推理成本压垮Token工厂，一场围绕“架构错配”的算力迁移已经开始
当大模型公司开始按Token计价出售智能时，芯片产业过去十年最擅长的事情突然变得不够用了。GPGPU与Tensor Core为训练而生的高吞吐设计，在推理负载面前暴露出一个尴尬事实：算力单元大量闲置，数据搬运却把成本和功耗推向极限。据36氪报道，算力、存力、运力失衡推高了Token生产与机器人物理智能的落地成本；王海洋在访谈中称，芯片面临算力、存力、运力三大瓶颈，其中内存墙是制约计算芯片效率的最大问题。这不是又一家芯片公司对英伟达发起的参数竞赛，而是一个更具体的产业问题：如果AI真的从训练时代进入推理时代，底层计算架构是否需要被重新定义。
通芯智能给出的答案是直接绕开GPGPU改良路线。这家由北京通用人工智能研究院孵化的公司，把首款产品定义为同时面向云端模型工厂与端侧物理智能的推理芯片。据王海洋介绍，公司第一代芯片定位为高性价比推理芯片，端侧对标英伟达Thor系列，云端对标英伟达B300系列。据36氪报道，通芯智能的芯片设计理念源自朱松纯提出的认知（Cognition）、能力（Utility）、价值（Value）三维联合空间，即CUV架构，并据此在硬件底层做原生设计，而非在现有GPU架构上增加加速模块。
据36氪2026年11月报道，通芯智能成立半年已连续完成数亿元种子轮及天使轮融资，投资方包括清华校友种子基金、北京通用人工智能研究院、松霖科技、平治信息、暗物智能以及豫资涨泉。这笔资金将主要用于芯片流片前的核心架构设计及研发。值得注意的是，这家公司成立于2026年4月，据36氪了解，公司成立三个月即完成架构设计和立项，现已进入芯片设计阶段，计划12月初开展FPGA原型验证。换句话说，资本押注的还不是一颗已经流片的芯片，而是一套尚待验证的架构判断。
| 字段 | 内容 |
|---|---|
| 公司 | 通芯人工智能科技（北京）有限公司（通芯智能） |
| 轮次 | 种子轮及天使轮 |
| 金额 | 数亿元 |
| 投资方 | 清华校友种子基金、北京通用人工智能研究院、松霖科技、平治信息、暗物智能、豫资涨泉 |
| 总部 | 北京 |
| 创始人 | 王海洋 |
| 官网 | 未披露 |
朱松纯的CUV架构要落到硅上，但“原生AGI芯片”首先是一个定义问题
通芯智能的叙事核心，是把朱松纯的认知架构理论变成芯片设计约束。报道援引朱松纯的话称：“通用人工智能的竞争，本质是架构之争。通芯要做的是把这条路落到硅上：以芯片适配AGI的认知架构，与‘通通’等智能体和大模型协同，构成端到端解决方案。”这段话把通芯智能的定位从一家芯片公司，扩展为通研院AGI技术体系中的硬件环节。
从技术实现看，据36氪报道，通芯智能以自研的Vector+Tensor+AGI Core三单元架构为基础，采用混合存算一体架构、通用+专用的计算架构以及灵活的云边端统一架构，通过向量矩阵单元、MoE专家模式、多级混合存算一体、图遍历引擎、原生加速STC-PG（时空因果解析图）等自研技术，解决通用GPU跑AGI时的内存墙、稀疏不规则、图结构推理等结构性错配问题。王海洋的表述更为直接：“我们不是做一个更快、更省电的‘计算器’，而是面向朱松纯教授提出的CUV认知架构，在硬件底层做原生设计。”
但这里存在一个尚未闭合的定义链条。CUV架构作为理论框架，如何被翻译成具体的硬件指令集、数据通路和存储层次，公司并未披露技术细节。AGI Core中的“几十个专门针对AGI算法算子的硬件加速器”具体对应哪些算子、与现有AI加速器的本质差异在哪里，目前仍停留在概念层面。据王海洋介绍，首款芯片同时覆盖云端和端侧，但Thor与B300在制程、功耗、内存带宽和软件栈上的差异巨大，一套架构能否在不牺牲某一侧效率的前提下同时成立，结论边界目前并不清晰。12月初的FPGA原型验证能否同时展示两个场景的阶段性成果，尚待公司披露。
一支走过龙芯与海光全周期的团队，能否把20个月压缩成可验证的芯片节奏
通芯智能的团队背景，是这轮融资中最容易被产业资本接受的部分。创始人王海洋师从夏培肃院士，是龙芯CPU创始成员，曾任海光4代芯片架构负责人，也是某GPU独角兽的联合创始人，拥有25年芯片研发及15年SoC架构设计经历，累计持有近百项国内外发明专利。公司创始核心团队平均芯片从业经验超过20年，骨干来自海光、百度、字节、阿里等团队，创始核心技术团队毕业于清华、北大、中科院、UCLA等院校。
这支团队的稀缺性不在于做过大芯片，而在于完整走过从架构定义、前端设计、后端设计到流片、量产交付的全链路。在中国芯片创业潮中，拥有流片经验的团队并不少，但真正把多代大芯片从立项推到规模量产的团队仍然稀缺。豫资涨泉资本创始人刘啸东在投资声明中特别提到，通芯智能“既有研究院的科研底子，又有来自芯片大厂的近20款大芯片的工程化与量产经验”，这种“三角形”结构是其投资逻辑的一部分。松霖科技战投负责人韩宗谕则强调“具备丰富量产经验的创始团队”。
但量产经验并不能自动转化为新架构的流片成功。王海洋在访谈中称，芯片研发从立项到量产一般至少需要20个月；按此行业节奏推算，通芯智能首颗芯片量产时间可能在2028年前后。在AI芯片迭代周期以18到24个月计算的竞争环境中，通芯智能对标的是今天的英伟达产品，但真正量产时面对的将是下一代甚至下两代竞品。对一家选择全新架构路线的公司来说，这个时间差风险被进一步放大。
三个市场同时铺开，但“初步达成规模合作意向”离收入确认还很远
据36氪报道，通芯智能称已初步达成规模合作意向，但未披露具体客户名称、意向规模或可量化商业承诺；以下对三个市场逻辑的分析为编辑判断。通芯智能在商业化上规划了三条路径：第一，依托通研院体系及产业战略伙伴，在AGI通用智能体领域展开合作；第二，面向大模型智算集群和Token工厂，与整机厂商及地方智算中心合作，提供高性价比Token算力；第三，面向物理智能与具身机器人，提供端侧大算力推理芯片。
这三条路径对应的是三个完全不同的市场逻辑。AGI通用智能体领域目前仍处于早期研究阶段，通研院体系内的协同更多是技术验证性质，距离商业化采购还有相当距离。Token工厂和智算集群是当前推理算力需求最明确的市场，但这个市场已经被英伟达的CUDA生态和国产GPGPU厂商深度绑定，新架构芯片要进入整机厂商和地方智算中心的采购清单，需要完成从芯片到服务器、从驱动到推理框架的完整适配。端侧具身智能则是一个尚未爆发的市场，人形机器人厂商自身还在解决运动控制、任务规划和成本问题，对专用推理芯片的需求尚未形成稳定订单。通芯智能在这三个方向均未披露具体客户名称、订单规模或可验证的商业化指标。
松霖科技的投资提供了一个可观察的产业协同样本。韩宗谕称，本次投资是产业型战略布局，双方将依托松霖在医养、后勤以及家庭场景的全球化产业基础形成深度协同，加强具身智能底层算力能力；这是否意味着松霖会成为通芯端侧芯片的早期应用场景提供方，尚待双方披露具体合作安排。双方“共同推进芯片适配、产品验证与商业化落地”的表述，说明目前仍处于适配和验证阶段，而非已经形成采购关系。
投资方结构暗含两种逻辑：研究院背书与产业资本押注推理侧长期机会
通芯智能的投资方名单呈现出一种少见的组合。清华校友种子基金和北京通用人工智能研究院代表学术与早期孵化体系，松霖科技和平治信息是产业资本，暗物智能本身是AI公司，豫资涨泉则是财务投资人。这种结构在芯片创业公司中并不常见，尤其是北京通用人工智能研究院作为投资方出现，意味着通研院不仅是技术来源，也是资本层面的参与方。这种双重身份为通芯智能提供了技术路线上的背书，但也使外界需要更仔细地观察其技术路线独立性与资源获取能力之间的平衡。
刘啸东的投资逻辑集中在“训推分离之后推理侧算力的长期机会”，这与通芯智能的产品定位直接对应。水木校友基金管理合伙人王学辉的表述则更侧重团队与场景：“通芯一边是研究通用AI的科学家，一边是亲手把海光、龙芯芯片做出来量产的工程师，公司定位于专门给人形机器人、智能体用的国产新芯片，软硬一体，解决现有芯片搞不定现实世界物理智能的痛点。”普超资本创始合伙人李立伟和青创伯乐创始合伙人赖光宁的表态也分别强调了“差异化架构适配因果关系、多物理场计算需求”和“让智能算得更省”的逻辑。
需要指出的是，这些投资方表态均来自公司融资报道中的引用，属于投资方单方声明，不代表独立第三方对通芯智能技术路线或商业前景的验证。从资本结构看，本轮融资的种子轮与天使轮各自金额、投资方分配均未披露，数亿元总额也无法判断其中有多少来自产业资本、多少来自财务投资人。这种不透明在早期融资中并不罕见，但对于一家声称要重新定义AGI芯片架构的公司来说，资本结构的清晰度会影响外界对其独立性和资源获取能力的判断。
FPGA原型验证是第一个可证伪节点，但“对标B300”的验证路径仍不明确
通芯智能计划在12月初开展FPGA原型验证，这是公司成立以来第一个可被外部观察的技术节点。FPGA验证可以证明架构逻辑的正确性和部分性能指标，但距离真正的芯片性能还有很大距离。FPGA上的频率、功耗和面积数据，无法直接外推到ASIC流片后的表现，尤其是在混合存算一体这种对工艺和电路设计敏感度极高的技术路线上。
更关键的问题是，公司尚未披露对标英伟达Thor和B300的具体验证方法。端侧对标Thor系列，意味着需要在功耗约束下证明推理性能；云端对标B300系列，则需要在吞吐量和Token成本上拿出可比数据。这两个维度的验证需要完全不同的测试基准、软件栈和系统环境。王海洋在访谈中提到“届时将展示阶段性成果”，但未说明具体展示内容和衡量标准。
从已披露的信息看，通芯智能的技术路线包含多个尚未在大规模量产中得到验证的要素：混合存算一体架构、通用+专用计算架构、云边端统一架构，以及针对AGI算子的专用硬件加速器。每一项单独拿出来都是芯片设计中的高难度命题，叠加在一起意味着首颗芯片的工程风险显著高于常规的GPGPU改良路线。公司团队的流片经验可以降低部分执行风险，但无法消除架构创新本身的不确定性。
推理芯片的窗口期正在收窄，通芯智能需要证明的不只是架构正确
通芯智能进入市场的时间点，恰好处在AI芯片竞争逻辑切换的节点。王海洋的判断是，AGI芯片正处于类似2017年Transformer文章发表后、到ChatGPT爆发前的过渡阶段，芯片研发从立项到量产至少需要20个月，“现在来做恰逢其时”。这个类比隐含的假设是，AGI算法范式将在未来两年内趋于收敛，而通芯智能的芯片恰好能在那个时间点量产。
但这个假设面临双重不确定性。一方面，AGI算法本身尚未收敛，CUV架构能否成为主流认知架构，取决于通研院体系在学术和产业上的影响力能否持续扩大。如果未来两年内AGI算法路线出现分化，通芯智能围绕CUV架构设计的专用硬件加速器可能面临适配范围过窄的风险。另一方面，英伟达已经在推理优化上持续投入，TensorRT、专用推理卡和Grace-Hopper架构都在解决内存墙和推理成本问题。通芯智能声称要解决的结构性错配，竞品也在用自己的方式逼近。通芯智能尚未披露与Thor、B300在具体推理性能、Token成本、功耗或内存带宽上的可比数据，因此目前无法判断其架构路线相对竞品演进的实际优势边界。
通芯智能的差异化在于，它不试图在GPGPU的框架内做渐进优化，而是从认知架构出发重新定义计算单元。这种路线的潜在回报是，如果AGI确实需要与统计式大模型不同的计算范式，通芯智能可能占据先发位置。但潜在风险同样明确：如果AGI的硬件需求最终仍能被GPGPU的持续演进所覆盖，那么通芯智能的架构创新就失去了存在的前提。据36氪报道，公司后续还计划与北大、清华、中科院计算所、头部大模型和具身机器人公司共建联合实验室，围绕CUV认知架构、物理智能算子、AGI芯片软硬件协同开展联合攻关；该计划目前尚未见落地披露。其意义在于把学术生态和产业需求提前绑定到芯片定义阶段，但也意味着通芯智能的芯片能否被采用，很大程度上取决于这些联合实验室能否产出被产业界接受的算法和软件栈。
从资金用途看，数亿元融资仅用于流片前的核心架构设计及研发，说明通芯智能距离流片还有相当距离。芯片行业的资金消耗曲线决定了，这笔融资大概率不足以支撑到量产。编辑分析认为，若FPGA原型验证结果理想，公司后续可能需要启动新一轮融资以覆盖流片费用；若验证结果不理想，融资节奏和估值逻辑可能面临重估。上述为基于公开信息的推演，公司未披露相关计划。对于一家成立仅半年的公司来说，真正的考验不是融资能力，而是在接下来的12到18个月内，能否用可验证的技术数据证明CUV架构在硅上的可行性。
验证边界与可复核指标
本文中通芯智能的技术对标、性能定位、合作意向及商业化规划，来自36氪报道及其中的公司方表述或创始人介绍；其中技术架构描述为报道转述，尚无独立第三方验证。可复核的关键节点包括：12月初FPGA原型验证是否如期开展及展示的具体指标；首颗芯片是否进入流片及流片时间；云端与端侧两个场景是否分别给出可比的推理性能、功耗和Token成本数据；前述客户与订单指标是否转化为具名客户或可量化订单；联合实验室计划是否落地及参与机构是否确认。
RecodeX 极客视：通芯智能的融资故事之所以值得关注，不是因为它又一家芯片公司拿到了数亿元，而是它把“AGI需要新芯片”这个判断提前到了算法尚未收敛的阶段。朱松纯的CUV架构给了通芯智能一个理论支点，王海洋的龙芯与海光经历给了它一个工程支点，但这两个支点之间还隔着FPGA验证、流片、软件栈和客户导入四道关卡。推理时代的芯片竞争，最终比的不是谁更早宣布对标英伟达，而是谁能在20个月的时间窗口内，把架构判断变成一颗客户愿意为之切换生态的芯片。
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。