文章核心观点 - XHEART新芯航途完成战略轮融资，成立两年多累计完成4轮近50亿元人民币融资，股东涵盖上汽、奇瑞、长鑫科技、雷诺、均胜等产业资本及多家一线投资机构和国资背景投资方 [2] - 公司专注于大模型计算芯片设计，以模型定义芯片，打造高性能、高能效计算架构，芯片已实现规模化量产并应用于智能汽车，正向机器人等领域拓展 [2][3] - 下一代X9芯片将支持端侧模型规模进一步扩大100倍 [1][3] 融资与股东结构 - 新芯航途日前完成战略轮融资，成立两年多时间里已完成4轮累计近50亿元人民币融资 [2] - 股东涵盖上汽、奇瑞、长鑫科技、中金雷诺、均胜等车企及产业战略投资方 [2] - 投资机构包括鼎晖投资、IDG资本、纪源资本、蔚来资本、顺为资本、蓝湖资本、凯辉基金、真格基金、愉悦资本、高成资本、辰韬资本、鼎珮集团、众为中国、水木校友基金、众擎资本、润璋创投等一线机构 [2] - 国资背景投资方包括国家人工智能产业投资基金、国开金融、苏州国投集团、苏创投、深创投、苏州高铁鑫诚资本、上海半导体产投等 [2] - 上汽自天使轮起已连续投资4轮，深度赋能智能驾驶技术加速落地 [4] - 奇瑞追加投资和雷诺入局，为公司提前锁定客户的同时孕育更大出海想象空间 [4] 产业资本战略协同 - 国产存储龙头长鑫科技罕见出手投资大模型芯片公司，一方面为自身提前布局端侧AI存力底座、卡位物理AI外溢市场，另一方面为公司解决内存涨价周期里的卡脖子难题、BOM波动与量产保供，未来有望比纯外采芯片公司多一层毛利护城河 [4] - 均胜电子已与新芯航途展开合作开发，据均胜电子2025年年报摘要，其基于新芯航途芯片平台开发高阶智能辅助驾驶域控制器，相关芯片已成功点亮并上车测试 [4] - 雷诺的全球视野与奇瑞的出海经验，有助于公司提前适应全球适配入口，加速海外从能流片到能上车的进程 [5] 技术路径与产品架构 - 智能驾驶行业正加速进入大模型驱动的新阶段，模型参数规模、计算复杂度和实时推理需求持续提升，但车端芯片需在有限成本、功耗和散热条件下实现稳定运行 [6] - 公司围绕大模型需求研发专用芯片，致力于提升模型实际运行效率，满足智能驾驶规模化应用的工程需求 [8] - X7芯片是一款Transformer原生的车规级大模型芯片，直接从底层架构为大模型算子定制，而非采用行业里更常见的将通用芯片改成车规级的路径 [8] - 产品并非一味堆砌更多TOPS，而是尽可能将每个TOPS用在刀刃上，从而在同等成本下实现10倍的参数效率 [8] - 公司CEO李宗霖曾担任联发科无线通信事业部总经理，主导开发Helio处理器系列和天玑芯片系列，后加入OPPO旗下芯片设计公司哲库担任COO [8] - 公司从第一性原理出发，不是在芯片上适配算法，而是从第一天起就让芯片为算法而生 [8] 量产交付与商业化进展 - 汽车芯片从产品研发到规模量产需跨越车规验证、功能安全、客户定点、整车适配及量产交付等多重门槛，技术门槛和商业化周期相当之高 [9] - X7车规级SoC仅耗时14个月完成流片、24小时成功点亮、3周装上测试车辆、6个月实现量产，创造行业领先的落地速度 [9] - X7与Momenta全栈自动驾驶方案以及基于QNX® SDP 8.0构建的QNX安全操作系统联合推出量产级自动驾驶平台，助力全球车企加速智能驾驶技术落地并满足全球功能安全标准要求 [9] - X7已搭载于上汽大众ID.ERA 9X、凯迪拉克、奇瑞等多款车型 [10] 投资人观点与物理AI平台协同 - 连续参与多轮融资的投资人指出，芯片需要长期投入、持续验证，公司团队在芯片研发、系统工程及产业化方面具备扎实积累，从研发到量产的持续进展进一步坚定了追加投资的信心 [12] - 投资人认为，随着人工智能融入更多智能终端，底层算力竞争不仅取决于计算性能，更取决于芯片能否兼顾能效、可靠性与规模化应用需求，公司在智能驾驶芯片领域积累的技术与产业化能力为未来拓展更广泛的物理AI应用奠定了基础 [12] - 公司与Momenta作为兄弟公司，协同将是双方未来携手加速走向物理AI平台的重要根基：Momenta世界模型的迭代需求将直接定义公司芯片的设计方向，公司芯片的算力突破也将支撑Momenta世界模型的规模扩张，形成芯片越用越好、模型越跑越强、数据越积越多、护城河越挖越深的正向飞轮 [12]

文章核心观点 - 大模型推理性能瓶颈随工作负载变化，Prefill阶段矩阵计算并行度高，低批量Decode场景下模型权重访问难以被大量Token摊销，存储带宽与数据搬运成本成为影响推理效率的重要因素，上下文增长还会带来KV Cache额外存储压力 [1] - 熵旋芯智选择从权重密集型计算入手，面向MoE专家网络等典型负载，通过MRAM存内计算优化权重存储与计算路径，为提升Decode效率提供新技术方案 [1] - 公司提出首代MRAM存内计算架构MITA，并将基于MRAM的处理单元命名为MPU，旨在让适合映射的权重驻留在片上MRAM阵列，由激活数据流入阵列完成矩阵运算，减少权重在每轮Decode中反复从外部存储进入计算路径的开销 [1] 技术路线与架构定位 - GPU依托HBM、片上缓存与计算单元组织数据流，凭借通用性和成熟生态支撑大规模推理，但当工作负载受带宽限制时，权重与KV Cache的读取可能成为进一步提升效率的约束 [3] - Groq LPU将存储重心移向片上SRAM，并通过编译调度组织计算与传输，展示了片上访问的效率，但需要在存储容量、芯片数量和互连开销之间取舍 [3] - MITA进一步把部分矩阵运算放进存储阵列，适配后的权重映射并驻留于MRAM，激活数据进入阵列参与计算，结果再交由后续单元处理 [3] - 已驻留权重在执行对应运算时无需反复经过外部存储到独立计算单元的路径，系统仍需缓存、读出、互连与控制电路，但权重密集型计算的数据流有了新组织方式，即让激活流向权重、让权重在存储原位参与计算 [5] 聚焦MoE专家层的异构协同 - MoE模型通过稀疏激活机制在控制单次推理计算量的同时扩展模型参数规模，主流Transformer-MoE架构中MoE层通常以“路由器+多个前馈专家”替代传统稠密前馈网络，每个专家本质上是独立的前馈网络，核心计算由多个线性投影构成 [7] - 推理时每个Token通常只激活少量专家，专家权重的存储与读取、动态调用分布以及跨设备调度效率都会直接影响系统实际推理性能 [7] - MITA聚焦MoE专家内部的权重密集型线性运算，利用MRAM存内计算技术在存储阵列内部完成适配的矩阵乘法，当专家权重常驻MRAM阵列时后续Token可直接复用已存储权重，减少重复的外部权重搬运，降低数据访问开销并提升专家计算执行效率 [7] - 容量边界明确：超大规模模型需要结合阵列容量、量化精度和专家分配进行部署，多颗芯片之间还需协调负载与通信，长上下文带来的KV Cache压力仍需由系统中的HBM、SRAM等存储层承接 [8] - MITA以专用FFN加速模块接入现有推理系统，重点承担MoE专家内部的线性投影计算，并结合配套数字处理单元完成必要的局部运算，与GPU协同执行注意力、路由及整体推理流程，通过优化专家映射、局部数据流和异构执行路径力求减少跨设备数据交换与同步开销 [8] - 架构整体收益不仅取决于单芯片的计算与存储效率，还受到芯片间、板卡间互联的带宽、延迟、数据交换频率及同步开销影响，逐Token生成阶段跨设备通信与同步延迟可能难以完全通过流水线掩盖，需要通过合理的专家部署、数据流组织和计算通信协同降低异构执行过程中的额外系统开销 [8][9] 商业目标与成本核算 - 熵旋芯智以单位Token推理成本降低90%作为长期技术与商业目标，与传统GPU推理系统相比，MITA不仅希望通过权重原位计算降低存储访问与数据搬运开销，还将通过片上高密度权重部署、专家计算加速及异构协同优化探索进一步降低整机部署与运行成本的可能性 [11] - 该目标实现需要在相同模型、推理精度、并发规模、上下文长度及服务质量约束下，综合衡量芯片面积与制造成本、硬件投入、整机功耗、GPU与F卡之间的通信、多芯片及多板卡互联、系统调度效率和有效吞吐能力，最终价值以端到端推理性能及总体拥有成本（TCO）为依据，通过真实客户负载持续验证 [11] 器件与软件工程能力 - MRAM存内计算竞争最终要落到容量、精度、能效与软件适配的共同优化 [13] - 权重驻留能力方面，MRAM的非易失性使权重在断电后仍可保留，无需依靠持续供电维持存储状态，其密度潜力也为扩大片上权重容量提供空间，具体收益仍取决于工艺、阵列结构与外围电路配置 [13] - 计算精度方面，MITA利用磁性隧道结的阻态差异调制读出电流，通过阵列内电流聚合完成相应运算，器件一致性、读出裕量、多比特编码与校准机制需要共同保障模型精度并控制外围电路开销 [13] - 软件协同方面，哪些算子进入阵列、权重如何映射、多芯片如何分担专家都需要编译器、仿真器与运行时配合，公司正围绕“模型—编译—映射—仿真—执行—优化”构建工具链，让硬件设计与真实负载相互反馈 [13] 制造基础与产业进展 - 全球领先晶圆代工厂正加速推进MRAM向先进制程演进并已取得实质性产业化进展 [13] - 三星电子已实现28nm FD-SOI eMRAM量产，14nm eMRAM完成工艺开发并推进产业化；2026年其8nm eMRAM实现满足量产良率要求的硅片验证并已获得客户导入 [13][14] - 三星在2026年VLSI国际学术会议上公布5nm eMRAM的实测研究成果，验证了其在先进逻辑节点集成及车规级可靠性方面的技术可行性 [14] - 台积电方面，22nm和16nm eMRAM均已通过AEC-Q100车规认证并实现量产，12nm及5nm eMRAM也在持续研发 [14] - 上述进展表明MRAM技术已从成熟节点的商业化应用发展到先进节点的客户芯片导入与更先进制程的实测验证阶段，正在形成支撑下一代存内计算芯片发展的先进制造工艺基础 [14] 产品规划与验证路径 - 熵旋芯智团队具有中科院半导体所技术背景，正将MRAM器件研究延伸至芯片架构与推理软件 [16] - 按照公司规划，后续将推进2027年MPW验证及客户送样，并以2028年量产为目标 [16] - 从架构发布到产品交付，MITA接下来需要回答在客户实际运行的模型中多少权重能够驻留、多少搬运能够减少、最终能够降低多少单位Token成本 [16] - 当AI推理开始逐个Token核算投入，减少权重搬运就成为重算成本账本的一条路径，公司要做的就是把这条路径变成可验证、可部署的产品 [16]