项目作为多类型人工智能计算芯片的通用化底层架构，由海外专家领衔，技术来源于国内外顶尖科研机构的核心研发成果、以及十余个国家重大专项和数十颗流片芯片的技术积累。支持多模态敏捷计算范式，支持敏捷计算稀疏剪枝机制，多维以搜代算方案，近似量化方法，实现能效突破；集成自主可控多核 RISC-V，开发自主可控多核 RISC-V 替代 ARM，实现芯片内部指令流级驱动计算；兼容异构融合共性架构，片内异构融合 ASIC+DSA+FPGA+ GPU+CPU 端口，支持智能计算演进及算力聚合；面向感存算通一体设计，支持多类型传感器分布式计算。项目特别适用于端侧训练推理一体化场景，致力于构建敏捷异构多模融合的智能计算时代。

在通用人工智能（AGI）领域的软硬件协同设计中，项目团队的硕博研究聚焦于算法轻量化和高能效硬件设计的探索。在算法方面，团队深入研究了AI模型的轻量化和稀疏化方法，以优化存储和计算效率。在硬件方面，团队专注于稀疏计算以及对CNN、RNN和GNN等模型的高能效加速，致力于设计低功耗、高性能且高度灵活的硬件架构，以满足AI应用对计算资源的高效需求。研究涉及跨层优化，结合软件算法和硬件架构的特点，进一步提升整体系统的协同性和响应速度。通过构建具备动态适应能力的计算架构，团队能够针对不同任务需求灵活调整资源分配，实现多场景下的能效最优。这些研究为实现更高效的AGI系统奠定了基础。

本项目旨在开发并验证针对自动驾驶和网联驾驶系统的综合虚拟测试方法，特别是环境感知传感器的建模与模拟，以满足日益增长的行业需求。自动驾驶系统（ADS）对于道路驾驶安全至关重要，但验证其安全性和可靠性是一大挑战。随着3级至4级ADS的复杂性增加，这一挑战愈发显著。根据兰德公司（RAND Corporation）的研究，要证明5级自动驾驶系统的故障率低于人类驾驶员，可能需要高达50亿公里的测试驾驶。仅通过实际道路测试来实现这一目标是不切实际的。因此，汽车行业正转向虚拟验证方法，以便在真实部署前进行全面测试和验证。虚拟测试驾驶提供了相较于实际道路测试的诸多优势，展现了真实场景的复杂性和行为。