稀疏计算成推理新战场：墨芯五个月两轮近10亿融资，专用芯片路线能否跑通？

当大模型参数规模从千亿迈向万亿，一个反直觉的事实正在浮现：模型并非每次推理都需要激活全部参数。以 DeepSeek 系列模型为代表的条件计算架构，让「用更少的计算承载更多智能」从理念走向工程现实。而在这场效率革命中，一家专注稀疏计算的国产芯片公司——墨芯人工智能，正试图用专用架构回答一个行业级命题。

一、融资节奏背后的产业信号

近 10 亿元人民币的 C+ 轮融资，距离墨芯上一轮同等量级融资仅隔五个月。短时间内连续完成两轮大额融资，在半导体投资趋于谨慎的当下并不常见。资本市场的判断逻辑并不复杂：推理算力需求正在集中释放，而稀疏专用芯片恰好卡在了这个窗口上。

从行业背景看，混合专家（MoE）架构的加速普及是关键推手。MoE 让模型推理呈现明显的条件计算特征——总参数规模可以很大，但每个词元实际激活的参数只占极小比例。这意味着，模型层面的计算节省是客观存在的，问题在于硬件能否把这种节省转化为真实的效率提升。

通用 GPU 需要兼顾训练、推理、科学计算等多类负载，很难针对特定稀疏模式做算法与硬件的深度协同。而面向稀疏推理的专用芯片，则可以通过算法、编译器与硬件的协同设计，压缩无效计算和数据搬运开销。这一架构差异的价值，正在被产业界重新评估。

二、双稀疏算法与全栈工程能力

墨芯的技术路线可以概括为「算法-软件-硬件」协同设计。自 2018 年成立起，团队就锁定稀疏计算方向，提出权重稀疏化与激活稀疏化结合的双稀疏算法，并以此为基础构建芯片架构。

这条路线对工程能力的要求极高——需要贯通算法研究、编译器、芯片架构与软件工具链的全栈能力。墨芯创始团队来自卡内基梅隆大学及英特尔、高通、Marvell 等半导体公司，兼具算法与芯片工程背景，累计参与过数十款产品、超 50 亿颗芯片的量产。

技术成效在国际基准测试中有所体现。在 MLPerf Inference 测试中，墨芯 S30 计算卡在所参与的部分类别中连续三届夺冠，计算机视觉与自然语言处理任务的能效比、单位算力推理吞吐量保持领先。这至少说明，专用稀疏推理方案在真实数据中心负载下具备工程可行性。

三、从可用到好用：落地场景与生态布局

规模化部署是检验芯片路线的试金石。墨芯基于自研芯片构建的推理集群已在西北、西南、华东、华北四大片区铺开，2026 年第三季度营收实现数倍增长。几个落地案例值得关注：

海上算力 Token 工厂。 墨芯参与了上海国资平台打造的国内首个海上算力 Token 工厂项目。该项目利用海上风电绿电与海水冷却降低 PUE 和电费，但通用 GPU 的推理成本可能抵消绿电红利。墨芯以稀疏架构结合混合异构模式，从芯片侧压低单 Token 推理成本，让「绿电降本」与「架构降本」叠加。

时空 AI 与遥感解译。 墨芯与北京大学上海临港国际科技创新中心地球与空间技术研究院合作，将两款国际主流遥感影像智能分析模型适配到自研算力卡上。实测结果显示，在几乎不损失业务精度、无需下游任务重新训练的条件下，推理吞吐最高提升 2.88 倍，模型压缩最高达 7.64 倍。这为稀疏算力承接地理空间基础模型推理提供了工程验证。

产品迭代方面，新一代板卡 SP200 计划于年底前问世；软件栈 SECA（Sparse-native Efficient Computing Architecture）升级版即将发布，重点强化大模型推理部署与集群运维支持，降低模型迁移门槛。生态层面，墨芯今年 8 月发起成立「稀疏计算产学研联盟」，试图将自身技术积累沉淀为行业协同创新的基础。

四、国内视角：稀疏计算赛道的群体突围

值得注意的是，稀疏计算并非墨芯一家的独舞。放眼国内 AI 芯片格局，多条技术路线正在并行推进：寒武纪在思元系列上持续优化稀疏加速能力；华为昇腾通过达芬奇架构与 CANN 软件栈支持稀疏算子；壁仞、燧原等厂商也在推理场景中强化对 MoE 类负载的适配。与此同时，DeepSeek 等模型厂商在架构层面主动拥抱稀疏化，客观上为专用芯片创造了需求土壤。

与大模型厂商的协同也在加深。文心一言、通义千问、DeepSeek、豆包、Kimi、智谱 GLM 等国内主流模型，普遍在 MoE 或稀疏激活方向上探索，这为稀疏推理芯片提供了本土化的负载来源。相比海外以通用 GPU 为主的推理栈，国内厂商在「模型-芯片」协同设计上反而具备更灵活的试错空间。当然，软件生态的成熟度仍是国产专用芯片需要长期补课的一环。

五、效率命题下的差异化路径

大模型竞争的重心，正在从「算得更多」转向「算得更聪明」。当模型规模扩张日益受制于算力成本与能耗，行业的核心问题变成：如何以更少的计算承载更多的智能。稀疏计算是对这一问题的直接回答之一，而墨芯的价值在于，为中国 AI 芯片参与下一阶段竞争提供了一条差异化的技术路径。这条路径能否从单点突破走向生态繁荣，取决于软件栈成熟度、集群运维能力与更多真实负载的检验。

常见问题

墨芯的稀疏计算技术路线与通用 GPU 有何区别？

通用 GPU 需兼顾训练、推理、科学计算等多类负载，难以针对特定稀疏模式深度优化；墨芯的专用稀疏推理芯片通过算法、编译器与硬件协同设计，减少无效计算和数据搬运，在稀疏负载下能效比更高。

墨芯近期的融资情况如何？

墨芯人工智能完成近 10 亿元人民币 C+ 轮融资，距离上一轮同等量级融资仅过去五个月，反映资本市场对其稀疏推理芯片技术壁垒与商业化进展的认可。

稀疏计算为什么在大模型时代变得重要？

MoE 架构让模型推理呈现条件计算特征，每个词元仅激活少量参数，模型层面的计算节省需要硬件配合才能转化为实际效率提升，稀疏计算因此从辅助优化手段走向算力设计的重要位置。

墨芯的产品在哪些场景已有落地？

已落地场景包括海上算力 Token 工厂项目、时空 AI 与遥感影像智能分析等，其推理集群在西北、西南、华东、华北四大片区铺开，2026 年第三季度营收实现数倍增长。

国产稀疏计算芯片面临哪些挑战？

主要挑战在于软件生态成熟度、集群运维能力以及更多真实负载的验证；相比通用 GPU 的成熟生态，专用芯片需要持续补课软件工具链与开发者社区建设。

关于 Bingdada

Bingdada 是一个专注 SEO、GEO（生成式引擎优化）与 AEO（答案引擎优化）的内容平台，由资深内容编辑、SEO 技术工程师与 AI 研究专家组成的团队持续运营。我们追踪搜索引擎与生成式 AI 的最新动态，为读者提供准确、实用、可落地的方法论与行业洞察。

编辑团队：内容策划 · 技术编辑 · AI 研究组
网站：bingdada.com

© 2026 Bingdada. 保留所有权利。