行云集成電路完成超4億元融資，重構算力成本曲線

來源：獵云網

國內全自研GPGPU創新企業「北京行云集成電路有限公司」（以下簡稱"行云"）宣布連續完成Pre-A及Pre-A+多輪融資，融資金額超4億元。本輪由五源資本、賽富投資基金、春華資本聯合領投，北京、江蘇等地方國資、佰維存儲、金沙江聯合帶動全球知名GPU企業創始人家辦、創維資本等產業資本跟投。云岫資本連續多輪服務并擔任下一輪獨家融資財務顧問。

行云成立于2024年，專注面向大模型推理的新一代GPGPU芯片。技術上打造超大顯存規格、極致CUDA兼容的全自研產品，公司目標直指AI大模型推理的普惠化。

創始人季宇博士，清華大學計算機系博士，"華為天才少年"計劃成員，曾在華為海思深度參與昇騰AI芯片的編譯器與架構研發。CTO余洪敏博士，中科院半導體所博士，曾深度參與包括兩款國產AI芯片在內的多款芯片的研發與量產，擁有十余款芯片成功流片經驗。一位是站在算法×編譯器交界處的架構師，一位是十余次走完"實驗室到量產"全流程的芯片老兵——這恰好對應了行云技術路線的兩個重點：架構判斷要不要賭錯、工程交付能不能扛住。

要理解行云芯片的邏輯，必須先承認一個正在被業內默認、但還未被公眾充分定價的事實：2026年的大模型，已經不再是"應用"，而是"生產資料"。

從Chatbot到Agent，從一次性問答到長鏈路、多輪自主執行的任務交付，模型正在變成知識工作的底層引擎。一旦角色從"產品"轉換為"生產資料"，關于"誰擁有它、誰定價它、誰被它替代"的討論就避無可避。而當這個問題向下追問到基礎設施層，三個結構性矛盾立刻浮現。

矛盾一：從玩具到工具的鴻溝，門檻是千億參數

Chatbot時代，7B、13B的小模型勉強夠用。但真正能被Agent場景委以重任的模型，幾乎全部集中在200B–700B的千億參數區間——只有這個量級，才能撐得住超長上下文、穩定的工具調用鏈和可接受的幻覺率。

用戶用錢投票已經把這一點說得很清楚：2026年初，Anthropic以行業最高的API定價把營收推到300億美元ARR，其中Claude Code單產品ARR即達25億美元。"最貴的模型反而最賺錢"，恰恰說明在"真正能干活"的場景里，模型質量是一道硬門檻，而這道門檻，今天的消費級硬件夠不著。

矛盾二：成本結構性失衡，大廠和用戶被同時擠壓

為了把千億模型留在云端，OpenAI、Anthropic、Google 等頭部廠商過去兩年的資本開支呈指數級增長——更大的集群、更貴的HBM、更密的液冷機房。這些成本最終必然向用戶端傳導：訂閱制的代價是限流、降智、高峰排隊，海外API計費的代價是Agent長鏈任務下指數級增長的Token賬單，月支出動輒數千美元。

這是一場不對稱的雙向擠壓：大廠在賭自己能撐到回本那一天，用戶在賭自己付得起下一張賬單。任何能在這局之外另開一條算力供給路徑的玩家，都會給目前的產業界帶來新的思考。

矛盾三：數據主權與崗位反噬的不對稱交換

云端API在數據流向上是單向透明的。用戶每一次與Agent的深度協作，都在把職業Know-how免費轉交給模型公司。海外大廠一邊組建"反蒸餾聯盟"嚴防所謂競爭對手，一邊肆無忌憚地從所有用戶身上蒸餾經驗。"個人經驗→模型能力→崗位替代"的閉環就此閉合。

對一名知識工作者來說，這已經不只是隱私問題，而是生存問題。只要推理還完全構筑于云端，數據和生產關系的主權就總有歸零的一天。

上述矛盾，過去并非沒人看到，但在稠密Transformer時代，"把千億模型搬回本地"在物理上就不成立——稠密模型每次前向都要全量激活，對帶寬的需求讓HBM成為不可繞開的剛需，消費級的LPDDR/DDR根本進不了場。

而MoE稀疏架構的普及，把這套法則改寫了。MoE用更大的總容量裝下更多"專家"，但每次推理只激活一小部分。結果是瓶頸從"極致帶寬"遷移到"超大容量"，單次激活的算力和帶寬需求驟降。帶寬需求第一次回落到LPDDR/DDR的"甜點區間"。再配合Attention的稀疏性和超長上下文的需求，算力，容量，顯存帶寬，互聯的關系在不斷發生改變。

換句話說，是算法演進給硬件留出了一個歷史性的窗口期。能不能踩準這個窗口，決定了一家芯片公司是順著潮水走還是逆著潮水走。

行云的技術路徑，可以拆成"介質替換"和"系統級工程"兩層。

介質層面，行云放棄成本高昂的HBM，轉而采用LPDDR乃至NAND（SSD顆粒）作為顯存介質，使顯存成本下降1到2個數量級。低成本介質單顆粒帶寬較低，行云用多顆粒、多通道并行架構把整體帶寬堆疊到TB級，匹配大模型推理的吞吐需求。

系統層面，公司通過Prefill / Decode分離（PD分離）、KV Cache稀疏化、分布式擴展、極致CUDA兼容等手段，在系統級構建軟硬件協同壁壘。CTO余洪敏強調，行云的設計優先級已經從"追求單芯片極致性能"轉向"從板級系統角度追求可擴展性與供應鏈穩定性"——通過分布式設計與成熟工藝、低成本存儲的組合，在系統層面實現成本最優與體驗一致。

物化到產品，就是行云即將推出的首款消費級桌面計算產品，CUDA極致兼容，面向消費級價位點設計。它不是一張被裁剪過的計算卡，而是從底層就為"在端側跑千億模型"重新設計的芯片，讓用戶可以在萬元價位高吞吐運行萬億級別參數的大模型。

行云援引一個產業類比：當19世紀的交通革命中鐵路剛出現的時候，英國產生了巨大的鐵路泡沫，認為所有的道路將通過鐵路流通，并最終留下了商業模型的崩潰出清。但最后并不是只靠貫穿大洲的鐵路干線完成所有的交通需求，更依賴于深入毛細血管的汽車與公路。今天的AI算力網絡也站在同樣的分岔口——是走向超算壟斷的"中心化鐵軌"，還是走向端側普惠的"分布式公路"？

行云給出的答案是后者。在公司的產品路線里，首顆芯片只是第一個錨點。當技術路徑進一步推向NAND介質，端側算力設備的價位有望下探到千元級，覆蓋主流千億乃至萬億參數模型，并在單用戶場景下反超云端體驗，最終讓AI算力設備的普及率接近今天的智能手機。

與此對應，季宇明確表示，公司今年的核心目標是完成芯片量產并盡快推向市場，以芯片產品作為商業化的主要抓手。OpenClaw 和Hermers這類Agent平臺的現象級傳播也已經印證了下游需求——市場對"消費級硬件承載高質量AI"的渴望，已經具備實際購買力。