当一家 AI 芯片公司把算力堆到足够高之后，它会撞上一堵更隐蔽的墙：不是晶体管不够快，而是数据来不及喂给它们。这堵墙在 2025 年之前还主要出现在训练阶段，表现为 HBM 容量不足；但自 2025 年中期起，代理推理取代模型训练成为 AI 计算和 token 生成的主要驱动力，瓶颈从“能装下多少参数”变成了“每生成一个 token 要搬运多少参数”。生成每个输出 token 都需要遍历整个模型及其数万亿参数，无论模型放在片上 SRAM 还是片外 HBM 模块里，内存带宽都成了 AI 计算的硬约束。
这正是 TeRAM 试图切入的位置。2026 年 9 月 15 日，这家总部位于加利福尼亚州洛斯阿尔托斯的公司宣布走出隐身模式，完成 3700 万美元股权融资。它给出的答案不是继续改良 HBM，而是把定制 3D SRAM 直接集成到 AI 计算芯片上，从物理距离上压缩数据搬运的路径。公司称，其技术旨在以最低功耗提供前所未有的内存带宽。不过，在 2029 年目标量产节点到来之前，这仍是一个需要穿过漫长验证周期的命题。
本轮融资由 Primary Venture Partners、B Capital、Hyperion 和 SemiAnalysis Capital 共同领投，Alumni Ventures 和 Lightscape Partners 参投，于 2026 年 9 月 10 日完成。一个值得注意的细节是，SemiAnalysis Capital 出现在共同领投名单里——这家机构与半导体研究机构 SemiAnalysis 同名，后者长期跟踪 AI 芯片与内存带宽问题。投资方组合中同时出现传统风投与带有产业研究色彩的资本，在早期半导体项目中并不常见。
| 字段 | 内容 |
|---|---|
| 公司 | TeRAM |
| 轮次 | 种子轮 |
| 金额 | 3700 万美元 |
| 投资方 | Primary Venture Partners、B Capital、Hyperion、SemiAnalysis Capital 共同领投；Alumni Ventures、Lightscape Partners 参投 |
| 总部 | 美国加利福尼亚州洛斯阿尔托斯 |
| 创始人 | Charlie Cheng |
| 官网 | teram.com |
推理负载把内存墙从“容量问题”改写为“带宽问题”
TeRAM 的叙事建立在 AI 计算负载的结构性变化之上。据公司披露，自 2025 年中期以来，代理推理已超过模型训练成为 AI 计算和 token 生成的主要驱动力。这一转变的物理含义很直接：训练阶段的内存瓶颈主要是 HBM 容量——模型参数能不能全部塞进高带宽内存里；推理阶段则不同，每生成一个 token 都要把整个模型的参数过一遍，瓶颈变成了单位时间内能搬运多少数据。
这个区分并非文字游戏。在训练场景下，一次梯度更新可以摊销大量计算，内存带宽压力相对分散；而在自回归推理中，每个输出 token 都依赖前一个 token，计算是串行的，内存搬运却是全模型规模的。当模型参数超过 2 万亿时，即使算力单元空闲等待，数据也来不及送达。这是 TeRAM 选择 SRAM 而非继续堆叠 HBM 的逻辑起点：SRAM 的延迟远低于 DRAM 类存储，且可以直接放在计算芯片上，省去片外互连的物理距离。
但这里有一个必须说清的边界：TeRAM 并未披露其 3D SRAM 的具体带宽数值、容量密度或功耗指标。公司称其技术“旨在以最低功耗提供前所未有的内存带宽”，这是一个方向性描述，而非可验证的性能声明。从公开材料看，目前没有独立第三方测试数据可以佐证这一目标已经达成，甚至没有披露原型芯片是否已经流片。因此，TeRAM 的技术路线在逻辑上回应了推理时代的内存带宽瓶颈，但其实际性能仍处于未验证状态。
3D SRAM 集成到计算芯片上，热条件是最直接的工程敌人
TeRAM 的产品定义是定制 3D SRAM 内存芯片，按客户的计算解决方案定制容量、带宽、外形尺寸和封装。据公司披露，其技术路线是将 3D SRAM 直接集成到 AI 计算芯片上，并针对严苛热条件进行设计。这与传统的 HBM 方案形成对比：HBM 通过硅中介层与 GPU 或 AI 加速器封装在一起，物理上仍然是一颗独立的存储芯片，数据需要穿过中介层和互连线路；而 TeRAM 的目标是把 SRAM 放到更靠近计算单元的位置。
从产业链角度看，这个方向并非没有先例。AI 芯片设计者一直在增加片上 SRAM 的用量，以降低对片外内存的依赖。但 SRAM 的单位面积成本远高于 DRAM，且 SRAM 在先进制程下的微缩速度已经放缓。TeRAM 的“3D SRAM”意味着在垂直方向堆叠存储单元，这可以部分绕开平面微缩的限制，但会带来新的热密度问题——SRAM 本身发热不低，堆叠后热流路径变长，散热设计难度显著上升。公司称其技术“针对严苛热条件设计”，这恰恰说明热管理是这条路线能否成立的关键变量之一。
另一个值得注意的约束是定制化。TeRAM 的商业模式是按客户需求定制容量、带宽、外形尺寸和封装。这意味着它不是一个标准品供应商，而是为每个初始客户做深度适配。这种模式在早期可以换取客户绑定和需求确定性，但也会拉长设计周期、增加工程成本，并限制产品的可复制性。公司未披露初始数据中心客户的具体名称，也未说明定制化程度是否会影响其向其他客户扩展的速度。
种子轮 3700 万美元背后的资本结构与信号
3700 万美元的种子轮在半导体行业并不算小，但也不算异常。半导体创业公司的早期资金需求远高于软件公司，流片、封装、测试和团队组建都需要大量前置投入。真正值得分析的是投资方组合的结构。
Primary Venture Partners 的合伙人 Brian Schechter 担任本轮领投人，他在声明中称：“Memory is the constraint on AI progress, and incremental improvements will not be enough.” 这是投资方对公司技术路线的明确背书。B Capital 和 Hyperion 的参与则提供了更广泛的资本市场触达能力。SemiAnalysis Capital 的加入尤其值得关注——如果它与半导体研究机构 SemiAnalysis 存在关联，那么这笔投资可能带有更强的产业验证色彩；但 TeRAM 的公告并未明确说明这一点，因此不能将两者直接等同。
从资本效率角度看，TeRAM 将资金用途限定为“验证技术并扩大团队，为初始数据中心客户构建定制 3D SRAM 内存芯片”。这意味着本轮资金主要投向工程验证和客户项目启动，而非大规模量产准备。目标 2029 年实现初始客户生产，从现在起还有约三年时间。对于一家尚未披露流片进展的公司来说，这个时间表既不算激进，也不算保守——它反映了半导体从设计到量产的客观周期，但也意味着在 2029 年之前，TeRAM 不会有规模化的收入贡献。
没有竞争对手名单，但替代方案无处不在
TeRAM 的公告没有列出任何竞争对手。这并不奇怪——早期公司通常不愿主动框定竞争参照系。但竞争格局可以从技术替代方案的角度来审视。
最直接的替代方案是继续使用 HBM。HBM 生态已经相当成熟，SK 海力士、三星和美光在 HBM3E 和 HBM4 上的路线图清晰，产能扩张也在持续。对于 AI 芯片厂商来说，HBM 的采购路径、封装方案和供应链风险都是已知量。TeRAM 要说服客户从 HBM 转向定制 3D SRAM，需要证明其在带宽、功耗或延迟上的优势足以抵消切换成本和供应链不确定性。
另一个替代方向是增加片上 SRAM 的容量。一些 AI 芯片已经在走这条路，通过更大的片上存储来减少对片外内存的依赖。但片上 SRAM 受限于芯片面积和成本，无法无限扩张。TeRAM 的 3D SRAM 本质上是在尝试突破这个限制，把 SRAM 从平面扩展到垂直维度。如果这条路走通，它可能改变 AI 芯片的内存层次结构；如果走不通，它可能只是又一个被成本和热密度压垮的技术尝试。
还有一类更间接的竞争来自算法侧。量化、稀疏化、KV cache 压缩等技术都在降低推理对内存带宽的需求。如果算法侧的优化速度足够快，硬件侧的带宽压力可能被部分缓解。TeRAM 的长期价值假设是模型参数继续增长、推理负载继续加重，从而让硬件侧的带宽瓶颈无法被算法优化完全消化。这个假设在 scaling law 仍然成立的前提下是合理的，但 scaling law 本身也在被持续检验。
投资逻辑：押注推理时代的物理约束不会消失
从投资方声明和公司披露来看，TeRAM 的投资逻辑可以拆解为三层。第一层是市场判断：AI 推理已经取代训练成为主要计算负载，内存带宽成为核心瓶颈。第二层是技术判断：3D SRAM 集成到计算芯片上是解决带宽瓶颈的可行路径，而非仅仅是对 HBM 的增量改进。第三层是团队判断：创始人 Charlie Cheng 及其团队拥有超过 80 年的半导体内存技术开发经验，并曾与多家领先的超大规模云厂商和 AI 基础设施公司在 AI 计算 SoC 项目上密切合作。
这三层逻辑中，第一层有较强的公开数据支撑——代理推理的崛起和内存带宽瓶颈是行业共识。第二层是真正的技术赌注：3D SRAM 能否在成本、热密度和制造可行性上跑通，目前没有公开证据可以确认。第三层则是一个相对可靠的信号：团队经验在半导体行业的重要性远高于软件行业，因为内存技术的物理约束和制造工艺积累无法通过快速迭代来弥补。
但投资逻辑的脆弱点同样明显。TeRAM 尚未披露任何客户合同、原型性能数据或流片进展。公司称其正在验证技术，目标 2029 年实现初始客户生产——这意味着从种子轮到量产之间有长达三年的验证期，期间任何技术障碍或客户需求变化都可能改变项目轨迹。对于一家 3700 万美元种子轮公司来说，这个风险敞口是真实存在的。
资金用途与 2029 年量产目标之间的漫长验证期
TeRAM 的资金用途表述相当克制：验证技术、扩大团队、为初始数据中心客户构建定制 3D SRAM 内存芯片。没有提到大规模招聘、没有提到产能建设、没有提到市场推广。这与公司所处的阶段一致——它还在从“技术概念”走向“可验证产品”的路上。
从半导体行业的客观规律看，从 3D SRAM 设计到客户验证再到量产，三年时间并不充裕。流片本身需要数月，封装方案验证需要数月，客户侧的集成测试又需要数月。如果中间出现设计迭代，时间表很容易向后滑动。TeRAM 的目标 2029 年初始客户生产，意味着它需要在 2027 年前后完成关键技术验证，2028 年进入客户验证阶段。这个节奏在半导体行业是可行的，但前提是技术路线没有重大偏差。
另一个需要关注的问题是团队规模。TeRAM 未披露当前员工人数，也未说明本轮融资将支持多大规模的团队扩张。对于一家需要同时推进存储设计、封装技术、热管理和客户工程的公司来说，3700 万美元能支撑的团队规模是有限的。半导体工程师的成本远高于软件工程师，且关键岗位的人才竞争激烈。如果 TeRAM 无法在关键技术上保持足够的人才密度，验证进度可能受到影响。
风险与待验证假设：从“前所未有的带宽”到可量产的工程现实
TeRAM 面临的最大风险是技术验证本身。公司称其技术旨在“以最低功耗提供前所未有的内存带宽”，但这一说法来自公司口径，目前没有独立第三方验证。在半导体行业，“前所未有的带宽”需要通过实测数据来证明，而 TeRAM 尚未披露任何此类数据。这不是说技术路线不可行，而是说它还没有被证明可行。
第二个风险是客户集中度。TeRAM 的初始客户是数据中心客户，但未披露具体名称。定制化模式意味着早期收入可能高度依赖少数客户。如果这些客户的项目延期或取消，TeRAM 的收入前景将受到直接冲击。公司称其团队曾与多家领先超大规模云厂商和 AI 基础设施公司合作，这为获取初始客户提供了关系基础，但关系基础不等于合同承诺。
第三个风险是成本结构。SRAM 的单位面积成本远高于 DRAM，3D 堆叠虽然可以提升密度，但也会增加制造复杂性和良率风险。TeRAM 需要在成本、性能和功耗之间找到一个客户愿意买单的平衡点。如果 3D SRAM 的成本过高，客户可能选择继续使用 HBM 加算法优化的组合方案，而不是切换到一条新的内存技术路线。
从已披露的信息看，TeRAM 的推理链是清晰的：推理负载上升 → 内存带宽成为瓶颈 → 3D SRAM 集成到计算芯片上可以缩短数据搬运路径 → 定制化满足不同客户需求。但这条推理链的每一个环节都带有未验证的假设。推理负载上升是相对确定的趋势；3D SRAM 能否在工程上跑通是核心未知数；定制化能否在商业上规模化是另一个未知数。在 2029 年之前，这些假设都不会有最终答案。
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：TeRAM 的故事本质上是一个关于物理距离的赌注——当 AI 推理把内存带宽逼成瓶颈，把存储单元从片外搬到片上、从平面堆到垂直，听起来是对的方向。但半导体行业从不奖励方向正确的人，只奖励把方向变成可量产硅片的人。3700 万美元种子轮买到的是一张进入验证赛道的门票，而 2029 年的量产目标意味着，这家公司还有三年时间来证明 3D SRAM 不是一个昂贵的物理实验。在那之前，所有关于“前所未有的带宽”的说法，都只是尚未兑现的工程承诺。