此前提到过，洛先知为骄阳系列，安排了“三步走”的技术迭代路径。
先通过开源RISC-V架构，快速落地初代产品，优化试验，积累经验。
而后自研“骄阳架构”与“骄阳指令集”，专用于大模型云计算，以提升计算效率与能效比。
骄阳指令集，便是洛川在过去的一年里，主要忙活的项目。
最后一步，则是将骄阳架构，拓展为“AI专用+通用计算”混合体，以便于跨界适配。
如AI+智驾。
而骄阳300，便是骄阳系列从RISC-V架构，向自研骄阳架构过渡的关键产品。
其所采用的混合架构中，40%的计算资源，是基于成熟的RISC-V架构，以确保兼容性和稳定性。
剩下的60%，则为骄阳架构的原型计算单元，以实现性能突破。
包含针对AI高频算子优化的硬件加速模块，如矩阵乘法引擎、Transformer注意力并行器、激活函数专用电路等，以及适配存算一体架构的本地化存储单元。
这种渐进式转型策略，既保证了产品可靠性，又为下一代纯自研架构，积累了关键经验。
其次，虽完整的“骄阳指令集”，目前尚未研发完成。
但已能实现，16条AI专用指令的硬件级支持，包括矩阵乘法、激活函数等高频操作。
这些指令，使AI算子执行效率，比纯RISC-V架构，提升230%！
效果还是相当显著的~
此外，还有很重要的一点。
在洛先知的指引下，骄阳200首次引入了“存算一体架构”。
简单来说，就是把计算单元和内存“粘在一起”。
这样一来，数据就不用来回搬运，可直接在内存里计算，有效解决了模型训练中的“内存墙”问题。
而骄阳300，也同样继承了前代的“存算一体”理念，并在此基础上加以改进。
通过三维堆叠技术，进一步缩短计算单元与存储单元的物理距离。
数据搬运能耗，较前代降低30%！
并特别优化了权重数据本地化存储策略，使得极光大模型在训练中，权重访问延迟减少40%！
大幅降低功耗之余，算力也呈倍数提升！
骄阳300单卡FP16算力，从前代的7.92TFLOPS，跃升至14.4TFLOPS！
单卡FP32算力，则从前代的2.3TFLOPS，涨至4.16TFLOPS！
对比同期国际头部产品，英伟达 Tesla K40，FP16算力仅2.1TFLOPS，FP32算力，也仅有4.29TFLOPS。
这两种算力的区别，可简单理解为，“记账精度”的差异。
FP32算力，类似于“精确到分”的严谨记账。
比如买一杯奶茶花了15.56元。
特点是计算精度高，但占用空间大，数据搬运和运算耗时久。
一般用于需要绝对精准的场景，比如航天轨道计算、药物分子模拟、3D建模等等。
而FP16算力，则类似于“精确到元”的高效记账。
比如，买一杯奶茶花了16元，忽略小数点后的零头。
特点是精度够用但不极致，数据占用空间小，数据搬运和运算速度是FP32的2~4倍。
刚好符合AI的核心需求——“快+省”。
适用于AI领域的图片识别、语音转文字、大模型训练等诸多场景。
而昆仑300和英伟达 Tesla K40的参数对比，也可清晰体现出，二者侧重点的不同。
极光押注AI的核心战场，深度学习训练与推理等垂直领域，同时兼顾3D建模、科学计算等专业场景。
而英伟达则将重心，放在游戏渲染与通用计算，同时兼顾高精度的科学计算，兼容性更强。
很显然，西方科技圈，仍尚未觉醒AI意识。
这也意味着，极光的先发优势，仍在持续扩大~
至于其他几项核心参数，骄阳300的表现也同样出色。