AI芯片创业再掀狂潮：推理时代的数据移动竞赛

2026年AI芯片领域正在迎来一轮近乎疯狂的融资潮。与上一轮围绕GPU的训练芯片创业不同，这一次资本押注的核心方向是推理、存储、互连与CPU，一批围绕数据移动瓶颈的新架构初创公司正在全球密集崛起。

一个月估值翻倍的融资节奏

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，估值跃升至 210 亿美元。而在不到一个月前的 7 月 23 日，Etched 才刚刚以 103 亿美元估值完成 3 亿美元 C 轮融资。短短不到一个月，公司估值直接翻倍。

几乎同一时间，另一家 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。

拉长时间线来看，这样的节奏在 2026 年并非孤例：

• 2 月，Cerebras 再次融资 10 亿美元，估值达到约 230 亿美元，四个月内翻了近两番；
• 3 月，韩国 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，8 月 6 日即被 AMD 收购；
• Tensordyne 则在准备 D 轮融资，其新推理系统已获得超过 2 亿美元的预测需求。

据 Semiconductor Engineering 统计，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。与上一轮不同的是，大量资金并没有流向传统 GPU，而是押注在 AI 推理、内存、互连乃至整个数据中心层面的数据移动问题上。

推理取代训练成为新主战场

上一轮 AI 芯片创业浪潮始于 2016 年前后深度学习爆发期。彼时，全球创业公司看到的是同一个机会——GPU 并非专为 AI 设计，存在巨大的架构优化空间。Groq、Cerebras、Graphcore、SambaNova、Habana、Tenstorrent 等初创公司随之涌现。

然而，英伟达不仅持续提升 GPU 性能，更围绕 CUDA、通信、服务器、网络和软件建立起完整生态，使得单纯在峰值算力上追赶 GPU 变得意义有限。第一批 AI 芯片公司已经明显分化：Cerebras 走向 IPO 并转向云服务；Groq 核心技术于 2025 年底被英伟达大额授权；Tenstorrent 正在与高通洽谈收购。

当下新窗口打开的根本原因在于 AI 的主要矛盾正在改变——从训练算力转向推理算力。训练一次模型可能只需几个月，但模型一旦被数十亿用户和数百万 Agent 反复调用，推理次数将呈数量级增长。Reasoning Model 与 AI Agent 进一步加剧了这一趋势：复杂的编程 Agent、科研 Agent 可能要不断规划、调用工具、反思、重试，在最终输出前内部生成数万乃至数百万 Token。

Fractile 将此定义为 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，制约 AI 能力的不再只是模型聪明程度，而是多快能生成足够多的 Token，以及生成这些 Token 的成本。Etched 的投资人 Kleiner Perkins 管理合伙人 Mamoon Hamid 将新游戏规则概括为一句话：未来推理芯片的赢家，越来越要看每美元能产生多少 Token，以及每瓦能产生多少 Token。

路透社今年 3 月报道，英伟达自身预计 AI 芯片到 2027 年的收入机会至少达到 1 万亿美元，同时更激进地布局实时推理。

海外：从专用推理到「模型即芯片」

Etched 并不打算复制英伟达，而是定义了一种新的「Frontier Inference Cluster」——从芯片、封装、PCB、液冷、互连、内存一直做到机柜和软件，针对大模型 Prefill 和 Decode 进行整体优化。其最新公开的架构包含两条主线：

• Low Voltage Inference：通过降低计算单元工作电压，提高持续计算密度；
• Cluster Scale Memory：采用 HBM 与 SRAM 混合架构配合自研低延迟互连，在 Scale-up 域形成更大共享内存池。

首颗 A0 芯片采用台积电 N4P 制程，目前已进入整机客户验证阶段。

Fractile 走的则是另一条路线，认为 AI 推理的核心问题是存储带宽，因此直接尝试把计算与存储更紧密交织在一起，同时兼顾极低延迟和大规模并发高吞吐量。

Cerebras 则更为激进，从创立之初就拒绝将芯片切成单颗 Die，而是直接做 Wafer Scale Engine，把整片晶圆变成一颗巨型处理器。包括 OpenAI 在内的大模型公司正在主动寻找英伟达之外的推理算力来源，这也是资本持续给非传统架构下注的重要背景。

Taalas 走得更远，提出「The Model is The Computer」——不造一颗通用芯片让不同模型运行，而是直接把特定 AI 模型变成定制硅片。其展示的 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开销。该公司今年 8 月 6 日被 AMD 收购并纳入其 AI Accelerator 路线图。

韩国的 Rebellions 则代表另一种模式：韩国国家成长基金直接投入约 1.65 亿美元，将其纳入「K-Nvidia」战略，核心竞争点同样不是峰值算力，而是用尽可能少的能源获得尽可能高的推理性能。

国内：3D DRAM、光计算与智能体 CPU 同时升温

视线回到国内，几乎相同的一幕也在上演，但路线更为分散。2026 年国内 AI 芯片一级市场的钱已明显不只流向 GPU：

• 3D 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。
• 光互连与光计算：6 月光联芯科完成近 5 亿元 A 轮融资，解决 AI 芯片之间带宽与功耗问题；曦智科技、奇算光启等继续探索光计算。
• 智能体 CPU：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；蓝芯算力推进 RISC-V+AI 融合服务器 CPU；7 月灵睿智芯完成数亿元融资，瞄准高性能 RISC-V 和智能体 CPU；博瑞晶芯、鸿钧微电子等也获得新一轮支持。

背后的逻辑是，随着 AI 从训练走向推理、再走向 Agent，计算负载已不只限于矩阵乘法，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 的价值被重新看到。

AI 芯片竞争已变成数据移动竞赛

把全球 AI 芯片初创公司摆在一起会发现一个共同点：它们全都在解同一道题——数据移动。

现代 AI 芯片真正的成本并不只是完成一次乘法，而是模型参数要从内存取出、KV Cache 需要不断读取、数据要跨芯片搬运并经交换机传输。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变多、变快；但现在 AI 计算面临的问题已变成：这么多晶体管，怎么才能持续吃到数据？

因此这一轮 AI 芯片创业越来越不像传统芯片创业——有人改内存，有人改封装，有人改互连，有人用光，有人把 CPU 与 AI 重新融合，有人甚至推翻了「芯片应该有多大」的假设。

中美创业环境存在客观差异：美国初创公司更容易拿到先进制程、HBM、EDA 和先进封装，所以 Etched 可以使用台积电 N4P、做 10MW 级测试验证，并在形成大量收入前被资本推到 210 亿美元估值。中国创业公司面对更多先进制造约束，反而促使企业更积极地探索成熟制程加 3D 堆叠、存算一体、RISC-V、光计算与新型互连。资本结构同样不同：美国背后是 Jane Street、Sequoia、a16z、Tiger Global 等顶级 VC；中国背后则出现国调基金、中国移动、地方国资与产业基金的身影。

AI 芯片创业已不再单纯由 VC 推动，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。