烨知心Yeats.AI完成Pre-A轮融资、一年三轮累计近10亿元：端侧AI能否靠统一NPU平台摆脱云端算力路径依赖？

当AI从云端坠向地面，算力逻辑开始反向坍塌

2026年9月，一家成立仅一年的公司宣布完成第三轮融资。这个节奏本身并不稀奇，真正值得注意的是一条被反复提及的产业判断：AI竞争的重心正在从云端走向物理终端。2026年7月世界人工智能大会释放的信号被多家媒体引用——端侧设备受功耗、成本、散热和存储的多重约束，不能简单沿用云端GPU以堆叠算力换取性能的路径。从眼镜、耳机等Personal AI，到AI Box、具身智能为代表的Agentic & Physical AI，不同设备对算力的需求跨度可达数个数量级。

这意味着一个根本性的错位：模型能力在云端以指数级膨胀，而承载这些能力的终端设备却受制于物理极限。一家公司若想在这个错位中建立位置，必须回答一个核心问题：当算力无法靠堆叠解决时，效率从哪里来？

烨知心（Yeats.AI）给出的答案是统一计算平台。9月11日，这家端侧AI算力基础设施公司宣布完成Pre-A轮融资，由深创投、和利资本、TCL创投、中科创星联合领投，艾为电子（688798.SH）、国开科创、朝晖资本等机构跟投，老股东连续多轮超额追投。据投中网报道，本轮是公司成立一年以来完成的第三轮融资，累计融资近10亿元。Pre-A+轮融资已同步启动。

从公开信息看，烨知心试图覆盖的并非单一芯片品类，而是从加速硬件到AI算法的全栈式端侧AI解决方案。公司称其专注于下一代AI Native硬件的极致能效推理场景，为Agentic和Physical AI下不同场景提供跨终端平台的统一软硬件解决方案。这一表述的实质，是把芯片、编译器、指令集和模型部署作为一个整体系统来设计，而非像传统芯片公司那样只交付一颗硅片。在端侧AI的语境下，这种“全栈”定位可能意味着更长的研发链条，也可能意味着更高的客户价值密度——但两者之间的平衡，目前尚无公开证据可以判断。

Apple Neural Engine出身不是背书，而是一套被验证过的失败路径参照

烨知心最核心的团队资产，据投资界报道，是创始团队曾任职于苹果Apple Neural Engine团队，主导过全球跨终端规模化出货的NPU底层架构、编译器工具链及上层模型部署，参与NPU全生命周期的迭代及应用产品定义。核心团队覆盖苹果、微软、英伟达、高通、华为海思、大疆等企业，涉及NPU架构、SoC设计、编译器、系统软件及模型算法等环节。团队拥有数十款芯片量产及出货经验，已规模化部署于亿级出货规模的边缘侧及端侧各类智能硬件场景。

但这段履历的价值需要被拆开来看。苹果的NPU体系是封闭生态内的定制化产物，其编译器工具链和模型部署逻辑服务于苹果自家硬件与操作系统。当这套经验被移植到一家需要服务多客户、多设备、多模型范式的独立公司时，核心挑战不是技术能力本身，而是从“为单一生态优化”转向“为碎片化生态建立通用层”。来源材料并未披露烨知心如何解决这一组织与产品定义层面的转换问题。公司称其编译器系统可同时面向NPU和CPU，覆盖从智能可穿戴设备到大型终端智能硬件，但这一能力目前仅停留在公司表述层面，尚无独立第三方验证或客户案例佐证。

从已披露的信息看，烨知心试图用一套“数据流架构+深流水线”的通用NPU计算架构覆盖端侧各算力需求场景。据公司披露，该架构在保证深流水线以完成高效率计算的前提下实现足够通用性，满足不同尺寸的现有AI神经网络及Future-Proof的算子。这里的关键词是“Future-Proof”——一个在芯片行业几乎无法被提前验证的承诺。芯片架构的通用性通常以牺牲峰值效率为代价，而端侧场景恰恰对峰值效率极度敏感。烨知心尚未披露任何性能参数或能效比数据，因此“通用性不损失效率”这一核心假设目前无法被外部检验。

更深一层看，Apple Neural Engine的经验本身可能构成一种路径依赖。苹果的NPU设计目标高度聚焦于自家操作系统内的特定推理负载，其优化空间相对封闭且可预测。而端侧AI市场正在快速分化，从耳机里的低功耗语音唤醒，到AI Box里的多模态实时推理，再到具身智能对动态计算图的要求，不同场景对NPU的指令集、存储层次和调度策略提出了截然不同的需求。烨知心声称其架构能够覆盖这些差异，但“覆盖”在芯片行业有两种完全不同的含义：一种是通过足够灵活的硬件抽象层去适配，另一种是通过牺牲单点效率去换取表面上的兼容。目前公开材料无法区分烨知心属于哪一种。

一款7B多模态芯片正在流片，但流片只是芯片公司风险的起点而非终点

据投中网报道，烨知心正在推进第一款面向7B多模态大模型端侧部署的高能效推理芯片流片，并已启动下一代面向Agentic & Physical AI的大算力芯片研发。这是目前关于公司产品进度最具体的公开信息。

在芯片行业，流片是一个标志性节点，但它同时也是一个高风险节点的开始。流片成功只证明设计可以被制造出来，距离量产、客户导入、规模化出货还有漫长的验证链条。端侧AI客户是硬件厂商，决策链条长、验证周期长。从流片到客户设计导入，通常需要12到24个月，期间任何一次架构调整或性能不达标都可能导致窗口错失。烨知心在Pre-A轮融资的同时已启动Pre-A+轮，这一节奏从侧面印证了芯片创业的资本消耗速度——流片费用、IP授权、EDA工具、工程团队、客户支持，每一项都在同步吞噬现金。

更值得追问的是，第一款芯片选择7B多模态大模型作为端侧部署目标，这一规格本身就是一个高风险的技术判断。7B参数级别的多模态模型在端侧运行，意味着芯片需要在有限功耗预算内同时处理文本与视觉信号的推理负载。目前公开材料未披露该芯片的目标功耗、算力密度、存储带宽或单位推理成本。在缺乏这些关键指标的情况下，“高能效”只能被理解为一个方向性描述，而非可验证的产品定义。

从技术路径看，7B多模态端侧部署的难点并不只在算力本身。多模态推理的瓶颈往往出现在存储带宽和片内数据搬运效率上，而非单纯的乘加运算能力。视觉信号的中间特征图尺寸远大于文本token序列，如果芯片的存储层次设计没有针对多模态负载做专门优化，即使峰值算力足够，实际推理吞吐也可能被带宽卡死。烨知心声称其数据流架构能够通过软硬协同优化解决这一问题，但数据流架构的优势恰恰依赖于编译器对数据依赖关系的精确调度——这又把验证压力传导回了编译器系统的成熟度。目前公开材料未披露该芯片在存储子系统、片上网络或量化精度方面的任何技术细节，因此无法判断其“高能效”主张是否建立在可验证的工程基础之上。

统一平台叙事与“卖芯片”逻辑之间的张力，被资本结构暂时掩盖了

烨知心在公开表述中反复强调一个观点：“端侧AI需要的并不是更多孤立的AI加速器，而是一套能够跨芯片、跨设备、跨模型持续演进的统一计算平台。”据公司披露，其商业模式并不以单一芯片产品为终点，而是以技术演进为主轴，持续向不同算力层级和不同AI原生硬件场景延展。

这一叙事在资本层面获得了响应。投资阵容覆盖从供应链到下游客户应用的关键环节：深创投、中科创星代表硬科技与政策导向资本，TCL创投、艾为电子、广和通则分别对应终端制造、芯片与通信模组环节。蚂蚁集团作为历史投资方出现，则暗示了端侧AI与支付、物联网场景的潜在连接。但需要明确的是，投资方名单只能说明资本对赛道的布局意愿，不能证明客户对产品的采用意愿。来源材料未披露任何客户名称、订单或合作意向。

从产业链逻辑看，端侧AI的客户是硬件厂商，而硬件厂商对芯片供应商的选择逻辑正在变得更加保守。终端厂商担心被单一模型或单一芯片锁死，需要能持续吸收新范式的Future-Proof能力。但与此同时，手机SoC厂商自带NPU，云端芯片巨头向下渗透，硬件厂商自研芯片的案例也在增加。烨知心必须证明统一平台比客户自研更划算——这是一个在芯片行业历史上极少有独立芯片公司能持续赢下的命题。从已披露信息看，烨知心尚未提供任何客户采用证据或成本对比数据，这一验证路径仍处于早期阶段。

“统一平台”叙事与“卖芯片”逻辑之间的张力，在商业层面表现得尤为具体。如果烨知心最终以芯片销售为主要收入来源，那么它就必须在每一代产品上与SoC厂商的集成NPU直接竞争，而后者在成本摊销和客户关系上拥有结构性优势。如果烨知心转向平台授权或软件服务模式，那么它又必须回答一个更难的问题：硬件厂商为什么愿意为一家独立公司的编译器基础设施付费，而不是使用开源工具链或自建团队？来源材料提及“端侧算力的商业模式正从卖芯片转向卖平台”，但这一判断目前只是产业趋势的观察，而非烨知心已验证的商业现实。公司未披露任何收入结构、定价模式或商业合同，因此其商业模式的具体形态仍处于未披露状态。

编译器是真正的护城河候选，但“规模化复用”目前只是愿景

在所有技术叙事中，烨知心的编译器系统是最值得单独审视的部分。据公司披露，其编译器系统可同时面向NPU和CPU，覆盖从智能可穿戴设备到大型终端智能硬件，目标是将底层硬件优化从“逐应用、逐芯片的人力工程”变成可规模化复用的软件基础设施。

这一方向在产业逻辑上是成立的。芯片架构的通用性最终必须通过编译器来兑现——如果编译器无法将不同模型的算子高效映射到底层硬件，通用架构就只是一堆未被利用的晶体管。烨知心创始团队曾深度参与科技大厂编译器体系，这是其技术叙事中最具可信度的部分。但“曾参与”与“能独立构建”之间的距离，在芯片行业往往以十年为单位计算。一套可同时面向NPU和CPU、覆盖数亿级终端和上万个模型应用的编译器基础设施，其工程量远超单颗芯片的设计。目前公开材料未披露该编译器系统的成熟度、支持的模型数量、与主流框架的兼容性，或任何第三方评估结果。

从已披露的“支持Transformer、Diffusion、Agent、VLA和世界模型等范式”这一表述看，烨知心试图覆盖的模型范围极其宽广。但每一种范式对底层算子的需求差异巨大，VLA（Vision-Language-Action）模型和世界模型对时序处理、记忆管理、动态计算图的要求远高于传统Transformer推理。编译器能否在这些范式之间实现“持续吸收新的模型能力”，取决于指令集设计的完备性和运行时优化的深度，而这些恰恰是芯片行业最难被提前验证的能力。公司称其架构能够避免芯片架构随着单一模型迭代而快速失效，但这一判断目前只能被理解为公司的技术假设，而非已被验证的事实。

编译器护城河的另一面是生态锁定。一套编译器基础设施的价值，只有在足够多的开发者和足够多的芯片上被反复使用时才会显现。烨知心目前只有一款芯片在流片阶段，这意味着其编译器系统在短期内只能服务于自家硬件。一个只服务于自家芯片的编译器，无论技术多先进，其生态价值都受限于那颗芯片的市场份额。烨知心若要兑现“跨芯片、跨设备”的平台愿景，就必须让编译器系统能够适配第三方硬件，或者让足够多的客户采用其芯片。前者意味着与现有芯片厂商的工具链直接竞争，后者意味着回到卖芯片的老路上。两条路径都未在公开材料中得到明确回答。

一年三轮近10亿的融资节奏，既是弹药也是倒计时

成立一年完成三轮融资、累计近10亿元，这一节奏在端侧AI芯片赛道中属于激进水平。据投中网报道，每轮都有数家相关产业资本同时押注，老股东连续多轮持续超额追投。Pre-A+轮融资已有序展开。

从资本结构看，这种密集融资节奏反映了两件事。第一，端侧AI芯片的研发投入门槛极高，流片、IP、EDA、团队、客户支持等环节的现金消耗速度远超软件创业。第二，投资方对烨知心的押注带有明显的赛道卡位逻辑——在端侧AI从概念走向落地的窗口期，提前锁定一个有Apple Neural Engine背景的团队，比等待产品验证后再进入成本更低。但资本节奏的加快也意味着验证窗口的缩短。每一轮融资都在推高估值，而估值最终需要产品性能和客户采用来支撑。如果第一款芯片流片后未能按预期进入客户导入阶段，下一轮融资的谈判难度将显著上升。

来源材料中提及的风险因素包括：行业竞争激烈可能阻碍发展；技术迭代快，若不能及时跟上，产品易被淘汰；平台越通用，兑现周期越长，交付风险放大；云端芯片巨头向下渗透，手机SoC厂商自带NPU；必须证明统一平台比客户自研更划算；流片一次错过窗口，融资节奏可能断裂。这些风险并非烨知心独有，但在其“统一平台+多范式覆盖+跨设备延展”的叙事下，每一项风险的权重都被放大了。平台越通用，意味着需要同时应对越多维度的竞争；兑现周期越长，意味着资本耐心被拉得越紧。

值得单独指出的是，Pre-A+轮在Pre-A轮宣布的同时即已启动，这一事实本身就是一个信号。在正常融资节奏中，公司通常会在完成一轮融资后留出6到12个月的产品推进窗口，再启动下一轮。烨知心选择在Pre-A轮消息发布的同时推进Pre-A+轮，可能意味着两种情形之一：要么是资本方主动要求加快节奏以锁定份额，要么是公司预见到未来12到18个月的现金消耗速度需要提前储备。无论哪种情形，都指向同一个事实：这家公司的资本需求曲线比一般芯片创业公司更陡峭。而陡峭的资本需求曲线，在芯片行业往往意味着更少的容错空间。

端侧AI的终局不是芯片之争，而是“谁定义计算范式”之争

烨知心的故事之所以值得被严肃对待，不在于它是一家芯片公司，而在于它试图回答一个产业级问题：当AI从云端走向物理世界，计算范式是否需要被重新定义。云端AI的范式是“模型驱动硬件”——模型规模决定算力需求，硬件被动跟随。端侧AI的约束条件则完全相反：功耗、成本、散热、存储共同构成一个刚性边界，模型必须在这个边界内被压缩、优化和部署。这意味着端侧AI的竞争焦点从“谁有更多算力”转向“谁能在更少资源下完成更多推理”。

烨知心的统一NPU平台叙事，本质上是在押注一个判断：端侧AI不会像云端那样形成少数几家GPU厂商主导的格局，而是需要一个跨设备、跨模型、跨芯片的软件基础设施层。这个判断是否成立，取决于端侧AI市场是否会像云端一样走向集中化。如果终端厂商最终选择自研NPU或采用SoC厂商的集成方案，独立NPU平台的空间将被大幅压缩。如果端侧AI设备品类持续碎片化，统一平台的价值反而会上升。目前两种可能性同时存在，而烨知心尚未提供足够证据证明后者将占据主导。

从已披露信息看，烨知心最大的确定性来自团队履历和资本背书，最大的不确定性来自产品验证和客户采用。第一款7B多模态推理芯片的流片结果、编译器系统的实际成熟度、以及能否在Pre-A+轮之后继续保持融资节奏，将共同决定这家公司是成为端侧AI的基础设施层，还是成为又一个在流片与交付之间耗尽弹药的芯片创业样本。

另一个被忽视的维度是时间窗口。端侧AI的模型范式仍在快速迭代，Transformer、Diffusion、Agent、VLA和世界模型之间的边界尚未稳定。烨知心押注的“Future-Proof”架构，只有在模型范式收敛到一定程度时才能兑现其通用性价值。如果模型范式继续以每年一次的速度剧烈变化，任何芯片架构都可能面临被快速淘汰的风险；如果模型范式在短期内收敛，那么专用芯片反而可能比通用平台更快达到极致能效。烨知心的统一平台路线，实际上是在赌一个中间状态：模型范式足够多样，以至于专用芯片无法覆盖；但又足够稳定，以至于通用架构的编译器能够持续吸收新能力。这个中间状态是否存在、能持续多久，目前没有任何公开证据可以回答。

验证边界与可复核指标

本文涉及的“首个、唯一、最大、领先”、订单、出货、性能等表述，如无另行说明，均是公司、创始人或投资方在现有公开材料中的披露口径；RecodeX未在本次采集材料中找到独立审计或第三方测试结论，因而不将其视为已经独立确认的事实。文中的产业协同、竞争位置和商业路径属于基于已披露产品与融资用途的编辑分析，不代表相关结果已经实现。

• 技术侧应核验第三方测试条件、样本规模、良率、稳定性及与可比方案一致口径的结果；
• 商业侧应核验去重后的付费客户、可执行合同、收入确认、复购率以及订单转化；
• 资本与产业协同应以工商股权、关联交易、联合开发、采购或量产文件为准。

RecodeX 极客视：当AI的算力叙事从“云端无限堆叠”转向“端侧有限优化”，竞争的本质不再是芯片性能的线性竞争，而是计算范式定义权的争夺。烨知心用一年三轮近10亿的节奏把自己推上了这个牌桌，但牌桌上的筹码不是融资额，而是流片结果、编译器成熟度和客户采用证据。在这三项都未公开验证之前，统一平台的故事仍然只是一个高成本假设。端侧AI的终局不会由融资节奏决定，而由谁能率先在功耗边界内跑通一个可复用的计算范式决定。