2022年，每一家想做AI的公司都在问同一个问题：怎么买到足够多的NVIDIA H100？

2026年Q3，这个问题已经悄然变成了另一个：数据怎么才能在芯片之间移动得足够快？

SemiEngineering的季度初创融资追踪报告显示，2026年第三季度，80家AI硬件和半导体初创公司合计融资超过85亿美元。其中75亿美元集中在22家单轮融资超过1亿美元的公司身上——这是一场资本密度极高的集体赌注。更引人注意的是：其中两家推理专用芯片公司，在单个季度内各自越过了10亿美元融资门槛；而本季最活跃的细分领域，不是GPU、不是训练芯片，而是互联技术、网络芯片和光子学。

这背后是一次悄然发生的战略重心转移——AI行业正在从”谁有最多算力”的时代，进入”数据能多快移动”的时代。理解这一转变，需要我们重新审视过去四年AI基础设施演进的深层逻辑，以及接下来可能爆发的硬件架构战争。

第一层：85亿美元，一份精密的地图

让我们从数字本身开始。

本季度最引人瞩目的两笔融资，来自两家推理专用芯片公司，它们在同一个季度分别跨越了10亿美元门槛，这在AI硬件史上尚属首次。

Etched在Q3两次获得融资：2026年7月的3亿美元由Sequoia Capital领投，2026年8月的7亿美元由Jane Street领投，合计10亿美元。参与机构阵容豪华：Andreessen Horowitz、Kleiner Perkins、Tiger Global、Bain Capital Ventures、Neo、Stripes、Blackstone、SK Hynix。在AI硬件领域，同时获得Sequoia和a16z联合背书的公司并不多见——这两家通常站在互相竞争的投资赛道上。

Etched专注于Transformer推理的系统协同设计，不只做芯片，而是把芯片、封装、PCB、冷却板、互联和制造工艺作为一体化架构来优化。其核心技术主张是：通过在降低电压条件下运行数学计算模块，可以在没有热节流的情况下以80%以上的峰值FLOP运行万亿参数稀疏MoE模型。第一代芯片采用台积电N4P工艺，第一台机架已经出货给客户。

SambaNova完成了Series F的首次关闭，融资10亿美元，由General Atlantic领投，T. Rowe Price、BlackRock、Qatar Investment Authority（卡塔尔主权基金）、Vista Equity Partners等参与。本轮完成后，公司估值达到110亿美元（约合$11B）。SambaNova基于可重配置数据流单元（RDU）架构，而非传统GPU的逐Kernel执行模式——它把操作链成流水线，横跨一个可编程计算单元网格和SRAM可编程存储单元网格，同时取下一个操作员的数据，减少内存等待时间。第5代芯片最多支持256个RDU，SambaNova声称可支持10万亿参数规模的模型推理。

Positron AI在Q3获得了最高8.75亿美元的Series C和Series C-1合并融资，按5亿美元估值进行。Positron AI开发针对AI推理的加速硬件，专注于降低大规模部署的每token成本。

这三笔融资合计约28.75亿美元，占本季度AI硬件总融资额的三分之一以上——推理芯片市场的投资者共识已经非常清晰。

但如果你只看这三笔融资，会错过本季最重要的结构性信号：互联技术、网络芯片和光子学，以融资笔数而言是本季最活跃的细分领域，多条技术路线同时获得大额资本背书。

Xsight Labs：超过3亿美元融资，由Fidelity Management & Research领投，参与方包括Aliya Capital Partners、Atreides Management、Artisan Partners、Battery Ventures、Diagonal Capital、Intel Capital、T. Rowe Price等机构。Xsight Labs开发完全可编程的数据处理单元（DPU）和以太网交换机，用于超大规模、边缘计算和AI数据中心网络。其12.8 Tbps以太网交换机在200W功耗下实现了低于700纳秒的确定性延迟。产品基于开放标准，DPU运行原生Linux、DPDK和SONiC，使用64颗Arm Neoverse N2核心直接处于数据路径中，每秒处理数百万连接。资金将用于加速路线图，增加对Ultra Ethernet联盟新标准的支持。

Celero Communications：2.75亿美元Series C，由Atreides Management、Valor Equity Partners和CapitalG（谷歌母公司Alphabet旗下）领投，Sutter Hill Ventures和Maverick Silicon参与。Celero开发专为AI光学互联优化的相干DSP。其核心差异化在于：不是把长途通信的相干设计硬塞进短距互联，而是从底层构建专为低功耗、低延迟优化的DSP架构，并配以新型模拟电路来连接DSP与光学系统。该架构瞄准scale-up、scale-out和scale-across三个方向，从1.6T扩展到下一代3.2T。2026年，Celero已验证业界首款2nm相干DSP硅片，包括完整的DSP处理和模拟技术。本轮融资将用于加速产品路线图、研发和生产就绪准备。公司成立于2024年，总融资已达4.15亿美元。

Cornelis：2.05亿美元融资，开发面向AI和HPC的规模外扩网络，产品包括SuperNIC、交换机和基于自研交换芯片的开源软件。其400Gb/s系统采用基于信用（credit-based）的流控制和细粒度自适应路由，公司声称这使网络无损且无拥塞。Cornelis目前正在抽样采用Omni-Path、RoCEv2和Ultra Ethernet三种协议同时支持的800G SuperNIC，并将进入scale-up网络领域，在网络结构中内嵌可编程计算功能，基于UALink和ESUN标准，将集合通信等操作卸载到网络本身。公司2020年从英特尔高性能互联业务分拆成立。

Eliyan：1.45亿美元Series C，由Seligman Ventures领投，Cisco Investments和Lumentum参与，从而成为独角兽。Eliyan开发裸片间（die-to-die）、芯片间和机架间的PHY及小芯片互联技术，适用于AI系统中的先进封装集成、多封装scale-up架构、内存扩展和高带宽基础设施互联。其支持BoW和UCIe标准的协议无关PHY，采用同时双向信号传输（SBD）技术——在同一导线上同时收发信号，使每个接口的带宽翻倍。公司成立于2021年。

Point2 Technology：向Series B追加6000万美元（Arm和LB Investment参与），使本轮总规模达到1.36亿美元。Point2开发用毫米波RF收发器SoC通过塑料介质波导传输数据的射频/混合信号互联技术，完全电性实现，支持800G/1.6T/3.2T电缆速率，避开了铜在多Terabit速率下的集肤效应，也规避了光学电缆所需的DSP和光电转换。

Delos Data：超过1亿美元融资，由Matrix Partners、Playground Global、Socratic Partners、Capricorn Investment Group等机构投资。Delos Data开发用于将混合硬件、模型和拓扑组合成AI推理集群的参考架构，在每个端点之间设置数据接口硅片，支持30+ Tbps I/O小芯片（用于GPU/XPU/加速器）、10+ Tbps近封装光学和400+ Gbps卡（用于CPU/闪存/内存）三种形态。2026年底将出样解聚scale-up服务器。

还有Efficient Computer（9700万美元Series B，软件可重配置空间数据流处理器，面向物理AI、空间国防和可穿戴设备，声称实现通用计算10倍能耗改善，目前产品已量产）、OXMIQ Labs（3500万美元Series A，开发CUDA兼容GPU IP，支持异构计算小芯片集成，面向近内存计算）、Celera Semiconductor（3000万美元Series B，用AI驱动的全自动化模拟集成电路开发流程）等多家公司同样获得融资。整体来看，本季融资不只集中在几个明星公司，而是覆盖了从应用处理器、推理加速器、连接芯片到EDA工具的完整AI硬件价值链。

第二层：为什么”数据移动”才是真正的瓶颈

理解这张地图，需要首先理解AI系统的瓶颈是如何演变的。

2020年至2023年，大型语言模型训练的核心约束是算力（FLOPS）。更多的GPU、更大的集群、更长的训练时间——这是那个时代的逻辑。NVIDIA的CUDA生态系统主导了这个时代，因为它提供了开发者能够高效使用的统一编程模型，而NVIDIA GPU在矩阵运算（训练的主要负载）上的硬件性能本身也不断提升。OpenAI从2019年的GPT-2（15亿参数）到2022年的ChatGPT后台模型，算力需求每年增长约4倍，这种规律性的增长给了整个AI硬件供应链清晰的扩张信号。

但从2024年开始，AI应用的重心发生了迁移：训练规模的边际效益递减，而推理规模化的成本成为AI产品商业化的主要障碍。

一个AI模型从研究阶段进入生产部署，训练只需要一次（尽管持续微调），但推理需要持续响应数百万用户的请求。ChatGPT在2023年就已经面临推理成本问题，到2026年，随着多模态、多步骤代理（agentic AI）的普及，推理成本已经成为AI公司财报中被反复提及的挑战。以OpenAI为例，多位AI基础设施分析师（包括SemiAnalysis的Dylan Patel）在2025-2026年的公开分析中指出，OpenAI的推理基础设施成本已经在量级上接近甚至超过年化训练成本——这是在ChatGPT用户规模突破1亿后发生的结构性成本倒置，也是OpenAI持续推出更低成本模型（GPT-4o mini、o1-mini等）的主要驱动力。

推理与训练在硬件需求上有根本差异：

  • 训练主要是大规模矩阵乘法，对批量处理友好，可以接受较高延迟，核心指标是总吞吐量（FLOPS）。训练过程中，同一个数据集会被反复访问，可以有效利用预取和大批量的内存访问模式。
  • 推理需要低延迟响应，往往是小批量甚至单请求处理，存在KV缓存这个训练时不存在的内存挑战，核心指标是每token成本（$/token）和首token延迟（TTFT，Time to First Token）。推理的内存访问模式高度不规则——每个用户请求的上下文长度不同，KV缓存的大小动态变化，使得标准GPU的内存层次结构效率低下。
  • 一个被AI基础设施工程师广泛引用的对比：NVIDIA H100在训练稠密模型时可以达到80%以上的MFU（Model FLOP Utilization），但在批次大小为1的在线推理场景下，MFU往往只有个位数百分比——这是Groq、SambaNova、Cerebras等推理加速初创公司在对比测试中反复呈现的数据模式，也是推理专用硬件存在根本市场机会的技术依据。

通用GPU在训练上非常高效，但在推理上存在结构性的效率浪费：大量晶体管在执行小批量推理时实际上处于空闲状态，内存带宽和算力之间存在不匹配。英伟达自己的数据显示，在单请求低延迟推理场景下，H100的有效算力利用率往往低于30%——这意味着你花了10亿美元买了一个能用到7亿的设备。这就是Etched和SambaNova的机会所在：针对推理特有的工作负载特征做专项优化，而不是把通用矩阵乘法硬件用于推理并接受效率折损。

而互联技术的投资热潮，指向的是推理基础设施的另一个约束：当一个推理请求需要协调多块芯片、多台服务器甚至多个数据中心协同完成时，芯片间的通信带宽和延迟，就成为决定整体系统性能的关键路径。

现实的大规模AI推理部署中，一个GPT级别的模型推理往往需要多卡甚至多机并行：模型规模越大，需要的显存越多，单卡放不下，必须把模型分片存放在多块卡上，通过网络持续通信。当集群规模从8卡扩展到128卡、1024卡时，机器间互联的速度直接决定了系统的线性扩展能力。这个问题在2022年时规模较小，在2026年代理AI（agentic AI）盛行时已经是首席基础设施工程师的首要痛点——一个需要多模型协作的代理任务，其延迟的瓶颈往往不在于单个模型的推理速度，而在于模型间通信。

Celero的2nm相干DSP，针对的正是这个问题：传统长途通信相干设计在短距（机架内、机架间）互联中功耗和延迟都过高，Celero重新从头设计专为AI光学互联优化的DSP架构。Cornelis的400Gb/s scale-out网络使用credit-based流控制，目标是实现零数据包丢失——这对AI训练和推理集群的一致性至关重要，任何数据包重传都会引发级联延迟，在大规模集群中可能导致整个AI任务的性能断崖式下跌。

从这个角度看，本季度的资本地图并不分散，它在用不同的技术路线指向同一个物理约束：在AI系统中，数据如何从一个计算单元流向另一个计算单元，是决定整体效率的关键路径，而不是单个芯片的峰值算力本身。这也是为什么谷歌在2016年就开始投资TPU，却在2025年才开始大规模在外部推广：内部用TPU是为了控制成本，外部生态仍然依赖NVIDIA，因为互联和工具链的生态投资是一个更长周期的建设。

第三层：NVIDIA的护城河正面临它从未真正遭遇过的挑战

关于NVIDIA”何时被取代”的讨论已经持续了多年，但在本季度的融资格局中，有一个之前从未如此清晰呈现的结构性变量。值得先厘清一件事：NVIDIA FY2027 Q2（截至2026年7月的季度）数据中心营收约263亿美元，年化超过1000亿美元级别。任何关于”NVIDIA将被颠覆”的论断，都需要在这个体量下审视其实际含义——市场份额出现2-3个百分点的位移，已经意味着数十亿美元的营收转移。

NVIDIA在AI时代的统治地位，历来受到两种方式的挑战：

第一类：软件兼容性挑战。AMD推出ROCm，英特尔推出oneAPI，试图打破CUDA的生态锁定。这条路走了超过十年，收效有限。原因在于：CUDA的生态系统壁垒不只是语法，而是十几年积累的优化库（cuDNN、cuBLAS等）、调试工具链、社区知识和工程师肌肉记忆。任何”CUDA替代品”都要面对这个几乎无法逾越的迁移成本。

第二类：大厂自研芯片。谷歌TPU、AWS Trainium/Inferentia、微软Maia这些大型云厂商的自研芯片，在特定工作负载上实现了更好的性价比，但它们服务于云厂商自身的内部需求，不在通用市场上竞争。AWS把Inferentia做成Bedrock推理服务的底层，谷歌把TPU用于支撑Gemini，这些都没有真正动摇NVIDIA在通用AI市场上的地位。

现在出现了第三类挑战：推理专用架构 + API接口的商业模式 + 垂直整合设计。

Etched和SambaNova的根本差异在于——它们不打算说服工程师切换编程模型，也不打算只服务于云厂商自身；它们的商业目标是把整个推理集群做成一个通过API交付的服务产品，让用户完全不需要接触底层硬件。在这个模型下，CUDA的生态系统壁垒实际上被绕开了：开发者对接标准推理API，根本不需要知道API背后跑的是什么芯片。这个逻辑有历史先例：大多数企业应用开发者并不直接调用x86指令集，他们用的是Java、Python、云服务——底层硬件早已被多层抽象隔离。AI推理服务的API化，正在做同样的事。

SambaNova在这条路上已经走了数年：它的商业模型一直是以云API服务的方式提供推理，而非直接卖裸卡。2025年，SambaNova发布了Cloud API，在Llama 3.1 405B推理上报告的延迟比OpenAI的GPT-4o API低约70%，每百万token价格比当时市场均价低50%左右。Etched的第一台机架已经出货，其商业路径目前还在形成中，但Sequoia、a16z同时下注是一个强信号——这两家深度参与了大量AI应用层公司，它们清楚客户侧对推理成本的敏感程度。从这个角度，Etched的10亿美元融资与其说是投资一家芯片公司，不如说是投资一个可能颠覆推理服务市场价格体系的系统解决方案。

更深层的挑战来自Etched的”协同设计”哲学：

NVIDIA的商业模式是卖单块或多块GPU，搭配NVLink/NVSwitch做scale-up，搭配InfiniBand做scale-out，整体系统由客户和ODM自己集成。这个模式在GPU性能持续提升的时代非常有效——客户只需要买更多、更新的GPU就能获得性能提升。

但Etched把芯片、封装、PCB、冷却板、互联全部作为一体化系统协同优化，主张整个机架才是优化单位，而不是单块芯片。如果这个设计哲学被证明能带来显著的系统级效率提升，它挑战的不只是NVIDIA的GPU业务，而是围绕NVIDIA GPU构建的整个AI基础设施供应链——包括Mellanox的InfiniBand交换机、Super Micro的服务器机柜、Micron和SK Hynix的HBM内存。

互联技术的开放标准趋势，则是NVIDIA生态系统面临的另一个间接压力：NVIDIA的scale-up互联依赖闭源的NVLink，在scale-out上通过Mellanox控制InfiniBand的关键部分。Cornelis同时支持Omni-Path、RoCEv2和Ultra Ethernet三种开放协议；Eliyan支持UCIe等开放小芯片互联标准。如果开放标准互联技术在性能上足以媲美NVLink，NVIDIA将失去一个重要的垂直整合优势。

反驳：为什么NVIDIA仍然可能赢，而且输的可能是这些初创公司

任何关于”NVIDIA将被颠覆”的论断都需要认真对待其防御能力。这里有几个真实的反驳。

第一，Blackwell Ultra产能扩张仍在进行。台积电的CoWoS先进封装产能和SK Hynix、Micron的HBM供应，在2026年仍然高度紧张，NVIDIA的供应链优先权是独一无二的。NVIDIA FY2027 Q2（截至2026年7月的季度）数据中心营收约263亿美元，全年化营收超过1000亿美元，已经形成了成熟的客户关系网络和支持体系，这种规模化优势是任何初创公司在5年内都极难复制的。即使推理专用ASIC在单位性能上有架构优势，从小批量出货到大规模商业部署之间还有巨大的工程和供应链鸿沟。

第二，推理ASIC有固化架构的风险。Etched把赌注押在Transformer架构上，硬件针对Transformer操作做了深度优化。如果AI架构演进超越Transformer（State Space Model的大规模应用、混合注意力架构、甚至更根本的架构创新），固化了Transformer优化的芯片可能面临迅速过时的风险。这不是假设性的：AI研究界一直在探索超越Transformer的架构，Mamba等SSM模型已经展示了在部分任务上与Transformer相当的性能，其内存效率更高。Etched的反驳是：即使架构演进，Transformer在未来3-5年仍将是部署规模最大的AI模型架构，因为存量应用迁移到新架构需要时间，这已经足够形成商业回报窗口。这个判断是否成立，2027年会有更清晰的答案。

第三，云厂商托管推理正在压缩市场空间。AWS的Inferentia、谷歌的TPU推理服务、微软的Maia正在为托管推理提供越来越有竞争力的价格。Etched和SambaNova的成功需要企业用户选择部署非云原生的独立推理集群，而不是直接使用云厂商的托管API。随着云托管推理成本的持续下降，这个企业部署市场的可及规模可能受到压缩。

第四，生态系统惯性极强。全球数十万AI工程师深度整合了CUDA工作流，数百万行经过优化的CUDA代码已经在生产系统中运行。API封装可以降低门槛，但工程组织迁移整个推理栈的成本和风险，在大多数企业眼中仍然是可观的。”如果现有方案没出大问题，就不要动它”——这是企业技术决策中最常见的保守偏见。

这四个反驳都是真实有效的。85亿美元的季度融资，是一场有据可查的高风险赌博，不是对NVIDIA即将被取代的确定性预言。

预判：2027年的AI硬件格局

如果把本季度的资本格局读作一幅市场情报地图，它指向以下几个可能的演变方向：

推理硬件市场快速分化：通用GPU集群（NVIDIA Blackwell Ultra、未来的Vera Rubin）将继续主导大规模训练和最复杂的推理任务；专用推理集群（Etched、SambaNova、Positron AI等）将在成本敏感、延迟敏感的场景中逐步抢占份额。这不是一个”取代”的故事，而是一个专业化分工的故事。行业正在从”一种计算基础设施统治所有场景”走向”不同场景匹配不同硬件”的异构时代。

互联技术将决定下一代AI集群的上限：随着前沿模型训练规模达到新的稳定期，大规模推理集群的主要成本瓶颈将集中在数据移动——机器间互联、内存子系统、封装内互联。Celero的2nm相干DSP、Cornelis的开放标准scale-out网络、Eliyan的UCIe PHY、Point2的RF介质波导，都是在为下一代AI集群奠定互联基础。2027年，我们可能将看到这些技术的量产验证。

垂直整合作为竞争策略浮出水面：Etched的协同设计哲学预示着AI硬件可能出现类似苹果M系列对PC行业冲击的趋势——通过将更多组件纳入单一设计优化，实现分立式供应链无法达到的系统级效率。苹果M1在2020年发布时被很多人认为是小众产品，但其统一内存架构（UMA）和片上系统（SoC）设计，在短短四年内就让苹果Mac在性能功耗比上领先了x86生态系统。Etched的机架级协同设计是否会重演这一历史，是2026年AI硬件领域最值得观察的长期变量。

产品里程碑是检验共识的关键节点：本季度的融资格局表明，资本已经形成了集体共识。但共识是否正确，将由产品交付来检验。Etched的第一台机架已出货；SambaNova的第5代芯片已经在规模部署阶段；Celero的2nm硅片已通过验证；Delos Data计划在2026年底出样解聚服务器。接下来6-12个月，这些产品能否在真实客户场景中兑现其性能和成本承诺，将决定本季度85亿美元的赌注最终胜负。值得注意的是：Etched的10亿美元融资中，有一个重要的非传统投资机构——SK Hynix。作为全球最大的HBM供应商之一，SK Hynix选择直接投资一家推理ASIC公司，这个信号耐人寻味：要么SK Hynix判断Etched的架构需要和HBM深度集成，要么它在对冲自己主要客户（NVIDIA）的潜在替代风险。无论哪种解读，都意味着供应链正在为可能的格局变化提前布局。

2022年，AI界争的是谁能买到更多H100。那时候，等待GPU交货的队列长达一年，算力的稀缺是AI公司唯一的约束。

2026年Q3，智能资本在争的是：数据在AI集群内部流动的速度，能否突破下一个物理极限。

这不是一个关于芯片市场格局即将翻转的预言——NVIDIA的护城河仍然深且宽，Blackwell Ultra出货量仍在加速，CUDA生态系统在可预见的未来仍将是AI开发的默认语言。但这是一个关于技术重心悄然迁移的清醒观察：当算力本身不再是约束，当每一家有野心的AI公司都能以更低门槛获取足够的GPU算力，架构设计、系统互联、封装创新和推理专用化，才是接下来将决定AI成本曲线和性能边界的关键战场。这是一场渐进的结构性变革，不是戏剧性的颠覆，而理解这种区别，对每一个正在规划AI基础设施投资的决策者都至关重要。

85亿美元，就是市场对这个判断目前愿意支付的价格。在AI基础设施进入成熟期的路上，这笔钱买的不只是芯片和互联线缆——它买的是整个行业集体押注的一个方向：数据移动的速度，将是下一个决定AI产业命运的物理约束。

参考资料

  1. SemiEngineering. “Startup Funding: Q3 2026.” October 2026.

  2. Etched. “Accelerating Inference.” July 2026.（$3亿Series B公告）

  3. Etched. “From Zero to One.” August 2026.（$7亿追加轮）

  4. SambaNova Systems. “SambaNova Completes First Close of $1B Financing at $11B Valuation.” 2026.

  5. Celero Communications. “Celero Communications Raises $275M Series C following validation of industry’s first 2nm coherent DSP silicon.” 2026.

  6. Cornelis. “Cornelis Expands into Scaleup Networking with Active Compute Fabric.” 2026.

  7. Eliyan. “Eliyan Achieves Unicorn Status with $145M Series C.” 2026.

  8. Xsight Labs. “Xsight Labs raises more than $300M at $2.8B valuation.” 2026.

  9. Point2 Technology. “Point2 Completes $136M Series B with Arm, LB Investment and Maverick Silicon.” 2026.

  10. Delos Data. “Delos Data Closes Over $100 Million to Deliver Delos Nonstop AI.” 2026.