AI處理器初創企業已至生死關頭？

（本文編譯自Electronic Design）

英偉達的爆發式發展及對其圖形處理器（GPU）的海量需求，推動全球AI處理器領域迎來發展熱潮。但專注于研發專用AI芯片的初創公司浪潮，已然觸頂，或已距頂峰咫尺之遙。

2016年以來，全球AI處理器初創企業的數量已翻倍不止，截至2025年底，該領域獨立運營的企業數量激增至146家，這一數字已處于難以為繼的水平。迄今，投資者受AI處理器市場的前景吸引，已向這些企業投入高達280億美元的巨額資金。據估算，2026年全球AI處理器市場規模將突破4940億美元，硬件出貨量的增長主要由云端及本地AI推理，以及從可穿戴設備到個人電腦的邊緣端部署所驅動，市場營收的增長則主要依托AI訓練場景及超大規模數據中心客戶的需求。

盡管英偉達的技術背后，有著深厚、完善且幾近難以撼動的軟件生態體系，以及一套完整的數據中心硬件基礎設施作為支撐，但這一切似乎并未被投資者放在眼里。只要宣稱能研發出速度更快、性能更優、成本更低的AI處理器，幾乎都會獲得投資者的青睞與資金支持。

不出所料，絕大多數初創企業的研發重心均聚焦于數據中心或邊緣端的AI推理領域。AI訓練領域的資金投入門檻依舊極高，多數初創企業已選擇退守，將這一市場拱手讓給英偉達。

分析機構Jon Peddie Research表示，未來一到兩年，獨立AI處理器供應商的數量將減少40%，實際情況甚至可能比這更糟。

然而，成功的窗口期正逐步向絕大多數的這些初創企業關閉。行業創業高峰出現在2018年，彼時75%的相關初創企業已成立。值得關注的是，初創企業數量的增長浪潮早于英偉達業務爆發式增長便已開啟，這一現象也曾讓科技行業為之震驚。

人們或許會認為，是英偉達的成功引來了一眾入局者的蜂擁而至，但事實上，多達58%的初創企業在英偉達崛起前就已啟動運營。2022年以來，該領域年均發生7起收購案；2020年至今，已有17家相關初創企業完成首次公開募股。

人工智能芯片初創企業的復雜格局

從基礎層面來看，人工智能處理器是一款經過特殊優化的芯片，它通過完成海量張量運算，同時最大限度減少數據移動，實現神經網絡工作負載的高速、高效運行。這類處理器的產品形態涵蓋GPU、神經網絡處理器（NPU）、存算一體芯片（CIM/PIM）、神經形態處理器，以及矩陣/張量引擎等。

CPU和FPGA雖也被用于運行人工智能工作負載，但由于二者具備通用計算屬性，無法依據功能進行細分，因此通常被排除在規模達850億美元的人工智能芯片市場之外，進行單獨評估。不過，搭載向量擴展或單指令多數據引擎的CPU（目前市面上的CPU基本均具備該特性），同樣歸屬于人工智能處理器的范疇。CPU、SoC與ASIC之間的范疇重疊，也讓整個市場格局顯得錯綜復雜（如圖1所示）。

圖1：用于人工智能訓練和推理的CPU、SoC及ASIC之間復雜的范疇重疊問題。

從基礎架構來看，人工智能處理器由多個核心組件構成（如圖2所示）：

• 計算單元：大位寬單指令多數據/單指令多線程核心（GPU架構）、張量/矩陣引擎、NPU向量單元、激活函數單元。

• 存儲層級：靠近計算單元、容量小且速度快的SRAM；位于處理器外部或同封裝內、容量更大的HBM/DDR；高速緩存/便簽式存儲器；預取器/DMA（CIM大致歸屬于這一范疇）。

• 互連單元：片上網絡（NOC）與片外互連鏈路，包括但不限于PCIe、CXL、英偉達NVLink和以太網。

• 控制單元：用于核心程序/集合通信的指令處理器、調度器及微碼。

圖2：典型人工智能芯片的核心組件，包括計算、存儲與互連模塊。

人工智能處理器的應用版圖覆蓋云服務、數據中心芯片、嵌入式IP及神經形態硬件領域。創業者與工程師們著力彌補CPU和GPU的技術短板，包括優化內存管理、實現小批量任務的高利用率、在嚴苛的功耗預算下達成時延目標，以及保障規模化部署下的穩定吞吐性能。

這些企業主要從兩大維度布局產品研發：一是工作負載類型，涵蓋訓練、推理及傳感器級信號處理；二是部署層級，從超大規模數據中心，到電池供電設備與可穿戴設備均有覆蓋。

絕大多數技術研發工作聚焦于內存與執行控制領域。CIM和模擬計算技術通過在存儲陣列內完成運算、將部分和數據就近存儲的方式減少數據傳輸，這也催生出數據流架構設計思路。晶圓級芯片將激活值存儲在本地SRAM中，并為長序列任務實現權重的流式傳輸。

可重構架構可在編譯階段調整數據流與分塊策略，實現多層網絡的利用率優化。訓練芯片側重提升互連帶寬與集合通信能力，而推理芯片則將重點放在單批次任務時延優化、Transformer模型的鍵值緩存技術、邊緣端功耗效率上，同時追求云獨立部署能力以降低時延，這一點在智能體機器人應用中尤為關鍵。

人工智能處理器的市場落地，取決于企業的商業化策略與生態體系支撐。云服務提供商正將加速芯片集成至托管服務與模型推理框架中；IP供應商則與手機、汽車及工業領域的系統級芯片研發團隊展開合作，提供配套工具鏈、模型方案及集成密度演進路線圖。

此外，邊緣計算領域的專精企業會推出專用軟件開發工具包，對模型進行壓縮、量化至8位整數甚至更低精度，將算子映射至稀疏計算單元或模擬計算單元，同時保障模型精度達標。神經形態計算領域的研發團隊則針對脈沖神經網絡推出專屬編譯器，重點優化事件流處理的能效與時延表現。在實際應用中，編譯器、核心程序集和可觀測性工具的優化升級，其價值往往超過峰值每秒萬億次運算指標。

市場競爭的核心維度隨部署層級不同而有所差異（見圖3）。訓練芯片的競爭聚焦于單模型訓練成本，需綜合考量網絡、存儲及編譯器的各項約束條件；推理芯片則以單位token/單幀處理成本為核心目標，同時滿足時延限制，緩存管理與精度量化是實現這一目標的關鍵手段；邊緣設備的競爭圍繞單次推理功耗（毫瓦級）及工具鏈的可移植性展開；IP供應商的競爭則集中在流片周期、功耗-性能-面積綜合指標及驗證技術支持能力上。科研項目則需要在市場化落地速度與技術實驗探索之間尋求平衡，這類實驗或會改變存儲、計算與通信三者間的原有取舍邏輯。

圖3：人工智能芯片企業的市場細分分布。

在整個研發與落地過程中，各研發團隊會根據具體需求定制芯片設計，適配的需求維度包括注意力機制深度、參數量、激活值規模、稀疏性及精度策略等。當企業實現芯片、編譯器與部署工具的協同開發時，不僅能降低集成成本，還能加快從模型研發到高吞吐率落地的轉化效率。

此時客戶擁有多種選擇：在云端進行算力擴容、通過晶圓級系統實現算力升級、將NPU集成至SoC中，或是利用模擬芯片和神經形態芯片讓計算單元更貼近傳感器端。這筆280億美元的投資，正流向上述海量的研發與落地工作；而這些技術的布局與成果，也讓一眾初創企業成為極具吸引力的收購標的（見圖4）。

圖4：人工智能芯片初創企業按處理器類型的分布情況。

人工智能芯片初創企業的爆發式增長將落幕

但這場人工智能芯片初創企業的“寒武紀大爆發”，或許已行至終點。2025年末，市場首次出現投資者對超大規模企業、各國政府及私營機構的巨額算力設備投入感到擔憂的跡象，這也在由人工智能熱潮主導的股市中引發了連鎖反應（見圖5）。媒體上充斥著關于該市場存在泡沫的討論，以及對泡沫破裂時間的預判。

圖5：全球人工智能處理器供應商數量分布。

人工智能芯片供應商領域的泡沫破裂已在暗流涌動，畢竟沒有哪個行業能支撐146家供應商共存。

市場上已出現多起企業收購與倒閉案例（截至2025年底已有21起），后續還將有更多案例出現。但風險投資機構仍在賭概率，大概率是六家融資額超10億美元的企業將存活下來，其余百余家初創企業則需尋找37家處于收購窗口期的上市公司作為歸宿。Jon Peddie Research咨詢公司的預測顯示，未來一到兩年，獨立人工智能芯片供應商的數量將減少40%，而實際情況可能會更糟。

盡管多數初創企業終將被收購或走向倒閉，但被收購的企業會帶來免費的IP，而這筆成本早已由熱情樂觀的風險投資機構買單。280億美元足以支撐大量的研發工作，尤其是這些初創企業的平均員工數還不足10人。反觀英偉達，目前員工規模約為3.6萬人，雙方的競爭本就并非一場公平的較量。

這些收購案的背后，難免有人為錯失的發展可能感到惋惜。但如果創業的初衷只是“造出更優秀的處理器，客戶便會紛至沓來”，那么這份惋惜其實并無必要。

英偉達的行業主導地位，不僅依托其人工智能GPU的性能優勢和完善的軟件生態，更在于其始終聚焦于打造全套數據中心硬件基礎設施，這一布局讓它始終保持著行業領先。