厂场景需要在多条生产线上执行外观检查、质量确认和异常识别;机器人场景则要求设备根据环境变化快速完成判断和控制。这些任务共同特点是数据来源分散、响应时间短、部署地点接近现场，而且很多场景不适合把全部数据上传到云端处理。边缘AI芯片如果能在现场完成推理，就能减少通信延迟，也能降低数据回传压力。

从制造路线看，日本TAI此次采用联电40nm工艺，而下一代量产芯片“Manta Ray”也将继续采用联电40nm制程。40nm并不是当前最先进制程，但对边缘AI和物理AI场景而言，先进制程并非唯一标准。现场设备更看重功耗、成本、可靠性、供货稳定和系统适配。对于初创企业来说，采用成熟制程也有利于降低开发和量产风险，便于在有限成本下推进芯片制造、测试和销售。Sting Ray完成验证后，TAI已获得从设计、制造、评估板确认到控制软件建立的一整套经验，这些结果将进入Manta Ray量产芯片开发。

Manta Ray项目已经给出明确时间表。日本TAI计划在2027年第一季度完成设计软件α版，2027年第二季度完成工程样品芯片制造，2027年第三季度推出工程样品评估板，2027年第四季度完成量产版芯片制造，并在2028年第一季度推出量产版评估板。这个节奏说明公司并不是只完成一次原型验证，而是准备把测试芯片积累的架构和工具链转化为可供客户评估的量产芯片平台。芯片、设计软件、评估板同步推进，也意味着其商业化路径会围绕“硬件芯片+开发环境+应用验证”展开。

日本TAI在公告中还提到，测试芯片开发获得马来西亚Oppstar日本法人Oppstar Japan协作，用于获取面向量产芯片的技术经验。边缘AI芯片从实验室走向客户现场，需要的不只是算法和芯片设计，还包括代工、封装、测试、板级设计、软件工具、生态合作和客户应用导入。TAI后续如果要服务基础设施、工业和机器人客户，就需要把芯片能力变成可被工程团队使用的开发环境，把AI模型部署流程、现场接口和评估板工具做成完整方案。

这次Sting Ray完成验证，标志着日本TAI的物理AI芯片路线从架构构想进入实物验证和量产准备。它没有把竞争点放在数据中心级大算力，而是针对现场侧AI推理的低功耗、低延迟、灵活适配和可量产成本做设计。随着Manta Ray进入2027年工程样品和评估板阶段，日本TAI需要证明这一路线能在真实基础设施、制造检测和机器人控制中稳定运行，并让客户能够把自己的模型和应用部署到这套芯片平台上。