一颗芯片从自然语言需求走到可以交给晶圆厂的GDS文件，传统上需要架构、逻辑设计、验证、后端物理实现等多个团队接力数月。当工艺节点继续向前推进，时序、功耗、面积与可测性、可制造性之间的约束不再只是各自独立的目标，而是彼此加速耦合。工程师人力供给的斜率，已经追不上设计复杂度的斜率。于是问题从“能不能用AI辅助某个环节”，变成“AI能不能作为第一性原理，重新组织芯片设计本身”。

2026年11月10日，36氪披露，AI原生芯片设计公司“泛函数”完成近亿元天使轮融资，由上海未来产业基金领投，上海信投、上海科创集团、富海重产基金、徐汇资本、宽桥恒松、无限基金联合投资。据36氪报道，本轮资金将重点用于AI原生芯片设计垂类模型训练、全流程工具链迭代、芯片工程与AI算法核心团队扩充，以及客户联合交付与市场拓展。

这家公司全称为上海泛函数智能科技有限公司，成立于2026年3月，总部位于上海市徐汇区。成立不足八个月即完成近亿元天使轮，并称已协助客户完成商业化流片。对一家芯片设计工具公司而言，这个节奏并不常见，也把“AI原生芯片设计”从概念推到了需要被验证的位置。

字段 内容
公司 泛函数（上海泛函数智能科技有限公司）
轮次 天使轮
金额 近亿元
投资方 上海未来产业基金（领投）、上海信投、上海科创集团、富海重产基金、徐汇资本、宽桥恒松、无限基金
总部 上海市徐汇区
创始人 周婧怡（创始人兼CEO）、周菁（联合创始人兼CTO）
官网 未披露

从自然语言到GDS：一条尚未被国产工具完整覆盖的链路

泛函数的产品逻辑，是把芯片设计视为一个有明确目标、有反馈信号、需要多步规划的复杂工程任务。据张通社转述硬氪报道，其平台接收自然语言形式的设计需求，依托多智能体协同，依次完成芯片架构规划、RTL逻辑代码生成、功能验证优化、物理版图布局、流片方案输出，最终输出可用于流片的GDS文件。

这条链路的关键不在于“AI参与设计”，而在于覆盖范围。国内智能化工具此前更多集中在前端RTL验证环节，而在RTL自动生成、复杂RTL验证、后端物理实现等高壁垒环节，成熟的国产智能化方案仍然稀缺。泛函数选择从数字芯片切入，同步布局数字和模拟平台，现阶段优先发展数字赛道。公司给出的解释是，客户在数字领域的需求更大。

从产业链约束看，后端物理实现并不是一个可以靠模型生成结果就宣布完成的环节。DRC、LVS、时序签核、可制造性设计，每一步都有工业级EDA工具长期积累的规则和边界。泛函数称其平台已覆盖完整链路，但来源材料没有披露其在后端环节是与现有EDA工具协同，还是完全替代。这直接决定了“全流程”在实际交付中的含义：如果是在关键节点调用成熟工具并做智能体调度，那更接近对现有流程的重新编排；如果是自研替代后端实现，则意味着要在极短时间内跨越传统EDA公司数十年的积累。两种路径的商业壁垒完全不同。

垂类大模型加多智能体，壁垒建立在反馈闭环而非参数规模

泛函数的技术底座是自研的面向芯片设计的垂类大模型，配合自研agent形成平台。公司称，该垂类大模型已形成商用。在工程模式上，公司采用“人在环内”的设计思路，预判工程师需要确认的节点，在关键步骤设置人工复核，确认无误后再继续推进。

创始人兼CEO周婧怡在张通社转述的报道中提出，通用大模型单纯堆叠参数的增长已经遇到瓶颈，但在工程垂直领域，模型能力的提升来自“数据+反馈闭环”——把芯片设计过程中的编译、仿真、综合、形式验证结果变成奖励信号，模型就有了一条持续进步的路径。她进一步称，对AI Native公司来说，资金投入不是“换规模”，而是直接兑换模型能力的确定性提升。

这一判断在逻辑上成立，但需要区分“有反馈”和“反馈质量足够高”。芯片设计的反馈信号确实比开放域文本生成更客观，但反馈周期并不短。一次流片的成本和时间，远高于一次编译或仿真。如果模型主要依赖仿真和形式验证结果作为奖励信号，那么它优化的是“通过工具检查的能力”，而不是“最终硅片表现的能力”。两者之间存在差距，而这个差距恰恰是周婧怡自己所说的“最后那10分”。

团队背景为这一技术路线提供了一定支撑。据张通社报道，周婧怡本科毕业于清华大学电子工程系，硕士毕业于卡耐基梅隆大学计算机系，长期深耕人工智能、芯片设计、EDA与GPU加速方向的研究，2026年归国创业；联合创始人兼CTO周菁本硕毕业于清华大学电子工程系，深耕人工智能与芯片设计。核心团队青年骨干曾获ACM/IEEE MLCAD 2026国际算法竞赛总冠军。原清华大学微电子所教授、IEEE Fellow王志华出任公司顾问。

这些履历指向团队在算法与芯片工程的交叉能力，但天使轮公司的技术壁垒最终仍要由客户项目验证。来源材料没有披露公司垂类大模型的参数规模、训练数据来源与规模、以及模型在标准EDA benchmark上的独立评测结果。公司自建的“泛函数指数”融合了数十个指标，从收敛成功率、一次通过率、迭代轮次、耗时算力成本、PPA优化效果等维度量化大模型在真实芯片设计任务中的表现。公司称，希望未来它能够成为行业评估AI芯片设计能力的公共参考基准。但截至目前，该指数的具体数值和评测结果均未披露。

一次点亮与量产：商业化叙事的边界在哪里

泛函数在商业化上给出的最实质进展是：已协助客户完成商业化流片，芯片已回片并获一次性点亮，良率和可测性在客户认可范围内，该芯片已进入量产。据公司披露，从客户实际项目反馈来看，平台输出的设计在质量上优于行业普通工程师水平，经自迭代后PPA可达顶尖工程师设计水准；设计周期可缩短至原来的1/3以内。

这是公司单方面披露的客户反馈，尚无独立第三方验证。需要特别说明的是，本次来源材料未提供客户名称、芯片类型、工艺节点、设计规模、量产数量或收入确认方式。因此无法判断这次流片是复杂SoC还是相对简单的数字芯片，也无法判断“优于行业普通工程师”是在什么设计规模、什么约束条件下得出的结论。对于芯片设计工具而言，一个在低复杂度设计上成立的结果，未必能线性外推到高复杂度设计。

周婧怡本人也承认边界。她表示，工具很容易做到90分，最后那10分才是真正拉开差距的部分，因为芯片要求的是100%的正确率。这句话放在本次披露的进展中，意味着“一次点亮”和“进入量产”证明了平台在特定项目上跨过了基本可用门槛，但尚未证明其在更广泛设计场景下的稳定性。

商业模式上，泛函数主要服务芯片设计企业和芯片设计服务商，采用订阅制和项目制两种模式。来源未披露订阅价格、项目制客单价、客户数量、续约率或收入规模。对一家天使轮公司而言，这些数据缺失并不异常，但意味着“商业化流片”目前更适合被理解为一个验证节点，而非可规模化的商业证据。

与海外对手相比，泛函数的时间窗口并不宽裕

海外AI芯片设计初创企业正在密集获得资本支持。据张通社报道，Recursive、ChipAgents、Phinity、Vinci等相继获得大额融资，行业进入高速竞争期。这些公司同样瞄准从架构到RTL、从验证到物理实现的智能化，区别在于各自切入的环节和商业化节奏。

泛函数在与海外公司的比较上提出两点优势：一是产品覆盖更完整，打通数模芯片设计全流程；二是率先实现商业化落地和流片，公司称这在全球同类项目中屈指可数。这两点均为公司口径，尚无独立第三方验证。从公开信息看，海外对手的融资体量和团队规模可能更大，但其产品成熟度和客户验证深度同样需要逐个项目审视。

真正的竞争压力或许不在海外，而在国内现有EDA厂商的反应速度。传统EDA公司拥有工具链、客户关系和工艺数据积累，如果它们加速在前端RTL生成和后端智能化上投入，AI原生创业公司的窗口期会被压缩。泛函数的核心假设是，AI原生架构比在传统工具上叠加AI更有效。这个假设在软件工程领域已有部分验证，但在芯片设计领域尚未形成共识。

另一个不可忽视的变量是算力与数据。垂类大模型的训练需要高质量工业数据，而芯片设计数据恰恰是高度敏感、分散在各设计公司内部的资产。泛函数称其模型已形成商用，但未披露训练数据的具体来源、规模与合规安排。如果数据飞轮无法持续转动，模型能力的提升曲线会很快遇到天花板。

上海国资组团投资：产业逻辑压过财务逻辑

本轮投资方构成具有明显的上海国资色彩。领投方上海未来产业基金，联合投资方包括上海信投、上海科创集团、徐汇资本，以及富海重产基金、宽桥恒松、无限基金。其中多家机构与上海市、徐汇区的产业引导体系关系密切。

上海未来产业基金在张通社报道中表示，长期看好AI-Native芯片设计这条高景气赛道，泛函数汇聚兼具EDA、芯片工程与大模型能力的复合型团队，已完成从需求到版图的全流程Agent平台搭建，获得头部客户验证，实现商业化流片，拿下国际权威算法赛事冠军；公司依托工业级工程闭环沉淀数据飞轮，有望破解芯片设计人才紧缺、研发周期冗长的行业痛点，补齐国产高端芯片设计工具短板，具备成为平台型龙头的潜力。

这是投资方声明，代表其投资判断，而非独立验证。从资本结构看，多家上海国资背景机构在同一轮天使轮中联合投资，说明这轮融资的产业引导属性较强。对泛函数而言，国资股东带来的不只是资金，还可能是本地芯片设计企业、制造资源和政策通道的对接能力。但国资组团也意味着公司需要在商业化之外，同时回应产业安全、国产替代等更高维度的期待。这种期待在早期是资源，在后期可能变成约束。

值得注意的还有“自2026年3月成立以来已经完成多轮融资”这一表述。36氪快讯提及此点，但未披露此前各轮融资的轮次、金额与投资方。一家成立不足八个月的公司完成多轮融资，可能意味着种子轮、天使轮之间间隔极短，也可能存在其他安排。来源材料没有提供足够信息判断此前融资的规模和节奏。

资金用途与待验证假设：模型能力能否被确定性兑换

本轮近亿元资金将重点用于垂类模型训练、全流程工具链迭代、芯片工程与AI算法核心团队扩充，以及客户联合交付与市场拓展。从资金分配看，模型训练和工具链迭代占大头，团队扩充次之，市场拓展再次之。这符合一家技术驱动型天使轮公司的常规配置。

但资金用途背后有一个更根本的假设需要验证：在芯片设计这个垂直领域，模型能力是否真的能随资金投入而确定性提升。周婧怡的判断是，工程垂直领域的模型能力提升来自“数据+反馈闭环”，因此资金投入可以直接兑换模型能力。这个逻辑的前提是，公司已经拥有足够高质量的训练数据和足够密集的反馈信号。如果数据获取本身成为瓶颈，那么资金投入的边际回报会递减。

从已披露信息看，泛函数至少需要验证三件事。第一，平台能否在更多客户、更多设计类型上复现“一次点亮”的结果，而不是停留在单一项目的成功案例。第二，垂类大模型在后端物理实现环节的能力边界在哪里，是否需要与传统EDA工具深度耦合。第三，“泛函数指数”能否公开足够多的评测数据，让行业接受其作为公共参考基准的定位。这三件事分别对应产品稳定性、技术路线和行业话语权，任何一件没有进展，都会影响公司从天使轮走向下一轮融资的叙事完整性。

还有一个结构性风险来自人才。泛函数需要的不是单纯的AI算法工程师，也不是单纯的芯片设计工程师，而是同时理解两者的人才。这类人才在国内极度稀缺。公司称核心团队集结全球头部芯片设计企业、海内外高校与科研院所人才，但天使轮阶段的团队规模有限，如何在扩张过程中保持交叉能力密度，是一个比融资更难的问题。

从行业位置看，泛函数处在一个真实存在的供需缺口中。芯片设计复杂度持续上升，工程师人力供给难以匹配研发需求，这是行业共识。AI原生芯片设计是否能在高端环节补上国产工具短板，取决于它能否在正确率、覆盖度和客户信任三个维度同时取得进展。近亿元天使轮给了它启动的资本，但距离证明“AI原生”不是另一种营销修辞，还有很长的验证路径。

RecodeX 极客视：泛函数的故事之所以值得关注，不是因为它宣称覆盖了从自然语言到GDS的全流程，而是因为它把“芯片设计能否被AI重新组织”这个行业级问题，压缩进了一家成立不足八个月的公司身上。一次点亮和进入量产是真实的信号，但单一项目的成功还不足以证明平台能力。真正的分水岭在于，当客户把一个新的、更复杂的设计交给它时，那最后10分的正确率能不能稳定兑现。如果答案是肯定的，国产高端EDA的缺口或许真的会被一条新路径撬动；如果答案是否定的，这轮近亿元融资只会成为AI芯片设计热潮中的又一个早期注脚。

信息来源

本文在采集与核验阶段引用了以下公开来源，按站点去重列出；来源内容归原发布方所有，其口径不代表 RecodeX 的核实结论。