LPU 算法平台
自研高效能推理/训练算法架构，面向大模型端侧/边缘部署，显存占用降低 60%，吞吐提升 3×。Python/C++ 双 SDK。
★ 智说 · DBHOO 工作室正式成立 · 开源版同步发布
算法驱动智能边界 从芯片级到系统级 · 自研人工智能理论算法
智说人工智能理论算法软件开发工作室（DBHOO），提供开源版与商业版多种人工智能算法栈。覆盖 LPU 算法平台、PIM/CIM 存算一体算法、纳米级运动控制引擎，以及新一代脉冲神经网络 SNN 预研路线。
我们的产品算法适用于以下行业与科研场景
从 芯片级 到 行业落地 ，全栈算法方案
智说 DBHOO 工作室的算法栈已广泛服务于芯片设计、半导体设备、精密制造、科研院所、医疗仪器与高校实验室，提供从算子库到部署的完整工程化支持。
芯片设计
大模型推理芯片 LPU 算子库 / 低比特量化工具链，单卡 70B int4 部署
半导体设备
PIM / CIM 存算一体编译工具链：ReRAM / SRAM 算子映射与混合精度部署
精密制造
纳米级运动控制 SDK：压电 / 音圈 / 直线电机 0.1 nm 级闭环控制
科研院所
SNN 脉冲神经网络仿真 + LPU 混合架构，联合发表 NeurIPS / IEEE 论文
医疗仪器
显微影像 + 机器人：AFM 探针 / 光学对齐 / 病理图像缺陷检测算法
高校实验室
LPU 开源版教学授权 + SNN 联合研发，国自然 / 973 项目算法支撑
核心算法产品
为什么合作伙伴选择DBHOO · 智说
聚焦底层 AI 算法内核、存算一体芯片级算法栈与物理级高精度控制，提供从开源内核到商业授权的完整方案
PIM / CIM 存算一体算法栈
针对 ReRAM / SRAM / Flash 存算芯片的算子映射、混合精度量化、编译全链路，提供 IP 授权与联合开发。
纳米级运动控制引擎
压电 / 音圈 / 直线电机的高精度闭环控制算法，定位精度 0.1 nm、带宽 20 kHz，适用于晶圆检测、光学对齐、AFM 探针控制。
SNN 脉冲神经网络（研发中）
第三代 AI 算法架构，事件驱动 + 稀疏计算，能效比 DNN 高 10× 以上，面向边缘穿戴与脑机接口场景。
开源 + 商业双授权
开源版 MIT 协议免费商用；商业版提供 LTS 稳定分支、SLA、知识产权授权与法律免责。
垂直行业算法定制
为芯片设计、半导体设备、精密制造、医疗仪器、科研院所提供定制化算法栈、算子库与工程化落地。
核心产品
自研底层算法内核 · 四大产品矩阵 开箱即用
开源版 MIT 协议免费商用；商业版提供 LTS 稳定分支、SLA、国产硬件适配与知识产权法律免责
01
LPU 算法平台 · 大模型推理 / 训练
自研高效能推理/训练算法架构，面向大模型端侧/边缘部署，显存占用降低 60%，吞吐提升 3×。Python / C++ 双 SDK。
02
PIM / CIM 存算一体算法栈
针对 ReRAM / SRAM / Flash 存算芯片的算子映射、混合精度量化、编译全链路，提供 IP 授权与联合开发。
03
纳米级运动控制引擎
压电 / 音圈 / 直线电机高精度闭环控制算法，定位精度 0.1 nm、带宽 20 kHz，适用于晶圆检测、光学对齐、AFM 探针。
04
SNN 脉冲神经网络（研发中）
第三代 AI 算法架构，事件驱动 + 稀疏计算，能效比 DNN 高 10× 以上，面向边缘穿戴与脑机接口场景。
▶ lpu-infer / LPU 大模型推理 SDK 调用示例
"kw">class="cmt"># DBHOO LPU-GPT：70B 模型 → 单卡 RTX 4090 推理（int4 + KV-cache + MoE 路由）
"kw">from dbhoo.lpu "kw">import LPUModel, KVCache, Sampler, BatchProcessor
"kw">import time
"kw">class="cmt"># 加载经过 LPU-Kit 量化导出的 70B MoE（int4 权重量化 + expert 路由剪枝）
model = LPUModel.from_pretrained(
"dbhoo/LPU-GPT-70B-Instruct-v2",
device="cuda:0",
dtype="int4",
kv_dtype="fp8_e4m3",
spec={
"expert_keep_topk": 2, "kw">class="cmt"># MoE: 8 expert 选 2（吞吐×2.3）
"flash_sparse_attn": "kw">True, "kw">class="cmt"># 稀疏注意力（滑动窗 + 重算）
"paged_kv_block_size": 256, "kw">class="cmt"># Paged KV-Cache
"cuda_graph_capture": "kw">True, "kw">class="cmt"># CUDA Graph 消除 kernel launch 开销
}
)
cache = KVCache(model, max_seq_len=16384)
sampler = Sampler(temperature=0.7, top_p=0.9, repetition_penalty=1.1)
"kw">class="cmt"># 批量并发推理（128 并发对话，长上下文 8K）
prompts = [open(f"cases/case_{i:03d}.md").read()[:6000] "kw">for i "kw">in range(128)]
t0 = time.perf_counter()
out = BatchProcessor(model, cache, sampler, max_new_tokens=512).run(prompts, streaming="kw">False)
dt = time.perf_counter() - t0
total_tokens = sum(len(o.token_ids) "kw">for o "kw">in out)
print(f"Concurrency: {len(prompts)} | Tokens: {total_tokens}")
print(f"Wall: {dt:.2f} s | Throughput: {total_tokens/dt:.0f} tok/s | P95: {out.stats.p95_latency_ms:.0f} ms")
print(f"VRAM Peak: {model.profile.vram_peak_gb:.1f} GB | Save 62% vs llama.cpp")
✓ 推理成功 · 吞吐: 1,248 tok/s · 显存节省: 62% · P95: 11.8 ms
▶ pim-compiler / 存算一体编译工具链调用示例
"kw">class="cmt"># DBHOO PIM/CIM 编译器：LPU-GPT 模型 → 28nm CIM 宏网表
"kw">from dbhoo.pim "kw">import Compiler, CIMMacro, Benchmark
compiler = Compiler(
target="28nm-uhd-cim-1024x512",
precision_map={"W": 4, "A": 8, "C": 32},
sparsity_aware="kw">True,
reram_pulse_energy=0.08, "kw">class="cmt"># pJ/op
)
"kw">class="cmt"># 解析 HuggingFace LPU-GPT-2B 并映射到 4 个 CIM 宏
model = compiler.load_model("dbhoo/LPU-GPT-2B-Instruct")
graph = compiler.optimize(model, passes=[
"constant-folding",
"attention-fuse-to-cim",
"mlp-split-macro-balance",
"sparsity-mask-prune(0.92)",
])
hw = compiler.map_to_hardware(graph, [
CIMMacro(name="CIM_A", rows=1024, cols=512, cols_mux=8),
CIMMacro(name="CIM_B", rows=1024, cols=512, cols_mux=8),
CIMMacro(name="CIM_C", rows=1024, cols=512, cols_mux=8),
CIMMacro(name="CIM_D", rows=1024, cols=512, cols_mux=8),
])
bm = Benchmark(hw, batch=32, seq_len=4096)
print(bm.summary())
✓ 编译成功 · 能效: 312 TOPS/W · 吞吐: 4.8 k tok/s · 面积: 12.4 mm²
▶ nanoctl / 纳米级运动控制引擎调用示例
"kw">class="cmt"># DBHOO 纳米级运动控制引擎（nanoctl SDK）示例
"kw">class="cmt"># 晶圆检测台 · 压电陶瓷 + 激光干涉仪反馈
"kw">from dbhoo "kw">import nanoctl, vision
"kw">with nanoctl.Stage(axis="xyz", feedback="laser_if_10pm") "kw">as stg:
stg.configure({
"control_bandwidth": 20_000, "kw">class="cmt"># Hz
"settling_time_ms": 0.2, "kw">class="cmt"># ms
"precision_nm": 0.1, "kw">class="cmt"># 0.1 nm
"feedforward": "coulomb+friction+stiction",
})
"kw">class="cmt"># 晶圆网格化逐点扫描（与视觉联动）
"kw">for (x, y) "kw">in vision.wafer_grid(pitch="10 um"):
pos = stg.move_to(x=x, y=y, wait_settled="kw">True)
img = vision.capture_camera("wafer-optics")
defects = vision.DefectDetector(
model="PIM-CIM-DefectNet-v1",
threshold=0.87,
classes=["particle", "scratch", "micropipe"]
)(img)
stg.save_log({"pos": pos, "defects": defects})
"kw">class="cmt"># 打印性能指标
print(stg.performance_summary())
✓ 闭环运行 · 精度: 0.08 nm · 带宽: 19.8 kHz · 帧: 4,862
▶ snn-lab / SNN + LPU 混合架构仿真 SDK 示例
"kw">class="cmt"># DBHOO SNN-Lab：SNN + LPU 混合架构（NeurIPS 2026 投稿原型）
"kw">class="cmt"># 与中科院微系统所联合实验：CIFAR-10 无监督特征学习
"kw">import torch
"kw">from dbhoo.snn "kw">import LIFNeuron, STDPLearner, InputEncoder, SNNBenchmark
encoder = InputEncoder(encoding="poisson", rate_range=[0, 250], t_window=100)
snn_layer = LIFNeuron(n=4096, tau_m=20.0, tau_s=5.0, v_th=-50.0, v_reset=-65.0)
learner = STDPLearner(snn_layer, rule="nearest-spike", A_plus=0.01, A_minus=0.012)
bench = SNNBenchmark(dataset="CIFAR-10", subset=10_000)
"kw">for epoch "kw">in range(30):
"kw">for spikes, label "kw">in bench.train_loader(batch=128):
inp = encoder.encode(spikes) "kw">class="cmt"># (128, 3072, 100) Poisson 序列
out, mem, spk = snn_layer.forward(inp, record="kw">True)
learner.step(out, mem, inp, spk) "kw">class="cmt"># 无监督 STDP 在线学习
acc = bench.eval(snn_layer, encoder, k=5, protocol="STBP-SVM")
print(f"E{epoch:02d} Top-5 Acc: {acc*100:.2f}% FireRate: {snn_layer.avg_fr:.2f}")
✓ 研发预览 · 能效: 12.8 TOPS/W · 2026 Q3 开源 SDK · NeurIPS-2026 投稿中
硬核指标
用数据证明底层算法的力量
截至目前，智说 DBHOO 工作室已为多所科研院所、芯片公司、精密制造企业交付算法方案。
4
核心算法产品
100
自主知识产权 (%)
0.1
定位精度 (nm)
20
控制带宽 (kHz)
1000
开源 Star (目标)
10
行业合作伙伴
产品矩阵
联系工作室 · 获取白皮书
从算法内核到行业落地，四种合作模式
无论是自由开发者、科研团队，还是大型企业，你都能在智说找到合适的授权与服务模式。
🧠 LPU Open：MIT 开源，推理/训练内核，含完整 Benchmark 与示例
⚡ PIM/CIM IP：存算算子库 + 编译器工具链，可授权 / 联合开发
🔬 纳米控制引擎：压电/音圈/直线电机 SDK，0.1 nm 级闭环
🔌 SNN Simulation SDK：（2026 Q3 开源）脉冲神经网络仿真器
🛡️ LTS 稳定分支：商业版 3 年长期支持 + 7×24 SLA + 知识产权免责
🏢 行业定制：需求 → 算法建模 → 原型 → 现场部署 → 长期迭代
console.neuro.ai — production / inference
今日 QPS
12.4K
P95 延迟
11.8ms
GPU 使用率
96%
合作伙伴之声
来自科研院所与产业界的反馈
"DBHOO 纳米级运动控制引擎帮助我们 AFM 探针定位从 2 nm 提升到 0.3 nm，分辨率提升 6 倍以上，新器件表征效率翻倍。
"PIM/CIM 算子库 + 编译工具链，让我们从算法仿真到第一次 FPGA 验证只用了 3 个月，节省 60% 的研发投入。
"LPU 开源版 + SNN 联合研发路线，让我们成功拿下两项国自然面上项目，并合作发表了 NeurIPS 与 IEEE TNNLS 论文。
常见问题
你可能想了解的关于智说 DBHOO 的问题
我们聚焦**底层算法内核**与**芯片级 / 物理级控制算法**（LPU / 存算一体 PIM·CIM / 纳米控制 / SNN），而非上层应用层 SaaS。我们的客户是芯片公司、设备厂商、科研院所、医疗仪器厂商，而不是电商/营销类企业。
开源版：MIT 协议免费商用，GitHub Issues 社区支持。商业版：LTS 稳定分支、7×24 SLA 技术支持、国产硬件/芯片适配、知识产权授权与法律免责、定制化开发。具体报价请联系我们。
PIM (Processing-in-Memory) / CIM (Computing-in-Memory) 即 "存算一体"，在存储器内部直接完成乘累加运算，**消除冯·诺依曼瓶颈**，AI 能效比 GPU 高 10×~100×。适合边缘端、数据中心低功耗推理场景。
执行端：支持压电陶瓷 PZT / 音圈电机 VCM / 直线电机；反馈端：激光干涉仪 / 电容传感器（推荐分辨率 ≥ 10 pm 才能稳定到 0.1 nm）；通信：EtherCAT / PCIe / USB3 任选其一。
2026 Q3 发布开源 Simulation SDK；2026 Q4 发布 SNN-LPU 融合推理预览版；2027 Q1 发布正式版 v1.0。高校 / 科研院所欢迎提前联系联合研发，可享用更早的内部版本。
四种模式任你选择：① 开源版自行使用；② 商业版一次性 / 年度授权；③ 定制联合开发（需求 → 原型 → 交付 → 维护）；④ 科研联名合作（论文 / 专利 / 原型）。点击顶部"商业授权"或滚动到 CTA 区发邮件即可启动。
准备启动你的底层算法项目了吗？
无论你是芯片设计公司、半导体设备厂商、精密制造企业，还是科研院所高校，智说 DBHOO 工作室都能为你提供合适的算法方案。