当前，AI模型的核心需求集中在两点：一是高效处理小型、多样化的数据类型（如从FP32到BF16的精度压缩），二是管理海量参数所需的内存带宽。这种需求组合要求处理器既能支持通用计算，又能灵活适配AI特有的矩阵运算。

SiFive联合创始人、首席架构师Krste Asanovic

“RISC-V的基因是通用性，它并非为AI专属设计，但正是这种开放性，使其成为AI与通用计算融合的最佳载体。”在2025年RISC-V中国峰会人工智能分论坛上，SiFive联合创始人、首席架构师Krste Asanovic深入剖析了RISC-V架构在AI领域的演进路径，揭示了从向量扩展（RVV）到矩阵扩展的技术选择与挑战，不仅展现了RISC-V的灵活性，更折射出异构计算时代架构设计的深层逻辑。

向量扩展是AI计算的“隐形基石”

作为RISC-V生态的关键组件，向量扩展（RVV 1.0）自批准以来，已经被视为支撑AI计算的底层支柱。

Krste解释，尽管矩阵计算（MatMul）近年备受瞩目，但AI算法中的许多关键步骤（如激活函数、归一化）仍依赖向量运算。例如，RVV通过LMUL机制支持多种数据类型（如INT8、FP16）的混合精度操作、可扩展的向量长度（最高达每寄存器16Kb）以及宽度扩展（widening）和压缩（narrowing）运算，显著提升了AI推理和训练的效率。 

目前，RVV已集成至主流编译器，并支持INT8/16/32/64及FP16/32/64等数据类型，未来还将通过Zvfbfa、Zvfofp8min等提案扩展对新兴格式的支持。

矩阵扩展：四条路径的博弈

面对AI对矩阵运算的爆发式需求，RISC-V社区提出了四种矩阵扩展方案，形成技术路线分野：

批次点积（Zvbdot）：作为快速通道方案，该扩展无需新增状态，利用现有向量寄存器完成8个点积运算，适合小规模向量长度场景，预计最快实现标准化。

向量中的矩阵（IME TG）：通过将向量寄存器视为矩阵分块，支持外积形式的矩阵乘法，适用于长向量长度场景，设计空间较大，需时间收敛。

向量-矩阵（VME TG）：新增矩阵累加器状态，结合RVV向量源操作数，提供高吞吐量矩阵运算，同时维护向量ISA的兼容性，被视为平衡性能与实现难度的中间方案。

独立矩阵引擎（AME TG）：完全解耦矩阵与向量设计，理论上可实现最高性能，但需重新定义指令集与软件栈，设计复杂度最高，标准化进程最慢。

Krste坦言：“分离矩阵方案虽具潜力，但需平衡设计自由度与生态碎片化风险。当前更务实的选择是优先完善‘向量矩阵’路径，逐步融合其他方案。” 例如，Zvbdot因简单高效，可能率先落地；而独立矩阵引擎虽潜力巨大，但需解决大规模软件移植难题。

标准化挑战与未来展望

RISC-V矩阵扩展的标准化进程仍处博弈阶段。尽管RVV已获编译器生态支持，但矩阵指令的多样性导致软件适配成本高企。

Krste呼吁：“我们需在性能与创新速度间找到平衡——既不能因过度标准化扼杀创新，也不能任由生态分裂。”他透露，RISC-V国际基金会正推动“快速通道”提案（如Zvbdot），以加速关键指令的落地。

在AI架构的军备竞赛中，RISC-V选择了一条“通用底座+灵活扩展”的中间路线。正如Krste所言：“真正的创新不在于创造专用硬件，而在于构建一个能容纳所有可能性的框架。”这一理念，或许正是RISC-V在AI时代破局的关键。