Euclyd A轮融资突破2亿欧元，但真正的考验来自Nvidia

Euclyd已筹集逾2亿欧元，并任命前ASML CEO Peter Wennink担任董事长，为这家年轻芯片公司带来了资金和产业信誉。

对于一家仍在推动首个AI计算架构商业化的公司而言，Euclyd的A轮融资规模颇为罕见。Samsung、多家欧洲投资者以及地区发展基金，正支持其降低AI推理成本和耗电量的大胆尝试。

但这一尝试面对的是不断变化的竞争目标。Nvidia正从芯片、网络、软件到完整数据中心系统等多个层面提升推理性能。Cerebras和Groq等专业竞争者，也已多年致力于将颇具潜力的架构转化为已部署的服务。

因此，Euclyd进入的是一场无法仅靠融资决出胜负的竞争。其核心主张是，同时重构计算、内存和系统，能够显著改善推理的经济性。接下来的考验在于，量产芯片和独立基准测试能否支持这一主张。

Euclyd A轮融资改变了这场押注的规模

这笔融资让Euclyd从一个有趣的芯片设计项目，转变为一家资金充裕、试图构建完整AI推理平台的企业。

这家总部位于埃因霍温的公司于2026年9月15日宣布融资。其融资公告称，已签署的A轮融资超过2亿欧元。

Samsung、Somerset Capital Partners、Scaleup Europe Fund和Innovation Industries共同领投。EQT负责管理Scaleup Europe Fund。

其他参与方包括丹麦出口与投资基金、imec.xpand、Brabant Development Agency和Quadri。这一阵容汇集了企业、机构和地区资本。

Euclyd未披露估值，也没有说明每位投资者的具体出资额。该公司同样没有给出将融资与制造里程碑相衔接的详细时间表。

这些缺失的信息很重要，因为在客户收到量产系统之前，半导体研发就会消耗大量资金。设计验证、物理实现、封装、软件开发和制造准备，均需要专业团队。

即使只开发一款处理器的公司，也已面临这些开支。Euclyd提出的是更广泛的技术栈，涵盖定制处理器、内存架构、封装和数据中心系统。

该公司表示，将利用新资金扩大工程团队、加快芯片路线图、深化合作关系，并为多类客户做好准备。这些客户包括企业、政府和超大规模AI运营商。

这不仅是一笔更大的研发预算，而是在为从架构主张走向实体产品的转变提供资金支持。

本轮融资也发生在此前融资目标公开之后。今年6月，Bloomberg报道称，该公司正寻求约2亿欧元融资。根据原始报道，如今完成的融资已超过这一门槛。

Peter Wennink的任命也传递出另一项信号。他在2024年前领导ASML，并长期管理这家半导体行业最重要的供应商之一。

ASML生产用于先进芯片图案化的光刻系统。这一背景并不能保证Euclyd会造出具竞争力的硬件，但能为董事会带来制造依赖关系和全球客户管理方面的经验。

Wennink此前已以Euclyd投资者和顾问的身份亮相。出任董事长后，他将更深入参与公司的治理和战略决策。

他的加入还可能加强Euclyd与欧洲半导体网络的联系。该网络拥有重要的设备、研究、汽车和设计能力，尽管领先的AI处理器仍集中在其他地区。

Euclyd的A轮融资结合了这两类支持。该公司如今既拥有可观的资金，也有一位熟悉半导体行业运营现实的董事长。

两者都无法消除产品风险，但能让Euclyd拥有更充足的空间去面对这一挑战。

为何AI推理效率吸引如此大量的资本

Euclyd瞄准的是运行AI模型的持续成本。在这一环节，内存数据移动、利用率和功耗的重要性可能不亚于标称算力。

AI训练通过处理大型数据集并调整内部参数来创建模型。推理则发生在训练完成的模型接收输入，并生成答案、预测、图像或动作时。

这种区别决定了Euclyd的机会所在。训练通常是集中的计算项目，而成功的AI服务会持续为用户和软件代理运行推理。

智能体系统可能进一步提高这种需求。一个智能体在规划、调用工具、核查结果和纠正自身工作时，可能会反复调用模型。

每增加一步，都会生成更多token，并推动数据在处理器和内存之间流动。当这种差异被放大到大量用户和请求时，微小的效率差距也可能变得显著。

Euclyd认为，传统架构正遭遇一堵“效率墙”。该公司将功耗需求、内存带宽、资本支出和系统复杂性视为相互关联的约束。

内存带宽描述数据在内存和处理器之间移动的速度。大语言模型推理通常需要快速访问模型权重和临时上下文数据。

学术研究支持这一瓶颈的重要性。一篇2026年的加速器综述将自回归解码描述为受带宽限制，并指出数据移动是一项主要的能源成本。

这并不能验证Euclyd的设计，但确认了该公司所针对的是一个真实的工程问题。

关键指标并不只是每秒运算次数。买家还必须考量每瓦产生的token数、负载下的可用吞吐量、延迟、模型支持能力和总体运营成本。

利用率同样会改变结果。一款加速器在满负载时可能看起来很高效，但在流量不均或产能闲置时，其表现可能不那么理想。

另一项2026年的加速器研究发现，部分替代平台的空载功耗高于Nvidia和AMD GPU。该研究的结论强调，受控比较需要采用真实工作负载，而不是孤立的峰值规格。

Euclyd的主张是，协同设计能够减少这些低效之处。它计划将计算、内存、封装及周边系统作为一个平台统筹规划，而非将其视作相互独立的产品。

这种方法与更广泛的领域专用加速器趋势相呼应。与通用处理器相比，这类芯片会将更多硅资源投入特定工作负载。

专用化能够提升效率，但也会带来权衡。针对一种执行模式优化的硬件，在模型、数值格式或软件技术变化时可能失去优势。

因此，该公司必须在效率和可编程性之间取得平衡。客户会希望看到证据，证明Euclyd AI芯片能够支持不断演进的模型，而无需频繁重新设计。

他们还会期待成熟的软件。如果开发者难以编译模型、诊断故障，或将系统与现有编排工具集成，那么再快的处理器也价值有限。

这正是本轮融资规模在战略上合理的原因。Euclyd融资的并不只是一次芯片流片，即完成设计进入制造的阶段。

它所融资支持的是构建足够完善的周边平台，使客户能够使用该芯片。软件和系统工作最终可能与处理器本身同样关键。

Euclyd AI芯片围绕内存重构计算

Euclyd提出的优势，来自于将大量可编程处理器、新型内存设计和高度集成的封装结合起来。

该公司将其处理器架构命名为craftwerk。它将该产品描述为面向智能体AI推理设计的芯片，而不是通用GPU。

Euclyd公布的Craftwerk规格列出16,384个处理器，采用128路单指令、多数据执行。SIMD允许一条指令同时处理多个数据元素。

该公司宣称，其FP16算力为8 petaflops，使用FP4时则达到32 petaflops。FP16和FP4是分别以16位或4位表示数值的格式。

低精度格式可以提高吞吐量并降低内存使用量，但也可能影响模型质量，因此实际结果取决于软件如何应用这些格式。

Euclyd将这些处理器与其所谓的Ultra Bandwidth Memory配合使用。其公开设计列出1 TB容量和每秒8,000 TB的内存带宽。

该公司尚未提供这些数字的独立验证，也未公开足够的架构细节，让外部人士复现其性能预测。

其拟议的芯片封装采用先进的2.5D和3D集成技术。这些封装方法让组件彼此靠得更近，从而提高通信带宽，并减少部分数据移动。

Euclyd列出的craftwerk热设计功耗约为3千瓦。热设计功耗是热管理和冷却规划指标，并不一定代表每种工作负载下的实测功耗。

该公司的系统级方案名为Craftwerk Station CWS 32。它将32个craftwerk设备、16个CPU和液冷系统结合在一起。

Euclyd宣称，该系统使用FP4时可达到1.024 exaflops，并配备32 TB的拟议内存。其列出的热设计功耗约为125千瓦。

这些数字为该公司的效率论点提供了清晰的机制。更多本地内存和更高带宽应能减少移动模型数据所带来的延迟和能源消耗。

该架构也旨在让更多处理器保持繁忙。更高的利用率有助于将理论计算能力转化为实际交付的token。

Euclyd曾展示针对多用户Llama 4 Maverick工作负载的预测：每秒可生成2,500万个token。它将这一结果与Nvidia已公布系统的每秒244,000个token结果进行对比。

这一比较不应被视为基准测试上的胜利。Euclyd的数字是面向仍在走向量产的硬件所作的公司预测，而所引用的Nvidia结果来自另一种配置。

基准测试条件决定两项测量结果是否可比。模型精度、批处理大小、输入长度、输出长度、延迟目标和软件版本，都会显著改变吞吐量。

公平的评估必须保持这些变量一致，还应报告响应延迟和准确性，而不仅是token总量。

Euclyd AI芯片依然颇具潜力，因为其架构直接瞄准内存数据移动问题。它也依然未经验证，因为客户尚无法在一致条件下评估量产硬件。

该公司已朝制造迈出具体一步。2025年11月，它宣布与韩国设计公司ADTechnology建立芯片开发合作伙伴关系。

ADTechnology 专注于利用 Samsung Foundry 工艺将设计转化为量产系统。这项合作为 Euclyd 带来了实现方面的专业能力，但并不能消除执行风险。

一款芯片即使满足功能规格，仍可能无法达到目标频率、功耗、良率或制造成本。封装与散热也可能带来额外限制。

软件就绪度构成另一道关卡。Euclyd 必须说明开发者如何将既有模型迁移至 craftwerk，以及其支持哪些框架、算子和量化方法。

这笔融资使公司能够推进这项集成化计划。量产系统将决定这一机制能否在演示文稿之外真正奏效。

Nvidia 是 Euclyd 无法绕开对标的对手

Euclyd 必须超越一个持续进化的平台，而非静态的 GPU 规格或上一代硬件。

Nvidia 是最主要的对手，因为它掌控的远不止处理器性能。其优势覆盖加速器、高速互连、网络、优化库、部署工具以及开发者熟悉度。

这套既有的软件基础降低了客户的风险。团队可以采用熟悉的开发流程、招聘有经验的工程师，并在多家云服务商上部署。

Euclyd 必须提供足够的经济价值，才能证明离开这一环境的一部分是值得的。小幅效率提升很难抵消迁移和运营成本。

在 Euclyd 的开发期间，这项挑战变得更加艰巨。Nvidia 一直在将更多专用推理能力整合到其更广泛的平台中。

其 Rubin platform 结合了 CPU、GPU、网络处理器、交换机和存储基础设施。Nvidia 还将源自 Groq 的推理技术整合进该系统。

Nvidia 表示，其 Vera Rubin NVL72 配置的每瓦推理吞吐量最高可达 Blackwell 平台的十倍。这仍是厂商自身的说法，但显示出 Euclyd 必须跟上的速度。

Groq 3 LPX 系统面向对延迟敏感的 token 生成。它采用由编译器管理的片上内存和确定性执行，这意味着软件会以可预测的顺序调度操作。

这一设计针对了 Euclyd 所识别的部分相同推理瓶颈。它还能与 Nvidia GPU 并行部署，而不是要求客户替换整个平台。

这正是竞争关系的核心张力。Euclyd 提出一套集成化替代方案，而 Nvidia 可以在不放弃既有生态系统的前提下加入专用组件。

其他公司进一步加大了压力。Cerebras 开发晶圆级处理器，并通过其云服务和合作伙伴关系推广高速推理。

Groq 开发了专注于推理的架构，并先通过云服务扩大规模，随后才将技术授权给 Nvidia。其路径表明，专用化可以通过易于使用的基础设施获得采用。

云端可用性之所以重要，是因为它降低了评估成本。开发者无需购买硬件、规划散热或承诺数据中心容量，就能测试模型。

Euclyd 尚未说明一条可供公开评估的类似路径。企业买家在验证 AI 推理效率之前，需要获得系统、托管实例或参考部署的访问权限。

超大规模云服务商构成了另一层竞争。大型云计算和 AI 公司正越来越多地为特定工作负载设计自己的加速器。

例如，OpenAI 和 Broadcom 宣布了一个专注推理的平台，计划于 2026 年底前完成初步部署。这项合作将工作负载知识与成熟的芯片和系统专业能力结合起来。

Euclyd 的欧洲身份有助于吸引寻求区域技术选项的客户。政府可能重视供应多元化、本地工程能力以及对关键基础设施更强的控制权。

不过，地域偏好并不能消除性能要求。公共和私人买家仍然需要可靠的硬件、受支持的软件、可预测的交付以及有竞争力的运营成本。

Samsung 在这一背景下的参与具有战略意义。Samsung 横跨半导体制造、存储、封装和电子产品，这些领域都与 Euclyd 的平台相交。

融资公告并未说明 Samsung 的运营角色。在没有进一步披露的情况下，投资不应被解读为制造承诺或客户订单。

同样的谨慎也适用于 Wennink。他的领导力增强了公司的网络，但 ASML 并未被列为投资者、制造合作伙伴或买家。

Euclyd 必须通过可衡量的系统成果赢得差异化。它不能只与历史上的 Nvidia 产品对标，而当前平台仍在不断进步。

一项可信的比较应在现代系统上测试相同的模型和质量设定，并披露延迟、吞吐量、能耗、硬件数量和持续利用率。

比较还应纳入软件投入。如果一套系统需要大量模型转换或定制工程，其成本也应计入比较。

Euclyd 的 A 轮融资为其追求这一证明提供了资源。在公司朝这一目标努力的同时，竞争标准还将继续提高。

这 2 亿欧元并不能证明什么

融资验证了投资者兴趣，但并未验证 Euclyd 的性能主张、量产时间表或客户需求。

最大的未知因素在于硬件状态。Euclyd 在 2025 年 9 月介绍该架构时，将 craftwerk 描述为处于高级设计阶段。

其最新融资公告称，这笔资金将加速开发。公告并未表示量产芯片已经完成独立测试。

这一差别将获得融资支持的路线图与经过商业验证的平台区分开来。半导体项目往往会在架构、流片、首批硅片、认证和量产之间遭遇延迟。

制造良率是一项风险。良率衡量晶圆上满足所需规格的芯片占比。

大型或复杂封装可能难以实现经济制造。如果过多组件未能通过认证，即使设计表现良好，成本也可能过高。

存储是另一项风险。Euclyd 的 Ultra Bandwidth Memory 似乎是其宣称优势的核心，但公司披露的实施细节有限。

观察者需要了解所述容量和带宽是否适用于量产配置，也需要明确供应商、封装、可靠性和可实现的制造规模。

功耗主张同样需要谨慎测试。热设计功耗数值无法反映不同模型规模和流量模式下的平均能耗。

相关计算应包括处理器、内存、网络、散热、主机系统和闲置容量。数据中心功耗测量应覆盖完整系统。

模型质量也可能使性能主张变得复杂。以 FP4 运行模型可以减少内存需求并提高算术吞吐量，但量化可能改变输出质量。

测试应比较等效的准确性或任务质量。否则，更快的配置可能是通过接受另一套系统避免的质量损失来实现结果。

Euclyd 的 token 吞吐量预测引出了一个相关问题。大批量下的总输出无法说明单个用户多快能收到第一个 token，或多快能完成一次响应。

企业应用的优先级不同。离线文档处理可能更重视吞吐量，而交互式编程和语音系统则需要稳定的低延迟。

一个强大的平台必须说明其在哪些场景中胜出。与其泛称全面领先，不如提供与明确工作负载相对应的结果。

软件或许是最大的非硅片风险。Nvidia 的 CUDA 环境经过多年积累，拥有库、工具、文档和开发者经验。

Euclyd 必须支持常见模型架构和生产级框架，也必须处理监控、安全、调度、故障和升级。

客户会询问现有模型能否无需大幅修改即可运行。他们还会希望获得稳定的编译器和有文档记录的性能优化方法。

他们也会评估采购风险。一家初创公司必须提供系统、替换部件、支持承诺，以及能够跨越产品迭代的路线图。

投资者群体可以帮助 Euclyd 应对这些需求。Samsung 提供半导体专业能力，而 imec.xpand 则将公司连接至重要的研究网络。

不过，参与并不等同于技术认证。投资者接受风险，是因为他们期待未来价值，而不是因为每一项工程主张都已得到证实。

融资规模甚至可能提高预期。融资超过 2 亿欧元的公司将面临压力，必须实现与这笔资本相称的里程碑。

这些里程碑应包括可工作的硅片、可复现的基准测试、客户评估以及可信的制造计划。营收或具有约束力的订单，将比新增合作关系本身提供更有力的证据。

Euclyd 还应说明其在芯片供应商和基础设施供应商之间的位置。构建完整系统使其获得更多控制权，但也扩大了公司的运营负担。

它可能需要支持硬件部署、散热集成、网络、系统软件和长期维护。每一项责任都会消耗资本和管理注意力。

这并不意味着该战略不合理。它说明，AI 推理效率不能仅凭一项处理器规格来判断。

融资给了 Euclyd 时间和资源。证明必须来自执行。

三个信号将显示 Euclyd 能否参与竞争

可工作的硅片、独立比较以及真实客户部署，将决定 Euclyd 构建的是替代平台还是雄心勃勃的原型。

第一个信号是具备量产代表性的可用硅片。Euclyd 应披露 craftwerk 何时完成制造并完成初步验证。

早期硅片不必达到每一项最终目标，但必须证明该架构能够运行，且关键计算、内存和互连功能如设计般运作。

功耗测量将尤其重要。观察者应关注真实工作负载下从墙端测得的能耗，而非孤立的组件估算。

如果 Euclyd 公布可工作的硅片，且结果接近其设计目标，人们对公司技术机制的信心将增强。反复调整时间表或缺失规格则会削弱这种信心。

第二个信号是可由独立方复现的基准测试。最有价值的测试将比较 craftwerk 与当前的 Nvidia、AMD、Cerebras 或基于 Groq 的系统。

测试应采用相同的模型、精度设置、上下文长度、输出长度和质量阈值。结果应涵盖延迟、吞吐量、能耗和利用率。

仅与旧款 Nvidia 硬件比较，能提供的证据有限。Nvidia 当前的推理系统才是相关的竞争基准。

第三方访问与公开结果同样重要。独立实验室、客户和基准测试机构需要获得足够的系统访问权限，才能复现这些发现。

透明的结果将使 Euclyd AI 芯片从一项架构主张转变为经过评估的产品。受限演示则会让核心不确定性仍未解决。

第三个信号是有具名客户在运行有实际意义的工作负载。试点项目表明，软件、支持和集成工作能够超越实验室环境。

最强有力的部署案例，应明确模型类别、服务需求、系统规模，以及客户选择 Euclyd 的原因；同时还应说明该合作是否为付费安排。

企业、政府和超大规模用户的评判标准各不相同。任何类别中的成功部署，都将为 Euclyd 的初始市场提供证据。

政府支持的示范项目或可验证区域需求，但对商业经济性透露的信息有限。超大规模部署则会对可靠性和运营成本形成更严格的检验。

这三个信号必须依次出现。可正常运行的芯片让可信基准测试成为可能，而可信的基准测试能帮助客户为部署决策提供依据。

资本与领导力能够支持每一个阶段，但无法替代其中任何一个阶段。

Euclyd 的 A 轮融资依然值得关注。欧洲曾孕育出关键的半导体设备与研究能力，但在全球范围内具有突出影响力的 AI 加速器平台相对较少。

Euclyd 正试图将这些能力连接到快速增长的推理市场。该公司决定统筹计算、内存、封装和系统，为这一尝试提供了连贯的技术论点。

如今，公司需要让这一论点变得可衡量。读者应关注首批芯片披露、基准测试访问权限和具名部署案例，而非宣传性的夸张表述。

对开发者和基础设施采购方而言，实际问题很简单：Euclyd 是否能在不增加不可接受的软件或部署阻力的前提下，降低实用 token 的成本？

在公司动用新资金的过程中，关注这三个信号。若它们相互印证，Euclyd 将成为可信的推理供应商；若不能，2 亿欧元仍将只是雄心的证明，而非性能的证明。