智能机器人观察 — 工业机器人、人形机器人、具身智能与服务机器人产业资讯与深度分析

GPU之外，一场围绕推理、存储、互连和CPU的创业新战争正在全球爆发。为何这么说呢？最近，发生在AI芯片领域的融资金额显示，AI芯片创业正在进入一个近乎疯狂的阶段。 8月18日，美国AI芯片初创公司Etched宣布完成7亿美元新一轮融资，估值达到210亿美元。而就在不到一个月前的7月23日，Etched刚刚以103亿美元估值完成3亿美元C轮融资。短短不到一个月，公司估值直接翻了一倍。 几乎就在同一天，另一家名气远没有Etched大的AI芯片公司Velaura AI也宣布完成1.1亿美元A轮融资，估值一举突破10亿美元，直接跻身独角兽行列。 再把时间往前拉，这样的故事今年已经发生了一遍又一遍。 2月，Cerebras再次融资10亿美元，估值达到约230亿美元，比四个月前的81亿美元接近翻了两番；3月，韩国AI芯片公司Rebellions完成4亿美元融资，估值约23.4亿美元；5月，英国Fractile完成2.2亿美元B轮融资；加拿大Taalas今年2月融资1.69亿美元，累计融资约2.19亿美元，结果半年不到，8月便被AMD收入囊中；Tensordyne则在准备今年晚些时候启动D轮融资，其新推理系统已经获得超过2亿美元的预测需求。 这些并不是零散的融资事件。Semiconductor Engineering统计显示，仅仅2026年第一季度，就有80家半导体初创企业累计融资84亿美元，其中18家公司单轮融资超过1亿美元。更值得注意的是资金的去向：大量公司并没有选择再做一颗传统意义上的GPU，而是在押注AI推理，或者试图从芯片、内存、互连乃至整个数据中心层面解决带宽和数据移动问题，光子技术也因此持续成为热门投资方向。 在经历了十多年“大浪淘沙”之后，AI芯片创业似乎突然又回来了。但这一次，游戏已经完全不一样了。 <h2>为什么AI芯片创业潮又起来？</h2> 回看上一轮AI芯片创业热潮，故事其实没有今天这么复杂。 2016年前后，深度学习爆发，全球大量创业公司看到的是同一个机会：神经网络需要越来越多的矩阵计算，而GPU原本并不是专门为AI设计的，因此理论上存在一个巨大的架构优化空间。 于是大家开始造各种各样的AI Accelerator、NPU、ASIC。Groq、Cerebras、Graphcore、SambaNova、Habana、Tenstorrent……等一系列初创公司如雨后春笋般问世。 但随后发生的事情大家已经非常熟悉——英伟达不仅不断提高GPU性能，更重要的是围绕CUDA、通信、服务器、网络和软件建立起了一整套完整生态。想打败一颗GPU，最后发现真正需要打败的是整个英伟达计算平台。 芯片的峰值算力比英伟达高20%，甚至高一倍，并没有想象中那么重要。客户真正关心的是模型能不能跑、软件能不能迁移、集群能不能扩展、系统稳不稳定，以及下一代模型出来以后芯片还能不能用。 第一波AI芯片创业公司们已经发生明显分化。Cerebras最终走到IPO，并越来越多地把芯片变成Cloud Service出售；Groq的核心技术在2025年底被NVIDIA大额授权并吸收部分核心管理层；Tenstorrent今年被曝正在与Qualcomm讨论80亿—100亿美元的收购；很多早期公司则退出、转型或被并购。 所以如果只是重新造另一颗通用AI训练芯片，今天创业空间其实已经相当小。但今天，一个新的窗口重新打开了。 原因不是GPU突然不行了，而是AI的主要矛盾正在改变。 过去几年最稀缺的是训练算力。一个大模型需要先花几个月训练出来，因此大家最关心的是如何把成千上万颗GPU组织起来，把模型训练完成。 但随着ChatGPT、Reasoning Model、AI Agent真正开始走向大规模使用，AI产业的重心越来越多地向另一个方向转移——Inference，推理。 训练一次模型可能只发生一次，但模型一旦被几十亿用户、数百万个Agent反复调用，推理需要发生几十亿、几百亿乃至更多次。而Reasoning Model进一步改变了这个问题。传统模型收到一个问题，可能生成几百个Token；未来复杂的Coding Agent、科研Agent、自动驾驶或者机器人系统，可能要不断规划、调用工具、反思、重试，在真正给出结果之前内部生成数万、数百万甚至更多Token。 Fractile甚至将这一问题直接定义为AI产业下一阶段最大的瓶颈：当模型越来越依赖长时间、连续推理之后，制约AI能力的不再只是模型有多聪明，而是多长时间能够生成足够多的Token，以及生成这些Token到底需要多少钱。其判断是，当前架构越来越受到内存带宽限制，因此公司选择重新设计计算与存储之间的关系。 Etched的投资人Kleiner Perkins管理合伙人Mamoon Hamid把这套新游戏规则总结得更简单：未来推理芯片的赢家，越来越要看每美元能够产生多少Token，以及每瓦能够产生多少Token。 这句话其实解释了2026年的这一轮AI芯片创业潮。FLOPS没有失去意义，但FLOPS正在从终点重新变成一个中间指标。真正的焦点开始变成Token。 路透社在今年3月报道，NVIDIA自己预计其AI芯片到2027年的收入机会至少达到 1万亿美元，同时开始更激进地布局实时推理。 <h2>国外AI芯片创业，正在疯狂“绕开GPU”</h2> Etched为什么能在不到一个月内从103亿美元冲到210亿美元？仔细来看，他们所做的事情很关键：它并不打算简单复制NVIDIA。 Etched把自己的产品定义为一种新的“Frontier Inference Cluster”。公司从芯片、封装、PCB、液冷、互连、内存一直做到机柜和软件，希望针对大模型Prefill和Decode进行整体优化。 <img src="https://img.36krcdn.com/hsossms/20260828/v2_627390bdbe2b48bbb36ee887b7cfc75d@000000_oswg334660oswg1080oswg1273_img_000?x-oss-process=image/format,jpg/interlace,1" /> （图源：Etched） Etched最新公开的架构甚至已经不只是“一颗Transformer ASIC”。它提出Low Voltage Inference，通过降低计算单元工作电压提高持续计算密度；另一边则设计Cluster Scale Memory，以HBM与SRAM混合架构配合自研低延迟互连，在整个Scale-up域形成更大的共享内存池。其首颗A0芯片采用台积电N4P，目前已经进入整机客户验证阶段。 注意这里发生的变化，一家芯片初创公司，开始把芯片、内存、互连、散热和机柜一起设计。 Fractile走的是另一条路线。它认为AI推理真正的问题是存储带宽，因此直接尝试把计算和存储更紧密地交织在一起。公司希望同时解决传统AI硬件很难兼顾的两个指标：一边获得极低延迟，另一边还能保持大规模并发下的高吞吐量。5月完成的2.2亿美元融资，就是为了推动首批芯片和系统真正进入客户。 Cerebras则更极端。这家公司从创立之初就没有接受“芯片必须切成一颗颗Die”的传统思路，而是直接做Wafer Scale Engine，把整片晶圆变成一颗巨型处理器。今年2月，Cerebras再次获得10亿美元融资，估值达到230亿美元；更重要的是，包括OpenAI在内的大模型公司正在主动寻找NVIDIA之外的推理算力来源，这也是资本愿意继续给这些非传统架构下注的重要背景。 Taalas甚至走得更远。它提出的思路叫“The Model is The Computer”：不是造一颗芯片然后让不同模型跑在上面，而是直接把特定AI模型变成定制硅片。它展示的HC1把Llama 3.1 8B模型直接映射进硬件，目标就是最大限度消除通用计算带来的开销。这样的架构灵活性显然远低于GPU，但如果未来某些模型需要每天运行几万亿、几十万亿次，同一个模型长期不变，那么极端专用化带来的成本优势就可能非常巨大。 而Taalas的结局同样值得玩味。今年2月刚刚融资1.69亿美元，8月6日，AMD便宣布收购Taalas，并计划将其技术纳入AMD的AI Accelerator路线图。换句话说，AI芯片创业公司的价值，甚至已经不一定体现在最终成为一家新的NVIDIA。它也可以成为下一代AMD、NVIDIA或者云计算巨头架构创新的一部分。 <img src="https://img.36krcdn.com/hsossms/20260828/v2_0a3fca51b9ea4c25a723b5b4f6608abe@000000_oswg594857oswg1080oswg586_img_000?x-oss-process=image/format,jpg/interlace,1" /> （图源：Taalas） 韩国的Rebellions又代表另一种模式。今年3月，公司获得4亿美元融资，韩国国家成长基金直接投入约1.65亿美元，并将其纳入“K-Nvidia”战略，希望形成自己的AI推理芯片体系。Rebellions选择的核心竞争点同样不是最大峰值算力，而是用尽可能少的能源获得尽可能高的推理性能。 从美国到英国，再到韩国，资本正在同时做一件事：寻找GPU通用性之外的计算红利。 <h2>国内也诞生了一批新的AI芯片初创公司</h2> 有意思的是，如果把视线拉回国内，会发现几乎相同的一幕也正在发生。 只不过，相比海外创业公司更多押注专用推理ASIC、Dataflow架构以及极致能效，中国新一轮AI芯片创业选择的路线更加分散。3D DRAM、存算一体、光互连、光计算、RISC-V、智能体CPU……过去一度被GPU光芒掩盖的技术方向，正在重新成为资本下注的重点。 2026年国内AI芯片一级市场的钱已经明显不只流向GPU。仅公开金额来看，3D存算一体赛道就出现了20亿元、10亿元级融资，CPU赛道也连续出现近10亿元、超10亿元项目，而光互连、光计算则进入数亿元融资阶段。 这种变化和上一轮AI芯片创业潮已经明显不同。过去几年谈到国产AI芯片创业，市场第一反应往往还是GPU。寒武纪、壁仞、摩尔线程、天数智芯、沐曦等公司，在很大程度上代表了上一轮国产AI算力创业的主线——当NVIDIA GPU成为AI计算的事实标准之后，中国首先需要解决的是“有没有国产高端AI计算芯片”的问题。 而现在资本所押注的初创公司也更为实际。 <img src="https://img.36krcdn.com/hsossms/20260828/v2_a5b05d0f59074e3d962023ff167cac8d@000000_oswg899213oswg1080oswg2519_img_000?x-oss-process=image/format,jpg/interlace,1" /> 最明显的一条是3D DRAM和存算一体。8月，谦合益邦完成超过20亿元B轮融资，聚焦3D DRAM存算融合；6月，微纳核芯连续完成B3、B4轮融资，合计超过10亿元，押注3D-CIM、近存计算和存内计算；东方算芯则通过DRAM与Logic的3D垂直集成，在成熟制程下探索高带宽近存计算。九天睿芯、亿铸科技今年也持续获得资本加码。 这些公司的路线并不完全相同，但目标高度一致：尽可能减少数据在计算单元和内存之间的搬运。 另一条热门赛道是光。 6月，OIO光互连公司光联芯科完成近5亿元A轮融资，试图解决AI芯片之间越来越严重的带宽和功耗问题；另一边，曦智科技、奇算光启等则继续探索光计算，希望直接利用光完成矩阵运算。两类公司解决的其实是不同问题：光互连解决“数据怎么传”，光计算解决“数据怎么算”。 更反常识的是，CPU也重新成为资本关注的方向。 3月，此芯科技完成近10亿元B轮融资，用于下一代智能体CPU研发；蓝芯算力连续完成多轮融资，推进RISC-V+AI融合服务器CPU；7月，灵睿智芯完成数亿元融资，同样瞄准高性能RISC-V和智能体CPU。与此同时，博瑞晶芯、鸿钧微电子等服务器CPU创业公司也获得新一轮资本支持。 背后的逻辑并不复杂。随着AI从训练走向推理，再走向Agent，计算负载已经不只是矩阵乘法。任务调度、工具调用、数据处理、系统控制和异构协同的重要性不断上升，CPU的价值因此被重新看到。 总的来看，国内资本市场正在同时押注三件事：把计算和存储拉近、把电互连变成光互连，以及重新提高CPU在Agent时代的地位。 <h2>这轮AI创业公司的赛道已换</h2> NVIDIA已经这么强了，为什么AI芯片创业公司反而越来越多？ 把过内容这些AI芯片初创公司全部摆在一起，会发现一个很有意思的现象：Etched在做低电压计算和集群级内存，Fractile在重新设计计算和内存的关系，Taalas把模型直接变成芯片，Cerebras把整片晶圆变成处理器，Velaura追求极致低功耗，Tensordyne押注高能效推理系统。 而在中国，谦合益邦做3D DRAM存算一体，东方算芯做3D近存计算，光联芯科做OIO，曦智和奇算光启探索光计算，蓝芯算力、灵睿智芯和此芯科技则重新定义CPU。 看上去八竿子打不着。但实际上，它们全都在解同一道题：数据移动。 现代AI芯片真正昂贵的，并不只是完成一次乘法。模型参数要从内存里拿出来，KV Cache需要不断读取，数据要从一颗芯片搬到另一颗芯片，再从一块板卡经过交换机传到另一台服务器。AI集群规模越大，这些问题越严重。 过去几十年的摩尔定律，最擅长解决的是“晶体管怎么变得更多、更快”。但现在AI计算面临的问题已经变成：这么多晶体管，怎么才能一直吃到数据？ 因此你会发现，这一轮AI芯片创业越来越不像传统意义上的“芯片创业”。有人改内存，有人改封装，有人改互连，有人用光，有人把CPU和AI重新融合，有人甚至连“芯片应该有多大”都推倒重来。AI芯片竞争，正在从计算竞赛变成数据移动竞赛。 当然，中美乃至欧洲的创业环境并不完全相同。美国创业公司最大的优势仍然是能够比较容易地拿到先进制程、HBM、EDA、先进封装以及全球最成熟的数据中心客户。所以Etched可以大胆使用台积电N4P，可以把大量资金投入10MW级测试与验证设施，并从芯片一路做到机柜；公司甚至在真正形成大量历史收入之前，就因为10亿美元客户合同和稀缺的NVIDIA替代方案，被资本推到了210亿美元估值。 中国创业公司面对的现实则更加复杂。先进逻辑制程、高端HBM以及部分半导体供应链资源存在更多约束，反过来促使一些企业更加积极地探索成熟制程+3D堆叠、存算一体、RISC-V、光计算以及新型互连。这并不意味着这些路线天然更先进，也不意味着一定能够绕开先进制造。但客观上，它让中国的这一轮AI芯片创业呈现出非常鲜明的架构创新导向。 另一方面，两边的资本结构也不完全相同。Etched背后是Jane Street、Sequoia、a16z、Tiger Global；Fractile背后是Accel、Founders Fund；而谦合益邦背后出现了国调基金、中国移动，光计算和CPU公司中则大量出现地方国资、产业基金和科技企业。韩国Rebellions甚至直接得到了“K-Nvidia”国家战略资本支持。 AI芯片创业，已经越来越不像一个单纯由VC推动的行业。它正在变成资本、国家、云厂商、芯片巨头和科研体系共同参与的一场基础设施竞赛。 <h2>结论</h2> 20年前PC市场的爆发，计算世界并没有只剩下CPU，而是孕育了 GPU、NIC、DSP、存储控制器与安全 ASIC 构成的百花齐放；智能手机时代的崛起，同样带来了应用处理器（AP）、基带、射频（RF）、电源管理（PMIC）、ISP 和 NPU 的多核协同格局。 历史告诉我们，足够庞大的计算市场最终一定会分工。而AI现在可能正走到这个阶段。 于是，我们可以看到，一条新的产业链条正在形成：AI市场持续扩张 → GPU需求爆发 → 通用GPU的效率瓶颈逐渐显现 → AI工作负载不断细分 → 专用架构获得机会 → 创业公司获得资本支持 → 新架构在市场中得到验证 → NVIDIA、AMD、Qualcomm等巨头通过收购、授权或战略投资重新吸收这些创新。 从资本的角度看，资本为什么愿意继续赌。因为今天一家AI芯片初创公司的终局，早已不再只有IPO一条路。它可以被收购，可以出售或授权核心技术，可以通过Acqui-hire将团队和IP整体并入巨头，也可以获得产业资本战略投资，甚至由客户直接参与融资、共同孵化下一代产品。投资人并不一定需要一家创业公司最终击败NVIDIA。它只需要证明一种新的架构、一项新的互连技术，或者一种新的内存与计算方式足够有价值，甚至只需要做到让NVIDIA、AMD或Qualcomm愿意买下来，投资逻辑就已经成立。 而这些越来越密集的真金白银，也在透露一个更加重要的产业信号：GPU当然远没有走到尽头，但只有GPU的AI时代可能正在走向尽头。 本文来自微信公众号<a href="https://mp.weixin.qq.com/s?__biz=Mzg2NDgzNTQ4MA==&mid=2247830857&idx=2&sn=4ed28f1c3c9daeb7f85474681bdf2b05&chksm=cf7ae1ab516d71ed9beb54e3102c263221488bbf7ac26e1d96b991476a446104edab4a7c49e4&scene=0&xtrack=1#rd" rel="noopener noreferrer nofollow" target="_blank">“半导体行业观察”（ID：icbank）</a>，作者：杜芹DQ，36氪经授权发布。

AI芯片创业，又开始疯狂了

📌 概要