千核亿邦融资超20亿元人民币，但真正的考验才刚开始
据报道，千核亿邦在B轮融资中募集超过20亿元人民币。对于一家年轻的中国芯片公司而言，这是一笔规模罕见的融资。这笔资金为其将3D DRAM与计算能力结合、服务人工智能工作负载的尝试注入了雄厚资本，也凸显出投资者信心与底层硬件公开证据有限之间的明显落差。
据称，投资方包括中国结构调整基金和中国移动旗下产业基金。山景资本、Starlink Capital、世曦资本、木岩资本、GP Capital、南山资本及混沌投资也参与其中。其他具名支持者包括晨熠汇智、国策投资、国新创投和格致资本。
根据最初的融资报道，木岩资本担任独家财务顾问。公告未披露估值或各方具体投资金额，也没有提供详细的产品基准测试、客户部署、制造合作伙伴或量产时间表。
这一区别至关重要。投资者押注的是一种拟议中的GPU与高带宽内存模式替代方案，而非已被公开验证的替代产品。千核亿邦如今必须将资本转化为可测试的系统、可用的软件，以及可重复验证的客户成果。
本轮融资支持的是更宏大的芯片愿景
这笔融资之所以重要，是因为千核亿邦将自身定位为基础设施供应商，而非专注于单一组件设计的企业。
公开信息显示，千核亿邦是一家于2024年成立的北京公司。该公司称，其在六座城市拥有逾100名员工，并持有超过20项专利。这些数据来自其公司网站，尚未经独立审计。
其公开材料描述了两条现有产品方向：一条面向智能端侧设备，另一条覆盖云游戏与流媒体加速。两者与3D DRAM计算服务Transformer模型这一更宏大的承诺之间，仍存在一定距离。
公司将其G100描述为一款采用定制电路和可重构数据流架构的高能效系统级芯片。其称，该芯片支持翻译笔和教育设备中的实时语音与图像处理。这类部署提供了实际的端侧应用场景，但公司并未披露客户名称或出货量。
千核亿邦还面向云游戏推广C100系列。公司称，专用硬件可加速视频传输、低延迟数据处理和图像增强。同样，其公开材料没有提供独立性能测量数据或具名的量产客户。
B轮融资的叙事已超越这些产品。企业数据库描述将该公司定位为全栈AI基础设施提供商，整合定制3D DRAM、Transformer加速、芯片、加速器系统和云服务。这是一项范围更广、难度也更高的事业。
全栈战略要求企业具备覆盖芯片设计、内存集成、封装、编译器、运行时软件、服务器和工作负载优化的能力。每一层都可能决定加速器能否在受控演示之外实现良好表现。资金可以支持这项工作，但无法消除系统集成的负担。
一项近期专利申请提供了对公司方向更具体的观察。该编译器专利描述了面向多核AI加速器分页注意力机制的优化。
分页注意力机制用于在语言模型推理过程中管理碎片化的键值缓存块。该专利讨论了直接内存访问、双缓冲以及跨多个批次的动态调度。这些都是服务Transformer模型时常见的基础设施问题。
专利申请并不能证明产品已具备商业化条件，但它表明千核亿邦的工作已不止于孤立的内存器件。所描述的架构连接了数据移动、编译器行为和加速器调度。
这种关联使本轮融资更具意义。以存储器为中心的加速器无法仅凭芯片竞争，它需要软件来正确放置数据、高效调度操作，并隐藏不可避免的数据传输。
因此，这轮融资为千核亿邦开发平台赢得了时间，也提高了客户和投资者评判其进展的标准。获得如此规模资金支持的公司，最终必须披露的不仅是架构意图。
最有价值的证据将包括流片芯片、独立测试结果、支持的模型家族，以及真实服务条件下测得的性能。客户试用将更具说服力。在这些信号出现前，这笔融资仍更能证明投资者的信念，而非产品的成熟度。
为什么3D DRAM计算如今正在吸引资本
千核亿邦瞄准的是模型数据的移动，这也是现代AI系统中最顽固的成本之一。
传统处理器将计算与存储器在物理上分离。在操作完成之前，数据必须在这两者之间传输。这种分离形成了通常被称为“内存墙”的带宽和能耗约束。
一篇被广泛引用的内存墙综述指出，即使算术单元能够快速处理数据，数据传输仍是传统计算机系统的一项根本性限制，因为移动数据会消耗时间和能量。
大型Transformer模型加剧了这一问题。推理过程需要反复读取模型权重，并管理不断增长的键值缓存，后者保存了先前token的信息。更多用户、更长上下文和更大模型都会增加对内存容量和带宽的压力。
现代AI加速器通过高带宽内存，也就是通常所称的HBM，来应对这一压力。HBM将内存裸片堆叠在处理器附近，并通过宽接口连接，提供远高于传统服务器内存的带宽。
然而，HBM并未消除数据移动。它只是缩短并拓宽了存储器与计算之间的路径。容量、封装复杂度、供应可得性、热特性和整体系统成本仍是重要约束。
存内计算采取了不同的方法。它在内存阵列内部或靠近存储数据的位置执行特定操作。一份更广泛的技术分类显示，这一术语涵盖多种架构，而非一种通用设计。
有些系统直接使用内存单元参与计算，另一些则将逻辑置于内存阵列旁边或堆叠内存层之下。数字、模拟、易失性和非易失性实现各自具有不同的优势和局限。
千核亿邦所述的方向聚焦于定制3D DRAM。原则上，将DRAM与紧密集成的逻辑堆叠，可提高内部带宽，并减少跨封装的数据移动；它也可以让部分Transformer操作更接近存储的数据。
这一思路不同于用模拟内存取代所有传统计算。基于DRAM的设计能够在利用邻近性和并行性的同时，保留熟悉的数字化行为。但它们仍需要谨慎决定哪些功能应当部署在靠近内存的位置。
这一时机有利，原因有三。首先，AI推理已成为更重要的基础设施优先事项。如今企业关注的不仅是训练模型的成本，也包括持续提供模型服务的成本。
其次，更长的上下文窗口给内存带来更大压力。随着对话、文档或智能体工作流不断增长，系统必须存储和检索更多键值缓存数据。在原始算力成为瓶颈之前，内存管理就可能先构成实际限制。
第三，中国投资者有强烈动机支持本土AI基础设施。先进加速器、HBM、制造产能和封装能力的获取仍具战略意义。替代性架构提供了另一条通往本地可控系统的路径。
投资者名单体现了这一战略维度。具有国资背景的基金和中国移动旗下基金与私募创投机构并列。它们的参与表明，这一机会被视为基础设施，而不仅仅是投机性的芯片特性。
中国移动的参与尤其相关，因为电信集团运营着大规模计算网络。这类机构可为推理、云应用和边缘服务提供要求严苛的部署环境。不过，参与投资并不意味着已确认采购协议。
核心经济问题很简单：更紧密的集成能否充分减少数据移动，从而在系统层面改善有效吞吐量、能耗或容量？答案不能仅来自理论带宽数字。
实际系统还要耗时于同步、控制流、通信、软件开销，以及无法顺畅映射到内存的操作。一种设计可能在单一矩阵操作上表现出色，却在整个模型中带来有限增益。
这正是千核亿邦的编译器和全栈主张重要的原因。该公司似乎理解，内存硬件需要具备工作负载感知能力的软件。它面临的挑战是证明完整技术栈能够带来有意义的优势。
千核亿邦正在挑战GPU与HBM的默认模式
主要竞争并非千核亿邦与某一家初创公司之间的较量，而是以存储器为中心的新系统与既有GPU和HBM平台之间的竞争。
GPU的巨大优势不止于处理器速度。开发者可以使用成熟的编程工具、优化内核、模型框架、性能分析系统、文档和既有部署实践。云服务提供商也早已运行配套的基础设施。
HBM是这一成熟平台的一部分。加速器供应商围绕其特性设计处理器、封装、互连和软件，服务器制造商随后在生产环境中验证这些系统。
千核亿邦实际上是在提出，这一安排在性能和能效方面留下了过多未被利用的空间。其拟议方案将3D DRAM与Transformer加速结合，目标是减少对独立计算和内存资源之间持续数据移动的依赖。
这一论点在技术上站得住脚。数据移动是公认的问题，研究人员数十年来一直在探索近存计算。大语言模型创造的工作负载令这一问题尤为显著。
但技术问题成立，并不保证商业方案更具优势。GPU平台仍在持续改进其内存容量、互连、调度、量化支持和推理软件。既有架构并未停滞不前。
因此，替代性加速器必须提供的不仅是孤立的效率提升。它需要在部署、模型支持、可靠性和总体拥有成本方面展现出有说服力的优势，也必须适配现有数据中心运营方式。
软件兼容性是主要障碍之一。客户已投资于围绕传统加速器构建的框架、库、监控系统和工程知识。即使芯片表现良好，新架构也可能带来高昂的变更成本。
模型覆盖范围带来了另一重挑战。Transformer 工作负载包括注意力机制、矩阵乘法、归一化、激活函数、路由、采样和数据移动。不同的模型设计会对硬件提出不同要求。
混合专家模型增加了不规则的路由和通信需求。多模态系统结合文本、图像、音频或视频。智能体系统可能产生不可预测的上下文长度和工具交互。硬件必须在不丧失自身优势的前提下应对这些变化。
精度同样重要。一些推理工作负载可以容忍低精度运算，而另一些则需要更高的数值稳定性。以存储器为中心的系统必须支持有实际价值的精度，同时不能牺牲其能效或面积优势。
一项全面的硬件综述指出，同时实现效率、通用性和可与软件媲美的准确性存在困难。该研究关注的是阻变存储器，而非千核亿邦所称的 DRAM 路线。但其中更广泛的警示仍然适用。
另一个问题在于，计算究竟发生在哪里。“存内计算”一词可以指存储单元内部的运算、阵列旁的逻辑，或堆叠 DRAM 下方的处理。不同选择在制造和软件层面有着不同影响。
千核亿邦尚未公开足够的架构细节，无法对其实现方式进行准确分类。该公司的材料提到定制化 3D DRAM 和 Transformer 加速，但并未说明存储阵列、逻辑层和外部处理器之间的工作分配。
这些缺失的细节使其难以与 GPU、HBM 系统或其他以存储器为中心的加速器进行公平比较，也令“替代 HBM”的说法为时过早。可信的对比需要采用相同的模型、批量大小、上下文长度、精度和质量目标。
即便如此，买家仍需要系统级测量数据。单芯片吞吐量可能掩盖功耗、内存容量、主机需求或网络成本。峰值规格很少能说明混合生产流量下的持续表现。
最有力的近期定位，或许比取代通用加速器更为有限。千核亿邦可以瞄准数据移动占主导、且模型结构保持可预测的推理工作负载。在更广泛的平台成熟之前，专用部署可以先行建立价值。
云游戏提供了一个可能的组织先例。该公司已经描述了面向流媒体工作负载的软硬件协同设计。这种经验可能有助于构建对延迟敏感的基础设施，尽管云游戏并不能验证 Transformer 加速能力。
教育设备则提供了另一个有限的先例。它们表明该公司对低功耗端侧处理感兴趣，但并不能证明其架构能够扩展至数据中心语言模型。
B 轮融资为千核亿邦弥合这些差距提供了资源，同时也让该公司直接面临与成熟平台的比较。竞争的胜负将由可用的系统决定，而非其存储器设计的新颖性。
融资并未消除商业化风险
最大的不确定性在于，千核亿邦能否以可重复扩展的规模制造、编程并部署其架构。
存内计算多年来一直受到研究界关注，但商业化进展缓慢。一份详细的商业化记录描述了停滞的产品、公司的战略转向，以及围绕最佳实现路径持续存在的分歧。
制造是风险来源之一。一款 3D DRAM 产品需要协调存储器、逻辑、键合、封装、测试和热管理。任何一层出现问题，都可能降低良率或延迟交付。
该公司尚未公开点名其晶圆代工厂、存储器供应商、封装合作伙伴或制造工艺，也未宣布拟议 3D DRAM 加速器的流片。这些遗漏并不证明项目延迟，但限制了外部评估。
良率尤其值得关注。堆叠更多组件可能带来额外的失效点。设计还必须在紧密连接的层之间处理热量，不能削弱存储器可靠性或持续性能。
供应链独立性可能是另一项约束。即便加速器由国内设计，仍可能依赖来自中国境外的制造工具、电子设计软件、存储器工艺、封装设备或接口技术。公开披露尚未说明千核亿邦如何管理这些依赖关系。
软件同样重要。编译器必须将常见模型映射到加速器上，正确调度存储器，并生成高效运算。开发者还需要调试器、性能分析工具、运行时库、文档和框架集成。
千核亿邦的分页注意力专利表明，其正在这一领域开展积极工作。该申请讨论了碎片化键值缓存块和动态批处理调度，但并不能证明已经存在生产级编译器或开发者工具包。
客户还会询问模型可移植性。针对某一种 Transformer 结构优化的系统，可能会在注意力模式、上下文管理或路由方式变化时失去效率。AI 软件市场的变化速度快于大多数芯片开发周期。
这种错配带来了战略风险。硅片规格在量产前很早便已固定，而模型架构可能在数月内发生变化。硬件团队需要具备足够的可编程性，以吸收这些变化。
全栈云服务可以降低客户面临的这类复杂性。千核亿邦可以自行运营硬件，并提供熟悉的推理接口。但这种方式同样需要大量运营能力和可靠的服务软件。
融资金额有所帮助，但也扩大了执行责任。芯片开发成本高昂，而建设云基础设施又会引入另一项资本密集型业务。同时服务端侧设备和数据中心，可能使工程资源分散于截然不同的市场。
关于营收的公开证据仍然缺失。千核亿邦未披露出货量、销售额、云服务使用量、已签合同或持续客户，也未公布经独立审计的能效或延迟结果。
早期记录表明，投资者在本轮之前已支持该公司。一份证券研究文件列出其于 2025 年 1 月完成一笔未披露金额的天使轮融资。另一份行业报告则记录了其于 2025 年 6 月完成 A 轮融资，同样未公布金额。
这些记录表明，这家成立于 2024 年的公司经历了快速融资序列。快速融资可以支持激进研发，但也可能使市场预期走在量产证据之前。
因此，B 轮投资者名单具有意义，但并非决定性证据。机构参与可能验证战略机遇、管理层资源或预期的政策支持，但并不能独立验证芯片性能。
潜在客户不应将本轮融资规模当作性能基准。融资衡量的是获得资本的能力，而不是吞吐量、延迟、功耗、良率、软件质量或部署可靠性。
对该公司有关 HBM 的表述，同样应保持谨慎。一种 3D DRAM 架构或许能缓解特定瓶颈，但未必能在整个市场中取代 HBM。不同工作负载可以同时支持多种存储器设计。
独立评估应包括生产环境风格的推理。测试需要采用真实的提示词、上下文长度、批量变化、输出质量和服务级延迟，也应涵盖功耗、内存容量、利用率和主机系统开销。
结果应与采用匹配软件优化的当前系统进行比较。陈旧的基线或调校不佳的 GPU 几乎无法提供有用信息。可复现的测试条件比醒目的宣传比例更重要。
安全性和可靠性最终也会进入讨论。以存储器为中心的加速器可能带来新的数据暴露、故障行为和侧信道问题。处理敏感模型的买家将要求隔离与运营控制措施。
这些风险都不会否定千核亿邦的方向。它们界定了从有趣的架构走向可信赖基础设施所需的证据。融资只是让这种评估变得更加紧迫。
三个信号将表明这场押注是否奏效
下一阶段应依次通过硅片、软件和客户采用情况来评判。
第一个信号是可验证的硅片里程碑。千核亿邦应披露一款与其 3D DRAM 战略相关的已流片芯片、工程样品或量产设备。没有实测硬件的产品名称无法解答这一问题。
有价值的披露应包括内存容量、精度格式、支持的运算、接口细节和持续功耗。它还应区分在存储器内部进行的处理与在堆叠存储器层附近进行的处理。
独立基准测试将强化这一里程碑。最具参考价值的测试应覆盖多种上下文长度和批量大小下的 Transformer 推理，并同时比较输出质量与速度。
如果千核亿邦公布基于实际硅片、可复现的结果，融资逻辑将更具说服力。如果该公司持续讨论架构却不提供硬件数据，资本与证据之间的鸿沟将进一步扩大。
第二个信号是可用的软件发布。编译器、运行时、模型库或云端点将表明该公司能够向开发者开放其硬件。文档和框架支持将揭示仍需投入多少应用层工作。
分页注意力专利形成了一个值得关注的具体观察点。千核亿邦可以展示其在混合推理流量下的动态键值缓存管理能力。这将把其知识产权与可观察的产品能力联系起来。
软件可用性还将澄清该架构的灵活性。支持多个模型家族将比单一优化演示更具说服力。性能分析和调试工具将表明其正为外部用户进行严肃准备。
没有可访问硬件的软件发布，验证价值有限。私下演示仍可能掩盖安装、调度和可靠性问题。通过云服务提供试用访问将构成更有力的证据。
第三个信号是具名客户部署。最有说服力的公告应明确工作负载、部署规模以及选择千核亿邦的量化原因。笼统的合作协议分量较轻。
中国移动是一个明显值得关注的对象，因为其旗下产业基金参与了本轮融资。网络、云或边缘部署可能为该公司提供宝贵的运营证据。但投资本身并不意味着此类部署已经存在。
教育设备或云游戏客户也可能验证技术栈的部分能力。这些市场可以支撑有关低功耗处理或流媒体加速的主张，但不会自动验证大模型基础设施。
对于企业买家而言，关键指标是可靠的工作负载经济性。这包括吞吐量、延迟、功耗、容量、软件投入和运营可靠性。买家在更换加速器平台之前，需要看到全貌。
对于开发者而言，兼容性将决定该架构是否实用。技术上高效的芯片，如果模型需要大量重写，仍可能难以使用。熟悉的 API 和透明的工具链将降低这一门槛。
对基础设施规划者而言，这轮融资再次表明，内存架构已成为 AI 投资的核心议题。计算能力已无法脱离内存的位置、容量、封装和数据移动方式而被单独评估。
千核亿邦已获得据称足以推动这一宏大构想的融资。但它尚未提供足够的公开证据，证明该构想能够成为 GPU 和 HBM 系统的商业替代方案。
正确的态度既不是轻易否定，也不是贸然接受。首先关注真正的芯片，其次关注开发者可访问的软件，第三关注经过验证的客户部署。这些信号将揭示，这笔融资究竟打造了一个可行的平台，还是资助了另一条颇具前景的实验室路线。
随着更多证据出现，读者应在相同工作负载下，将每项说法与当前量产系统进行比较。应追问哪些操作在内存附近运行，哪些仍由传统处理器承担，以及整台服务器的完整表现如何。融资公告开启了这项调查，但并未为其画上句号。
