Euclyd 融资轮募得 2.31 亿美元，但真正的考验在于硅片
Euclyd 已获得 2.31 亿美元融资，旨在将其雄心勃勃的 AI 推理架构从设计阶段推进至商业部署。对于一家年轻的半导体公司而言，这轮 Euclyd 融资赋予这家荷兰初创企业不同寻常的资金实力。但这并不意味着 Euclyd 已拥有经过验证的硬件、量产规模或客户采用率。
Samsung、Somerset Capital Partners、EQT 管理的 Scaleup Europe Fund 以及 Innovation Industries 共同领投本轮 A 轮融资，多家欧洲投资机构也参与其中。前 ASML 首席执行官 Peter Wennink 已加入 Euclyd 担任董事长，为公司董事会增添了经验丰富的半导体领导力。
这笔融资之所以重要，在于 Euclyd 并非在提出又一种通用加速器方案。它正在为 AI 推理设计一个高度整合的计算、内存和数据中心平台。这一方法既挑战了 Nvidia 以 GPU 为中心的模式，也将与 Groq、Cerebras 及其他芯片开发商的专用系统展开竞争。
因此，眼前的故事不止是一项融资里程碑。投资者已提供足够的资本，使 Euclyd 得以尝试从技术规格迈向量产系统这一艰难转变。如今，它能否成功取决于这些系统是否能在真实模型、工作负载和数据中心环境中提供具有竞争力的经济效益。
Euclyd 融资轮推动公司迈向部署阶段
这笔融资使 Euclyd 从一个引人关注的架构项目，转变为一次资金雄厚、旨在商业化专用 AI 基础设施的尝试。
Euclyd 于 2026 年 9 月 15 日宣布这轮 A 轮融资。公司称融资额超过 2 亿欧元，而媒体报道按汇率折算后约为 2.31 亿美元。二者的差异反映的是汇率换算，而非两笔不同的融资总额。
除四家共同领投方外，参与投资者还包括 EIFO、imec.xpand、Brabant Development Agency 和 Quadri。该投资联合体汇集了一家大型半导体制造商、私募资本、欧洲科技投资者和公共发展机构。
这种组合为 Euclyd 带来的不只是资金。Samsung 拥有半导体制造经验，并直接洞察不断扩大的 AI 基础设施市场。Imec.xpand 则将公司与更广泛的欧洲半导体研究网络连接起来。区域投资者能够帮助 Euclyd 在 Eindhoven 周边招募人才并扩大业务。
根据融资公告，Euclyd 计划扩充工程团队，并加快其硅片和系统路线图的推进。公司还打算加强合作伙伴关系，并为企业、主权客户和超大规模部署做好准备。
这些计划涵盖半导体开发中多个成本高昂的阶段。Euclyd 必须完成设计、进行验证、制造可用的硅片、封装处理器，并将其整合为完整系统。它还必须开发软件，让客户能够运行当前模型，而无需付出过多迁移工作。
Euclyd 于 2024 年在 Eindhoven 的 High Tech Campus 创立。公司总部仍位于荷兰，同时在美国加利福尼亚州 San Jose 设有办公室。这一布局使其工程团队靠近荷兰半导体产业集群，而客户开发团队则靠近美国主要 AI 公司。
Wennink 的加入是另一个重要信号。他曾领导 ASML——这家荷兰公司的光刻设备对于先进芯片制造至关重要。他担任董事长并不能验证 Euclyd 的性能主张，但能增强公司的半导体治理能力和行业资源。
本轮融资的最终规模也超过了 Euclyd 早先的目标。2026 年 4 月，创始人兼首席执行官 Bernardo Kastrup 表示，公司寻求至少 1 亿欧元融资。最终融资额超过该数字两倍以上。
这一扩张表明，投资者资助的是比单次处理器流片更广泛的计划。Euclyd 将自己定位为一家半导体系统公司，而非仅仅是知识产权开发商。其路线图包括处理器、定制内存、封装、机架和配套软件。
这种区别同时带来机会与风险。完整系统可以消除客户组合无关组件时仍会存在的瓶颈。然而，每增加一层，就会增加一项工程任务、供应链依赖以及潜在的延期来源。
因此，这轮 Euclyd 融资改变的是这项尝试的规模，而非其技术成熟度。资本可以支付工程师、制造承诺和测试系统的费用，却无法保证最终平台能在受控演示之外可靠运行。
这一差距如今界定了公司的核心挑战。Euclyd 已获得足以构建实质性产品的支持。客户将评判它能否将这种支持转化为每生成一个 token 更低的成本。
为什么 AI 推理已成为主要目标
Euclyd 押注于：运行 AI 模型将成为比一次性训练模型更大的基础设施问题。
训练通过处理海量数据集并调整数十亿个内部参数来创建模型。推理则发生在训练之后，即训练完成的模型每次生成答案、图像、预测或软件操作时。每一项用户请求都会产生新的推理工作负载。
这种模式改变了基础设施成本的累积方式。对于大多数模型而言，训练虽密集但具有阶段性；而推理则在每位用户、每个应用和每项自动化任务中持续重复。因此，成功的产品可能带来持续的计算需求流。
推理模型进一步加剧了这种需求，因为它们在返回答案之前会生成并评估更多 token。AI 智能体也会增加额外负载：它们在规划任务、检查结果和决定下一步行动时，会反复调用模型。
关键指标不再只是峰值算力。数据中心运营商还会追踪吞吐量、响应延迟、能耗、内存容量以及每个 token 的总成本。一款芯片即使速度很快，如果需要昂贵的配套基础设施，仍可能产生缺乏吸引力的经济效益。
在大模型推理期间，内存数据移动尤为重要。处理器会反复读取模型权重和中间数据。如果内存无法足够快地提供这些信息，额外的算术单元就会把时间花在等待上，而非计算上。
Euclyd 希望借助与其处理器紧密耦合的定制内存架构来解决这一约束。公司将其内存设计称为 Ultra-Bandwidth Memory，即 UBM。它表示，该系统将使大模型更接近使用它们的计算资源。
公司更广泛的 CRAFTWERK 架构瞄准智能体工作负载，这类工作负载可能需要长序列的模型调用。例如，一个编程智能体可能读取文件、提出修改建议、运行工具、分析失败原因并修订工作成果。每一步都可能产生新的推理需求。
这使效率的重要性远不止于云服务提供商。企业买家必须考虑部署 AI 智能体是否会带来可预测的运营成本。开发者需要足够的速度来支持交互式产品。数据中心运营商则必须提供电力、散热、网络和物理空间。
市场压力已在 Nvidia 的业绩中显现。其 2026 财年文件称，受 Blackwell 需求推动，数据中心计算收入增长了 59%。该公司的年度文件还强调了覆盖训练和推理的广泛软件栈。
Nvidia 的地位为挑战者设立了很高的标杆。客户购买的并非孤立的处理器。他们依赖 CUDA 软件、优化库、网络、管理工具、可用的云容量以及成熟的开发者社区。
专用架构必须抵消离开这一环境的成本。纸面上的更高效率，未必足以证明引入新软件、运营流程和供应商风险是合理的。Euclyd 必须让采用变得切实可行，而不只是技术上可行。
这一要求解释了为何这家初创公司将自己描述为一个完整的基础设施平台。它希望围绕一种工作负载类别协调计算、内存、封装和系统。该战略与其他推理专用厂商相似，尽管 Euclyd 提出了自身的架构选择。
其融资到来之际，投资者正日益将推理视为一个独立市场。Groq 已围绕针对模型执行优化的处理器和云容量建立业务。Cerebras 则采用晶圆级处理器和大容量片上内存，以减少数据移动。
这些公司正从不同方向追逐相同的底层机会。客户希望获得更多生成 token、更快响应以及更低能耗。尚未解决的问题是：哪种架构能够提供这些结果，同时又不会带来不可接受的软件或部署成本。
Euclyd 的机会正来自这种不确定性。Nvidia 拥有最强的平台地位，但推理工作负载仍在演变。更长的上下文窗口、多模态模型和自主智能体，都可能改变哪些瓶颈最为重要。
公司必须证明，其设计比既有硬件更能预判这些变化。否则，其效率论点将面对不断改进的 GPU 和更好的软件优化。Euclyd 开发首批商用系统期间，目标不会停留在原地。
Euclyd 的 AI 芯片围绕内存重构计算
Euclyd 的方案是一个紧密封装的系统，将大规模并行计算置于异常庞大的定制内存池旁。
CRAFTWERK 始于系统级封装，即 SiP，它将多个半导体组件集成在一个封装内部。Euclyd 表示，这一手掌大小的单元将包含 16,384 个定制处理器和 1 TB UBM。
这些处理器采用 VLIW 和 SIMD 执行方式。VLIW 通过一条长指令调度多个操作，而 SIMD 则将单条指令应用于多个数据元素。对于适合的工作负载，这两种技术均可提供可预测的并行执行。
Euclyd 表示，一个封装最终将使用 FP16 计算提供 8 petaflops 算力，或使用 FP4 提供 32 petaflops 算力。较低的数值精度可减少每次操作所需的数据量，但模型精度和工作负载兼容性仍需谨慎评估。
公司还声称，其 UBM 可提供高达每秒 8,000 TB 的带宽。这些数字仍是厂商目标。独立评测机构尚未在具有代表性的生产模型上验证持续性能。
CRAFTWERK 不止于封装本身。Euclyd 计划中的 CWS 32 系统将 32 个封装组合成一款机架级产品。按其公布的配置，系统将包含 32 TB 的封装级内存，并使用 FP4 计算达到 1.024 exaflops。
这些规格有助于解释 Euclyd 融资轮的规模。构建一颗实验性处理器本就需要大量资本，而交付机架产品还增加了电路板、供电、散热、网络、软件和制造协调等要求。
该架构也揭示了 Euclyd 的核心押注。现代推理经常受限于将模型数据移入处理器的过程。Euclyd 旨在提升内存带宽和容量，同时使用更简单的并行处理单元来实现可预测的执行。
该策略不同于依赖通用 GPU 来应对多种工作负载。专用硬件可以移除其目标工作负载很少使用的功能，并将更多芯片面积和功耗投入到这些工作负载反复执行的操作中。
代价是灵活性。AI 模型和推理技术变化迅速。针对当前 transformer 工作负载优化的架构，如果未来系统采用不同的内存访问模式、稀疏计算或新型数值格式，可能会失去效率优势。
软件成为连接理论容量与实际性能的桥梁。Euclyd 需要提供编译器、运行时、模型支持、编排、监控和诊断工具。客户必须能够将工作负载迁移到 CRAFTWERK，而无需重建每一款应用。
该公司已披露一项重要的实施合作关系。根据其与 ADTechnology 的开发合作伙伴关系，ADTechnology 负责后端设计，并通过 Samsung Foundry 的 FinFET 工艺协调制造。
后端设计是将逻辑芯片规格转化为制造所需的物理版图。工程师必须在满足时序、功耗、散热和可制造性目标的同时，布置并连接数十亿个电路元件。
ADTechnology 表示，其已完成超过 800 个设计和流片项目。流片是完成的芯片设计进入制造环节的节点。这类经验可以降低实施风险，但无法消除缺陷或进度调整。
Samsung 的关联如今同时覆盖制造和融资。Samsung Foundry 位于 Euclyd 的生产链路中，而 Samsung 也是共同领投方。这种协同可能改善架构目标与制造现实之间的协调。
它还可能支持封装和内存方面的讨论。Samsung 在晶圆代工服务、内存和数据中心组件领域拥有广泛业务。不过，Euclyd 尚未公开详述 Samsung 参与所附带的每项商业或技术义务。
因此，这笔投资应被视为战略协同，而非采购承诺。Samsung 的参与表明其认为该项目值得支持，但并不代表外部客户需求已得到确认，也不保证实现量产。
如果各个组件能够如预期协同工作，Euclyd 对完整系统的强调可能成为优势。客户或许能获得可预测的容量，而不必自行整合加速器、内存和网络。
同样，这种集成也增加了执行压力。任何一个组件的延误都可能拖累整个产品。如果封装、软件或机架基础设施尚未完成，处理器就无法产生商业收入。
Euclyd 还必须展示应用层面的性能。峰值 FP4 输出几乎无法说明首 token 延迟、持续吞吐量、模型质量、利用率或多用户延迟。这些指标决定了数据中心能否以经济的方式服务真实客户。
该公司最有力的证据将是针对热门开源模型的可复现测试。结果应包括系统级功耗测量，而不仅是处理器功耗；还应披露批处理大小、上下文长度、精度和软件配置。
在这类证据出现之前，CRAFTWERK 仍是一项由可信合作伙伴支持的雄心勃勃设计。其规格说明了 Euclyd 打算如何降低推理成本，但尚未证明这一尝试已经成功。
最棘手的对手是 Nvidia 的完整平台
Euclyd 必须超越的是不断扩展的软硬件平台，而非某一代静态的 Nvidia 芯片。
Nvidia 的优势始于已部署的基础设施。云服务商、模型开发者、企业和研究实验室早已在运行其加速器。团队熟悉如何利用 CUDA 及相关库优化模型。
这一既有基础降低了采购风险。客户可以聘用经验丰富的工程师，获得成熟工具，并通过多家云服务商进行部署。他们还可以复用为早期 Nvidia 系统开发的软件。
Euclyd 必须提供足够显著的经济改善，才能证明采用新平台的合理性。计算中需纳入硬件、能源、冷却、软件迁移、培训、支持、可用性和运营可靠性。仅凭更低的处理器成本无法决定结果。
Nvidia 也在持续提升自身的推理性能。新架构、低精度格式、优化内核和机架级网络，可以在不要求客户放弃熟悉工具的情况下降低成本。
这让 Euclyd 的时机颇具挑战，但也合乎逻辑。继续等待会让主导平台进一步扩大优势。现在进入市场，则有机会服务那些规模已暴露传统内存和系统设计局限的工作负载。
竞争格局并不止于 Nvidia。Groq 专注于借助其 Language Processing Unit 架构实现确定性推理。其云战略让开发者无需购买和安装完整硬件系统即可测试模型。
Cerebras 采取了另一条路线。其晶圆级引擎在一颗异常巨大的处理器上集成了大量计算和内存资源。该公司表示，这种设计避免了通过传统外部内存路径反复传输模型权重。
2025 年 4 月，Cerebras 宣称 Meta 的 Llama 4 Scout 达到每秒超过 2,600 个 token。其 Llama 4 结果由公司自行报告，但展示了 Euclyd 最终将面对的公开基准测试水准。
这些竞争者已经超越架构描述阶段。它们提供服务、发布模型结果，并让开发者亲身体验其系统。Euclyd 必须达到这一阶段，买家才能将其主张与实际可用的替代方案进行比较。
这家初创公司还面临供应链风险。先进半导体项目依赖晶圆代工产能、封装、内存、基板、测试和专用设备。延误或良率问题可能改变交付日期和单位经济效益。
良率指制造出的芯片中能够正常工作的比例。大型或复杂封装可能带来棘手的良率和组装挑战。低良率会推高成本，因为每批生产中可销售的单位更少。
Euclyd 尚未在融资公告中发布明确的商业出货时间表。该公司表示，这笔融资将为商业部署做好准备。这种措辞在开发进展与客户可用性之间留下了空间。
客户集中度也是另一项担忧。早期芯片公司往往依赖少数设计合作伙伴或大型买家。一次被取消的部署就可能实质性改变预期销量和制造经济效益。
该公司也尚未披露具有约束力的客户订单、已确认收入或独立基准测试结果。对于一家早期半导体初创企业而言，这种缺失很常见，但它限制了对市场验证程度的判断。
Euclyd 的技术主张需要特别谨慎对待，因为其中多项规格描述的是最终产品家族层面的性能。目标架构可能会在物理实现过程中发生变化。时钟频率、散热限制和内存行为都可能影响最终交付结果。
功耗主张同样需要详细测试。数据中心衡量的是完整系统的能耗，包括内存、网络、冷却和电源转换。处理器层面的优势在将周边设备纳入计算后可能缩小。
当系统使用 FP4 精度时，模型质量也同样重要。更低精度可以提高吞吐量并减少内存需求，但客户必须确认量化不会将准确性降至其应用需求以下。
融资联盟无法仅凭声誉解决这些问题。Samsung、EQT、Innovation Industries 和 Wennink 均带来重要的可信度。他们的参与表明对团队和机会的信心，而非对每一项产品主张的独立确认。
这一区分将融资新闻与技术验证区隔开来。投资者以承担不确定性换取潜在回报；企业买家则期待明确的服务等级、受支持的软件、交付承诺和可量化的运营节省。
Euclyd 还需要为开发者提供清晰的路径。如果其软件支持熟悉的框架和常见模型，试用便可在较低摩擦下启动；如果工作负载需要大幅重写，只有预期节省极其可观时，迁移才有充分理由。
该公司的欧洲身份提供了一个潜在切入点。政府和企业日益关注供应多元化及区域性 AI 基础设施。Euclyd 表示计划面向主权市场，而在这些市场中，控制权和所在地会影响采购决策。
不过，区域偏好不能替代可靠的硬件。主权客户仍需要性能、安全性、全生命周期支持和可预测的替换零部件。公共支持或许能创造机会，但技术执行将决定部署能否扩大。
因此，核心竞争仍是 Euclyd 的专用基础设施与 Nvidia 已建立的平台之间的较量。Groq 和 Cerebras 证明替代性推理系统能够吸引资本和用户，也表明 Euclyd 必须提供多少证据。
这 2.31 亿美元仍无法证明什么
决定性证据将来自可运行的系统、透明的基准测试，以及愿意大规模运营这些系统的客户。
第一个值得关注的信号是芯片。Euclyd 需要披露成功流片、芯片回片和功能测试。可工作的样片将使 CRAFTWERK 从先进设计迈向可衡量的硬件。
流片将强化该架构能够被物理实现的判断，但无法确定制造良率、最终时钟频率或可靠性。这些答案将通过反复制造和测试逐步显现。
第二个信号是独立的工作负载性能。有效的基准测试应覆盖多种规模的当前开源模型，并在披露条件下报告延迟、吞吐量、功耗、内存使用和成本。
比较必须采用等效的模型质量和精度。FP4 结果不应随意与更高精度的竞争对手进行比较。批处理大小和上下文长度也必须匹配，因为它们会实质性改变吞吐量。
独立测试将比又一次峰值性能公告更有价值。评测者应能复现结果或审查方法论。数据中心运营商需要与完整系统挂钩的测量数据。
第三个信号是客户部署。与企业、云服务商、研究机构或主权运营商开展具名试点，将表明 Euclyd 的平台能够走出实验室。一份付费生产合同则会提供更强的验证。
部署细节至关重要。有限评估与持续处理流量的系统，其分量并不相同。买家应关注利用率、正常运行时间、支持的模型、软件兼容性和持续运营成本。
这些信号应按这一顺序出现。可工作的芯片使可信的基准测试成为可能；可信的基准测试支持客户试用；成功试用则为重复订单和制造规模化奠定基础。
任何一个阶段的失败都会削弱 Euclyd 的核心主张。芯片延迟将令人质疑开发进度；应用基准测试表现不佳将挑战其架构；无法进入生产阶段的试用则会暴露采用或可靠性问题。
Samsung未来的角色同样值得关注。该公司可能继续作为投资者和制造合作伙伴，也可能通过封装、存储、客户引荐或商业承诺进一步加深参与。但Euclyd尚未承诺会实现这些结果。
Wennink担任董事长的成效也应通过执行力来评判。他的人脉和制造经验能够帮助董事会评估各项里程碑。真正有意义的成果，将是公司在设计、生产和客户认证环节实现稳健、严格的推进。
Euclyd本轮融资为这家初创公司争取到了达成这些里程碑所需的时间和资源，同时也提高了市场预期。获得超过2亿欧元支持的公司，将面临比小型科研项目更严格的审视。
对开发者而言，这场竞争之所以重要，是因为推理硬件决定了哪些AI产品在经济上仍具可行性。更快、更低成本的生成能力，可支持响应更及时的智能体、更长的推理链，以及持续运行的工作负载。
企业买家则应基于另一原因关注此事。更多加速器领域的竞争可以改善供应选择，并增强采购议价能力。但如果多种不兼容的平台分割市场，也可能带来集成风险。
数据中心运营商将聚焦其物理层面的影响。若能可信地降低每个token的功耗，就可能在现有电力容量内提升有效输出。这一结果对于新电网连接依然难以获取或部署缓慢的地区尤为重要。
Euclyd如今已有一条合理路径来验证这一主张。它拥有充足融资、经验丰富的半导体合作伙伴，以及一项针对真实基础设施限制的设计。它仍缺乏足以宣告胜利的公开证据。
正确的问题不是2.31亿美元是否让Euclyd立即成为Nvidia的竞争对手。并不会。问题在于，这笔资本能否产出在系统级经济性上足以证明离开行业最成熟平台是合理选择的芯片。
值得关注的是回片芯片、可复现的基准测试结果，以及具名的量产客户。这些信号结合起来，将表明Euclyd已从获得资金支持的雄心，迈入可信的基础设施业务。在此之前，这笔融资只是测试的开始，而非结果。
