文章核心观点 - 人工智能芯片公司凌川科技完成10亿元B轮融资，资金主要用于下一代芯片研发与量产及全球市场拓展 [1] - 行业判断：2027年起产业将进入新一轮牧本浪潮周期，面向AIGV等垂直赛道的专用算力器件将迎来最大创新机遇与增长空间 [2] - 传统通用GPU在视频处理任务上存在明显效率瓶颈，导致Token和运营成本居高不下，国产专用芯片需求愈发迫切 [2][3][4] - 凌川科技以延迟确定性计算架构切入，深度融入RISC-V开源生态，推出DiPU架构，走专用算力+开源架构+场景深度优化的技术路线 [5][7] - 公司现有SL200芯片已实现大规模落地，SL200已销售近十万颗，覆盖快手99.7%的直播转码业务 [8] 融资与投资方 - 本轮融资由亦庄国投屹唐盛和基金、启明创投、朝晖资本联合领投 [1] - 参与投资机构包括国泰海通开元、华控投资、国寿长三角科创基金、北工投资、建信（北京）投资、沛坤资本、香港科技园创投基金、鼎晖百孚、金舵投资、厦门恒兴、铭时资本 [1] - 产业投资方石溪资本、龙芯创投、安徽文旅投参与投资 [1] - 老股东顺禧基金、水木投资集团、九智资本持续追加 [1] - 亦庄国投看重公司稀缺的规模化落地能力与自主架构创新，以及项目落地经开区对完善智能算力产业链的强牵引作用 [9] - 启明创投认为公司以延迟确定性架构切入、深度融入RISC-V生态，用专用芯片解决通用GPU在多模态大模型场景中效率不高、成本高企的痛点 [9] - 石溪资本认为视频生成已升级为云端算力增长最快的核心负载，通用算力的能效边界已逐渐跟不上视频大模型的需求爆发 [10] - 顺禧基金认为公司是国内多模态大模型推理专用芯片领军企业，有望大大降低芯片单位推理成本，同时与快手、可灵等在商业侧深度绑定 [10] 公司背景与团队 - 凌川科技由北京市人工智能基金与快手集团共同发起设立，前身为快手集团异构计算与芯片事业部，专注于智能视频与生成式视频等多模态大模型的底层算力 [1] - 公司于2024年3月正式拆分独立运营 [1] - 创始人、董事长兼CEO刘凌志为上海交通大学博士、华盛顿大学博士后，曾任快手集团副总裁及华为、英特尔等核心技术管理岗，2018年起从零到一搭建快手异构计算和芯片团队 [1] - 核心团队源自快手、华为、阿里、百度、英伟达、AMD、英特尔、Arm等国内外企业，平均拥有15年以上芯片设计、软件算法及基础设施经验，主导过10余款AI和视频芯片流片与量产 [8] - 团队拥有多名入选国家级高层次人才计划和北京市、上海市、湖北省等省部级人才计划的专家 [8] 行业趋势与市场判断 - 自2017年《Attention Is All You Need》发表、NVIDIA推出首款集成Tensor Core的Volta V100以来，以通用GPU为代表的AI算力芯片经历了黄金十年 [2] - 短视频是中国在全球范围内具有明显领先优势的垂直赛道，涌现了快手、字节跳动、小红书等大型商业应用，可灵、Seedance等国际领先的大模型持续迭代 [2] - 随着短剧、互动视频、AI广告等应用爆发，视频数据的处理和传输需求急剧增长，对底层算力的效率、功耗和成本提出更高要求 [2] - AIGV被视为下一代智能算力的重要应用场景，产业正从生成像素迈向模拟物理的世界模型驱动阶段，有效算力需求相比传统文本模型呈指数级增长 [2] - 刘凌志判断当前AIGV赛道是数百亿级赛道，未来三到五年将爆发至数千亿级，并可能突破万亿元 [2] - 国内视频生成大模型快速演进，算力消耗进一步放大，国产专用芯片需求愈发迫切，这对我国继续在短视频领域保持国际领先尤为重要 [3] - 半导体产业演进存在牧本浪潮规律，通用化与专用化大致以十年为周期交替主导，过去十年是通用芯片周期，当通用算力效率遇到瓶颈，产业会转向专用路线追求极致能效 [14] - 大模型进入落地期后，场景是驱动算力革新的第一动力，通过对视频推理关键算子与访存机制的深度定制，专用芯片能带来数量级的效能提升并大幅优化TCO [14][15] 技术架构与产品 - 凌川科技将技术重心放在延迟确定性计算架构上，深度融入RISC-V开源生态，推出创新性延迟确定性DiPU架构 [5] - DiPU架构采用数据流驱动与空间计算架构，通过编译器完全控制存储与调度，解决多模态大模型以及生成式视频对于高显存与带宽的依赖，实现延迟、时序与带宽三重确定性 [5] - 公司首创3D近存架构采用多芯片模组（MCM）设计，通过混合键合及先进封装技术，实现不同功能和制程芯片的异构集成 [5] - 采用全国产3D堆叠技术的芯片于4月完成流片，并于近日回片，预计将于明年规模出货，专攻AI视频生产环节，目标是大幅降低视频生成成本、缩短生成时间，与SL系列共同覆盖视频生产、推荐、审核、分发的全链路 [6] - 公司为3D近存拓扑设计NUMA Fast Load机制，Memory Slice形成分层NUMA域，计算核心直连访存，编译器将大模型权重与激活值切片预排布，本地访问时延低于2ns [6] - 该理念对标Hot Chips上披露的OpenAI Jalapeño（业界首颗原生支持NUMA HBM4的推理ASIC），DiPU架构在3D集成下进一步深化为兼具极致带宽与可控功耗的发射台式预取机制 [6] - 软件层围绕DiPU架构自研统一计算平台LUCAS，通过从应用适配层到硬件执行层的四层软件架构，适应不同应用，同时支持主流开源生态、图/Eager模式、TILE-BASED编程以及CLUSTER AFFINE [7] - 软件栈基于Python DSL（如Triton/TileLang+MLIR）自动生成算子，无需客户自建生态，同时开放底层Intrinsic接口供性能关键代码做极致优化，并提供CUDA兼容层为拥有大量存量CUDA代码且不愿重构的客户深度优化 [7] - LUCAS平台已完成对Qwen、通义万相、Hunyuan Video、MiniMax等主流开源及视频生成模型的适配优化 [8] - 基于芯片+软件栈的全栈能力，公司推出AIGV平台Nebula，以自研芯片为底座，打通推理、模型服务到行业应用，覆盖文生/图生视频全链路，软硬协同、多模型纳管，面向内容制作与文旅落地 [8] 商业化落地 - SL200芯片已销售近十万颗，部署至快手、阿里云、百度云、B站等互联网公司，覆盖快手99.7%的直播转码业务 [8] - 2026年SL200还通过与电信等合作伙伴实现产品落地，共同服务数据中心、智慧安防、文娱交通等场景，在节省客户存储空间的同时保证画质清晰，相关技术指标测试均已过关 [8] 行业应用场景与商业化判断 - 以AI漫剧、AI短剧、AI互动视频、AI广告等为代表的垂直内容形态，是目前已得到明确验证、形成稳定付费闭环的场景，流量变现链路清晰，内容生成流中AI渗透率随成本下降而指数级增长 [13] - 当服务规模推向亿级用户时，继续采用动辄数万美元的通用GPU承载即时推理在商业上存在结构性失衡，GPU并不能在大模型推理端发挥极致效用，导致部分算力空转问题 [13] - 对于利润极度敏感的下游内容商而言，推理算力成本直接决定项目生死 [13] - 首帧时延与端到端生成效率是影响用户体验和付费意愿的关键因素，大模型推理端对下一代芯片及算力集群的要求集中在极致的每单位TCO成本以及能够支撑即时互动的低时延吞吐 [13] - OpenAI在Sora上的战略调整验证了不计成本的堆砌通用算力模式在商业上不可持续，视频生成核心痛点是推理算力成本过高，单位产出ROI难以转正，本质是沉重的TCO压力反噬商业扩张 [11] - 大模型正走向应用深水区，厂商必须不计一切代价降低全周期TCO，模型是产业链赋能工具，必须落在具体商业场景中产生正向现金流 [12] - 凌川科技坚定聚焦工程化兑现以及商业化降本，不单纯追求技术以及指标上的领先，而是强调真正落地能力，攻克推理端成本的产业瓶颈 [12]