5个月融了快20亿，这家做稀疏计算的芯片公司凭什么

墨芯人工智能在5个月内完成了两轮融资，每轮接近10亿元，累计近20亿元。投资方包括仁爱资本、海棠基金、东恒石油等产业方，以及比丘资本、派拉资本、中财资本等国资与财务投资机构。这笔钱将投向稀疏专用推理芯片的全栈升级、下一代芯片预研和国内首个稀疏计算产学研联盟建设。

资本在这个时间点加注的原因并不神秘——过去一年多，大模型真正走进了生产环境，推理调用量一路上涨，Token消耗早已不是项目制费用，而是每个月固定支出的“算力账单”。客户最关心的诉求只有三点：压低综合推理成本、算力供给要有弹性、控制适配成本。墨芯用5个月完成两轮近20亿元融资，说明市场正在为能解决这些问题的方案买单。

跳过大参数省出的算力账

大模型动辄数百亿甚至上千亿参数，但每次推理过程中被真正激活、参与计算的往往只是一小部分。传统芯片对此不作区分，即业内所称的“稠密计算”——不管参数量多大，全部算一遍。稀疏计算的反向思路更朴素：跳过未激活的部分，只计算真正起作用的内容。同样的推理任务，计算量减少，成本和电费自然跟着下降。

这个概念并不新鲜，但在实际工程落地层面一直是个硬骨头。墨芯的S30、S40计算卡曾在MLPerf Inference基准测试中连续三届拿下第一，这是其工程能力获得公开测试背书的核心依据。但竞赛成绩不等于真实业务效果，关键看客户账本上的数字。

来自北京大学上海临港国际科技创新中心的实测提供了一个可量化的样本：面向时空AI与时空大数据领域，墨芯在其稀疏算力卡上适配两款国际主流遥感影像分析基础模型后，几乎不损失业务精度、无需下游重新训练的情况下，模型推理吞吐最高提升至2．88倍、模型压缩最高达7．64倍。这意味着原本需要大规模算力集群才能完成的遥感解译工作，可以用更少的硬件资源处理，从而摊薄单位任务的算力消耗和处理时间。

另一个值得关注的案例是上海国资平台打造的国内首个海上算力Token工厂。该项目利用海上风电的绿电和海水冷却压低PUE与电费，但如果用通用GPU来做推理，节省下来的绿电成本可能被高昂的推理费用吃掉。墨芯的思路是从芯片侧直接降低单Token推理成本，再配合混合异构模式，让“绿电降本”与“架构降本”形成叠加效应。这个方案的商业潜力取决于两个变量：海上算力项目的规模化复制进度，以及稀疏卡在极端环境下长期运行的稳定性表现。

运营商把稀疏算力纳入服务体系意味着什么

墨芯目前已在西北、西南、华东、华北四大片区部署了千卡集群，并与头部电信运营商建立了合作，将稀疏计算推理方案纳入了对方的算力服务体系。这组信息释放的信号很明确：从技术验证进入了规模化交付阶段。

电信运营商是国内最大的算力基础设施采购方之一，其算力服务体系的选型决策直接影响整个产业链的技术路线走向。一旦某家公司的方案通过运营商内部审核并正式纳入服务目录，意味着这套方案不仅要性能达标，还要满足可用性、运维复杂度、售后支持等一系列非技术指标。千卡规模的部署本身就是一个工程能力的试金石——小规模单机运行和大规模集群协同完全是两种难度的问题。

不过需要提醒的是，芯东西报道中并未披露具体的运营商名称、采购合同金额和实际交付时间线。这些细节决定了稀疏计算商业化推进的真实节奏。对于关注硬科技赛道的读者来说，运营商后续的公开招标信息和采购规模将是判断该赛道热度是否持续的关键观测窗口。

真正的护城河是软件栈和生态

在芯片行业，产品性能容易被追赶，软件工具和生态才是更难跨越的壁垒。墨芯在这条路上正在下三盘棋。

第一盘是产品迭代。新一代板卡SP200计划在今年年底前问世，此前在客户使用中暴露的真实痛点已被带入下一代架构设计。第二代产品的关键在于能否把实验室层面的优势转化为量产层面的可靠性和成本控制力。同时，升级版软件栈SECA将从算子库、编译到软硬协同全面围绕稀疏架构重新设计，配套的MaaS平台与模型框架适配管理工具也将陆续推出。

第二盘是生态兼容。客户现有的评测脚本和调度系统大多围绕稠密计算架构搭建，更换芯片需要做回归测试、涉及工程改造和业务灰度，带来额外的时间与资金投入。这是替换任何新芯片时面临的迁移成本难题。墨芯的做法是提供异构适配工具链，推动稀疏卡与客户已有稠密卡协同工作，降低系统迁移和重复建设的成本。这种方式对存量芯片较多的客户尤其有吸引力，但也意味着墨芯需要在软件兼容性上下更大的功夫。

第三盘是产学研联盟。今年8月，墨芯联合复旦大学、清华大学、西安交通大学、南开大学、上海交通大学等高校发起成立国内首个稀疏计算产学研联盟。计算机学院聚焦“算法加硬件架构”结合方向，数学学院研究矩阵乘算法效率与稀疏参数规律定位，软件学科攻关稀疏工具链、编译器和高性能算子开发。人才缺口是这一轮联盟成立的直接动因——既懂算法又熟悉芯片架构的复合型人才稀缺，且培养周期通常需要3到5年。

这三件事共同指向一个结论：稀疏计算产业目前面临的短板集中在评测标准缺失、工具链不完善和复合型人才不足三个方面。这些基础要素虽然声量低、关注度不高，却是规模化落地的前提条件。

接下来关注五个指标

稀疏计算能否从实验室跑通走向大规模商用，有几个可追踪的观察点：

一是SP200板卡的量产交付时间和良率数据。实验室流片和批量出货之间隔着供应链和品控两道关卡。

二是运营商采购规模和招标细节。目前仅知“四大片区千卡集群”，但具体订单金额和覆盖范围将决定商业化进程的速度。

三是稀疏算力验收标准是否如期发布。现有算力交付标准主要围绕稠密计算制定，无法准确衡量稀疏计算的实际能力。谁先发布标准，谁就掌握了行业话语权。

四是SECA软件栈对主流深度学习框架的兼容程度。如果客户迁移成本过高，再强的硬件也会被挡在门外。

五是资金消耗速度。两轮累计近20亿元的融资在当前硬科技赛道并不算充裕，后续能否维持独立融资节奏或启动IPO，将直接关系这家公司的生存空间。