d-Matrix：用数字存内计算突破 AI 推理“内存墙”的芯片公司
d-Matrix 是一家专注于 生成式 AI 推理芯片、数字存内计算、Chiplet、高速互联和机架级 AI 基础设施 的美国半导体公司。
如果 Nvidia 的核心路线可以概括为：GPU + HBM + CUDA
那么 d-Matrix 选择的是一条非常不同的路线：Digital In-Memory Compute，数字存内计算。简称：DIMC。
它希望解决现代大型语言模型越来越严重的一个问题：计算核心已经很快，但数据移动速度跟不上。
尤其在大模型推理的 Decode 阶段，AI 芯片经常需要不断从显存中读取模型权重和 KV Cache。
大量计算单元实际上并不是在计算，而是在：等待数据。
d-Matrix 因此把部分计算能力直接放到高速存储结构旁边，通过大规模 SRAM、数字存内计算、Chiplet 和高速互联，尽量缩短 Memory → Compute 之间的距离。
截至 2026 年，公司最重要的产品已经形成：
JetStream 网络加速器
Aviator 软件平台
以及：
SquadRack 机架级 AI 推理系统。
2026 年 6 月，Corsair 已经正式进入全面量产，并开始向 Hyperscaler、Neocloud 和 Frontier AI Lab 等优先客户批量交付。
d-Matrix 成立于 2019 年
d-Matrix 成立于：2019 年。
总部位于：美国加州 Santa Clara。
公司目前还在：加拿大 Toronto、澳大利亚 Sydney、印度 Bangalore 以及 塞尔维亚 Belgrade 设有团队或办公室。
截至 2025 年底，公司员工规模已经超过 250 人。
d-Matrix 与很多 2022 年以后突然出现的“生成式 AI 芯片公司”不同。它成立的时候 ChatGPT 还不存在。大语言模型还没有成为全球科技产业最热门的方向。
但是公司创始团队当时已经判断：AI 真正长期烧钱的部分，很可能不是 Training，而是 Inference。
也就是说 训练模型可能只发生有限次数，但模型上线以后可能每天被调用 几百万、几亿 , 甚至 几十亿次。
如果未来 AI 无处不在，那么真正巨大的长期计算账单，很可能来自 推理。这成为 d-Matrix 从成立开始最重要的战略判断。
两位创始人都来自高速数据中心芯片行业
d-Matrix 的两位联合创始人是：Sid Sheth 和 Sudeep Bhoja。
Sid Sheth 目前担任 Founder & CEO。
Sudeep Bhoja 担任 Founder & CTO。
两人在创办 d-Matrix 以前，都曾在 Inphi 工作。Inphi 是一家专门开发高速数据中心互联芯片的半导体公司，后来被 Marvell 收购。
更早以前，两人也拥有 Broadcom 等半导体企业的经验。这段背景对于理解 d-Matrix 非常重要。
因为大型 AI 系统最终不只是 一颗芯片做多少次乘法。还需要解决 内存、芯片互联、服务器互联、网络 以及 数据中心扩展。
而 d-Matrix 两位创始人本身就长期从事 Data Center Interconnect。
这也解释了为什么公司后来很快从 一颗 DIMC 芯片 扩展到 Chiplet + Networking + Rack。
d-Matrix 最初其实试过模拟存内计算
d-Matrix 早期并不是一开始就确定使用今天的数字 DIMC。
Sid Sheth 曾回顾，公司最初研究过 Analog In-Memory Compute。也就是 模拟存内计算。
这种方法可以直接利用存储阵列内部的电流、电荷等模拟特性完成矩阵运算。理论上能效非常高。
但是模拟计算存在 精度、噪声、ADC、工艺变化，以及 软件控制复杂度 等问题。
d-Matrix 最终认为 对于真正的数据中心商业产品来说，模拟方案工程复杂度太高。
于是公司转向 Digital In-Memory Compute。这成为 d-Matrix 与很多其他存内计算创业公司的最大区别之一。
什么是 Digital In-Memory Compute？
传统计算机的基本结构可以简单理解成 Memory 和 Compute 是分开的。数据存放在 DRAM 或 HBM 中。
计算单元需要数据的时候 首先把数据读取出来，经过总线，进入计算单元，完成运算以后，结果再写回内存。这个过程已经持续几十年。
问题是：现代 AI Processor 的乘法器发展速度太快。
一颗芯片可能拥有 数万甚至更多计算单元。但是 Memory Bandwidth 并没有以同样速度增长。
结果就是 计算单元越来越快，却越来越容易 饿死。也就是 没有数据可以算。
这就是所谓：Memory Wall，内存墙。
d-Matrix 的思路：把计算放进存储附近
Digital In-Memory Compute 的核心思想，是把 矩阵乘法相关计算 与 高速数字存储阵列 紧密结合。
这样数据不必每次都跨越很长距离：DRAM → Bus → Compute Core。
很多计算可以直接在 Memory Array 附近 完成。
从芯片架构角度来看，这相当于减少了 Data Movement。
而现代 AI 芯片非常重要的一个规律就是：搬运数据往往比做一次乘法更加耗电。
因此减少数据移动，不仅可以提高性能，还可能明显降低功耗。这就是 d-Matrix DIMC 架构最核心的逻辑。
Nighthawk：第一代 DIMC 技术验证
2022 年，d-Matrix 正式公开：Nighthawk。Nighthawk 是公司的早期数字存内计算 Chiplet。
它最重要的目的并不是 马上取代 Nvidia GPU。而是证明：Digital In-Memory Compute 可以真正做成 Silicon。
当时公司完成 4400 万美元融资，并公开 Nighthawk DIMC Chiplet。
投资者包括：Playground Global、M12，也就是 Microsoft Venture Fund、SK Hynix、Nautilus Venture Partners、Marvell Technology 等。
这也让 d-Matrix 从早期技术创业公司逐渐进入 AI 半导体行业视野。
Jayhawk：开始进入 Chiplet 时代
Nighthawk 以后，d-Matrix 在 2023 年推出：Jayhawk。
Jayhawk 最大变化之一，是加入：Chiplet Die-to-Die Interconnect。
d-Matrix 使用开放的：Bunch of Wires，BoW，标准连接 Chiplet。
Jayhawk 使用 TSMC 6nm 制造。
公司公布的 Die-to-Die 连接能力达到：16Gbps / wire。 能源效率低于 0.5pJ/bit。这代表 d-Matrix 已经意识到 单颗芯片不可能无限扩大。未来 AI Processor 很可能需要使用 Chiplet。
为什么 d-Matrix 很早就选择 Chiplet？
如果把所有功能全部放在一颗 Monolithic Die 里面，会产生几个问题。
首先是：芯片面积越来越大。面积越大 ，晶圆良率越低。
其次： 先进工艺芯片制造成本极高。
第三 ：不同功能并不一定全部需要最先进制程。
Chiplet 因此开始成为：AMD、Intel、Nvidia，以及越来越多 AI 芯片企业的重要方向。
d-Matrix 的思路是 把 DIMC Compute + Memory 做成可扩展 Chiplet。
然后使用高速 Die-to-Die Interface，把多个 Chiplet 像 Lego 一样组合起来。
Jayhawk II：为生成式 AI 重新优化
2023 年 ChatGPT 爆发。
d-Matrix 很快发布：Jayhawk II。
这一代 DIMC Engine 已经明确针对：Large Language Model 以及 Generative AI Inference。
Jayhawk II 同样使用 6nm 工艺。
公司当时表示，其 DIMC Engine 可以实现 约 30 到 150 TOPS/W 的计算效率范围，并支持 Floating Point、Block Floating Point、Compression 以及 Sparsity。
更加重要的是：Jayhawk II 不再只是技术验证芯片。它开始直接为后来 Corsair 商业产品铺路。
2023 年融资 1.1 亿美元
2023 年 9 月：d-Matrix 完成 1.1 亿美元 Series B。这一轮由 Temasek 领投。
融资的重要目标就是：把前面的 Nighthawk、Jayhawk I、Jayhawk II 技术真正转化成 Corsair 商业 AI 加速器。
这也是 d-Matrix 从“Chiplet 技术公司”进入“AI 产品公司”的关键阶段。
Corsair：d-Matrix 当前真正的核心产品
2024 年 d-Matrix 正式公开：Corsair。Corsair 是目前 d-Matrix 整个业务最核心的 AI 推理平台。
它把公司多年来开发的 DIMC，Chiplet，Die-to-Die Interconnect，Block Floating Point 以及 Aviator Software 整合到同一个商业产品中。
Corsair 采用 标准 PCIe Gen5 全高全长加速卡 形式。这意味着数据中心可以像安装 GPU 一样， 直接把 Corsair 安装进普通服务器。
一张 Corsair 卡里面实际上有 8 个 Chiplet
Corsair 的内部结构很有意思。
一张卡拥有 两个 Package。
每个 Package 包含 4 个 DIMC Chiplet。
所以整张 Corsair Card 一共有 8 个 Chiplet。
这些 Chiplet 通过 DMX Link 高速连接。
两张 Corsair 卡之间还可以通过 DMX Bridge 继续扩展。
这意味着 d-Matrix 从一开始就没有把 Corsair 当成 孤立的 PCIe Accelerator。
它希望把大量 DIMC Chiplet 组成一个 可扩展 Memory-Compute Fabric。
Corsair 的一个关键数字：150TB/s
Corsair 最引人注意的参数之一就是：Memory Bandwidth。
一张卡集成 2GB Performance Memory。这部分高速存储直接与 DIMC Compute 紧密结合。
官方公布的内部带宽达到：150TB/s。不是 150GB/s。而是 150 Terabytes per second。这也是 d-Matrix 与传统 GPU 最大的技术区别。
传统 GPU 依赖 HBM。HBM 已经非常快。
但是 DIMC 通过把 Compute 和 SRAM 紧密结合，使内部数据传输带宽可以达到完全不同的数量级。
为什么只有 2GB 高速内存？
这也是 Corsair 很容易被误解的地方。2GB 看起来非常小。
Nvidia GPU 已经拥有 80GB、96GB、甚至更大的 HBM。
但是 d-Matrix 并不是希望 把整个模型全部塞进这 2GB。
Corsair 实际上采用 两层内存。
第一层：Performance Memory。也就是 2GB 超高速 SRAM-Based Integrated Memory。
第二层：Capacity Memory。
Corsair 可以配置最高：256GB Off-Chip Memory。
因此可以简单理解为：超高速小内存 ，较慢但容量大的外部内存。这很像 CPU Cache 的思想。
从概念上理解，可以把 Corsair 的 Memory Hierarchy 想象成：CPU Cache 和 Main Memory 之间的关系。
真正需要极高速访问的数据 尽量留在高速 SRAM。不需要立即使用的大量权重 保存在更大的 Capacity Memory 中。
软件和编译器负责决定：什么数据什么时候进入 Performance Memory。
因此 Corsair 真正的竞争力不仅来自硬件。也来自 Compiler。
Corsair 峰值 AI 算力
Corsair 官方技术资料显示：单卡峰值 Dense Compute 达到 2400 TFLOPS MXINT8。 以及 9600 TFLOPS MXINT4 Equivalent。
需要特别注意：MXINT8 和 MXINT4 是 Microscaling / Block Floating Point 相关数据格式。
因此不能简单把这个数字与 Nvidia 某张 GPU 的普通 INT8 或 FP8 峰值算力直接一一比较。不同 值格式、稀疏率、模型、Batch Size 都会产生巨大影响。
评价 AI 推理芯片更加实际的指标应该是：Tokens/s，Latency，Tokens/Watt，以及 Tokens/Dollar。
Block Floating Point 是 d-Matrix 的另一项核心技术
d-Matrix 很早就采用：Block Floating Point。
今天 OCP 将类似格式标准化为：MX，Microscaling。
普通 Floating Point 中 每个数字都拥有自己的 Exponent。
Block Floating Point 则允许一组数字 共享某些 Scale 或 Exponent 信息。这样可以减少 硬件复杂度、存储量 和 数据带宽。同时又比普通整数量化保留更多动态范围。
d-Matrix 当前支持：MXINT8 和 MXINT4 等数值格式。
这与 Nvidia、AMD 和其他 AI 芯片公司目前大量进入 FP8、FP4、INT4 低精度计算 属于同一个产业趋势：AI 推理越来越不需要 FP32。
Corsair 功耗约 600W
Corsair 一张 PCIe 卡的功率范围最高大约：600W。这比普通低功耗 NPU 高很多。但它仍低于目前部分高端液冷 GPU Accelerator 的极端功率水平。
更加重要的是 d-Matrix 的 SquadRack 设计目前强调可以 空气冷却。这对很多现有数据中心非常有吸引力。
因为 AI 数据中心最大的新成本之一已经不是芯片。而是 Power + Cooling。
d-Matrix 为什么越来越强调 Decode？
2026 年以后，d-Matrix 的市场定位发生了一个非常有意思的变化。
公司不再简单宣传 “Corsair 替代 GPU。” 而是越来越强调 GPU + Corsair。
原因就是大型语言模型推理可以分成：Prefill 和 Decode。
Prefill 是 模型首先处理用户输入。它需要大量矩阵计算。这一阶段 GPU 非常擅长。
Decode 则是 一个 Token、一个 Token 产生输出。Decode 通常更加 Memory Bound。这正好是 Corsair 的优势。
GPU 做 Prefill，Corsair 做 Decode
这就形成一种新的架构：
GPU → Prefill
Corsair → Decode
两种芯片各自执行自己最擅长的工作。
这种方法称为：Disaggregated Inference。
2026 年，d-Matrix 与 Gimlet Labs 的测试显示，在特定工作负载下，将 Corsair 与 GPU 组合后，一个原本约 24 秒 的响应可以减少到 不到 2 秒。
需要强调：这不是说 Corsair 在所有 AI 模型中都比 Nvidia GPU 快十倍。这是特定 异构、解耦推理 Pipeline 下的测试结果。但这种技术方向非常值得关注。
2026 年 Parasail 已经开始商业部署 GPU + Corsair
2026 年 7 月，AI Inference Cloud 公司 Parasail 宣布部署 d-Matrix Corsair。
更加有意思的是，Parasail 并没有把 Nvidia GPU 全部删除。
它选择：Nvidia Hopper / Blackwell ，d-Matrix Corsair。
Parasail 表示，这种组合针对部分推理服务可以获得最高约 10 倍更快 Token Generation 以及更好的成本效率。
这是 d-Matrix 商业战略上的一个重要变化：不一定与 Nvidia 正面竞争。而可以成为：Nvidia GPU 的推理加速伙伴。
这可能是一条非常现实的路线
直接告诉客户 “把所有 Nvidia GPU 扔掉，全部换成我的芯片。” 通常非常困难。
因为 Nvidia 已经拥有：CUDA、PyTorch、TensorRT、NCCL、NVLink 以及完整软件生态。
但是如果 d-Matrix 说：“继续保留 GPU，我只负责 Decode。” 迁移难度明显降低。
这样客户可以：
GPU 做 Prefill，
Corsair 专门做 高速 Token Generation。
这种 Heterogeneous Compute 可能成为 d-Matrix 最有现实意义的商业突破口。
JetStream：d-Matrix 开始自己解决网络问题
当一台服务器里面有很多 Corsair，或者多个服务器需要共同运行模型时，芯片之间必须交换大量数据。如果网络延迟比 DIMC 本身的计算延迟 还要高，整个系统性能就会被网络拖垮。
因此 d-Matrix 推出：JetStream。
JetStream 是 I/O Accelerator / Transparent NIC。
它采用 PCIe Gen5，并支持标准 Ethernet。
官方资料显示：JetStream 可以提供最高 400Gbps 网络带宽。
为什么使用标准 Ethernet 很重要？
Nvidia 有 NVLink 和 InfiniBand。这些技术性能非常强。但也让 Nvidia 能够控制 芯片、服务器 和 网络 整个生态。
d-Matrix 则更加倾向 Open Standards。
JetStream 使用 标准 Ethernet。
SquadRack 又使用 Arista Switch 和 Broadcom PCIe Switch。
这种路线的优点是 客户不需要完全进入某一家厂商的封闭系统。
它更接近 Composable AI Infrastructure。
SquadRack：d-Matrix 已经进入整机柜
2025 年，d-Matrix 发布：SquadRack。
SquadRack 是公司从 AI Chip Vendor 升级为 AI Infrastructure Vendor 的重要标志。
一套 SquadRack 主要整合：
JetStream Network Accelerator
Supermicro X14 AI Server
Broadcom PCIe Switch
Arista Ethernet Switch
以及：
Aviator 软件平台。
这实际上已经是一套完整：Rack-Scale AI Inference System。
SquadRack 不需要液冷
d-Matrix 当前特别强调：SquadRack 可以部署在 传统空气冷却数据中心。不需要专门建设液冷基础设施。这可能是一个非常实际的市场优势。
因为世界上绝大多数现有数据中心并不是为了 100kW、120kW 甚至更高功率 AI Rack 而建设的。
很多企业拥有大量 10kW、20kW、30kW 传统机柜。
如果为了 AI 把 供电、冷却、管路 全部重建，成本极高。
所以 “能不能装进现有数据中心？” 正在成为 AI 芯片的重要竞争指标。
Corsair 2026 年已经进入全面量产
2026 年 6 月 9 日，d-Matrix 正式宣布：Corsair 进入 Full Production。
公司表示已经获得 Hyperscaler、Neocloud 以及 Frontier AI Lab 的需求，并将在 2026 年夏季开始批量交付给优先客户。这一点非常重要。
因为过去几年，Corsair 的很多性能主要来自 公司测试、模拟器 以及客户 Early Access。
到了 2026 年，d-Matrix 才真正进入 Mass Production。
Corsair 使用 TSMC N6，而不是最新 3nm
Corsair 的制造路线也非常值得注意。
公司没有追求 TSMC 3nm 或者 2nm。
Corsair 使用 TSMC N6 并与 Alchip Technologies 合作制造。这看起来似乎不够先进。但是 d-Matrix 有自己的考虑。
TSMC N6 工艺成熟、价格相对低、产能容易获得、良率较高。
更加重要的是：Corsair 不需要昂贵的 HBM + CoWoS 封装。
不依赖 HBM，是 Corsair 一个非常大的供应链差异
当前高性能 AI GPU 几乎全部高度依赖 HBM。但是全球 HBM 供应非常紧张。
同时 HBM + Advanced Packaging 成本也非常高。
Corsair 当前使用 SRAM-Based DIMC，LPDDR5 Capacity Memory。而不是传统 HBM + CoWoS。
同时使用 Organic Substrate。
这让 d-Matrix 可以避开当前 AI 芯片产业最拥挤的 HBM / CoWoS 供应瓶颈。
对于一家创业公司来说：这可能是非常重要的量产优势。
但 d-Matrix 下一步又开始进入 3D DRAM
有意思的是，虽然 Corsair 当前刻意避开 HBM，d-Matrix 并没有认为 DRAM 不重要。
相反 公司下一代技术路线正在进一步把 Memory 和 Compute 靠得更近。
d-Matrix 已经开发：3DIMC。也就是 3D Stacked Digital In-Memory Compute。
简单来说 把 DRAM 通过 3D Stacking 直接放到计算 Die 上方。
Pavehawk：第一颗 3DIMC 芯片已经运行
2025 年，d-Matrix 宣布 第一颗 Pavehawk 3DIMC Silicon 已经在实验室运行。
Pavehawk 并不是当前量产的主要商业芯片。它更加像 下一代技术验证平台。
公司表示，Pavehawk 用于验证 DRAM Stacking 和 Digital In-Memory Compute 之间结合。
下一代架构叫 Raptor
d-Matrix 下一代正式架构：Raptor
计划进一步采用 3DIMC。也就是说 ，Corsair 的第一代商业逻辑是 SRAM DIMC + External Capacity Memory。
未来 Raptor 希望变成 3D DRAM + DIMC。
如果成功，这可能同时解决Corsair 当前一个明显限制：高速内存虽然非常快，但 容量仍然不够大。
3D Stacked DRAM 可以把 容量 和 低延迟 同时提高。
Aviator：d-Matrix 的软件平台
硬件只是 AI 芯片的一半。另一半仍然是 Software。
d-Matrix 的软件平台叫：Aviator。
Aviator 包括：模型转换、Compiler、Compression、Runtime、Inference Engine、Driver、Monitoring 以及 Distributed Inference 等功能。
它的任务就是， 让一个原来运行在 PyTorch 或者其他 AI 环境中的模型，能够被转换成 Corsair 可以运行的程序。
Aviator 尽量建立在开放软件之上
d-Matrix 没有试图从零重新制造整个 AI 开发生态。
Aviator 使用或兼容：PyTorch，MLIR，Triton DSL 以及 OpenBMC 等开放技术。这是一种非常务实的策略。
因为任何 AI 芯片创业公司都很难在几年内复制 CUDA 二十多年的生态。
更加现实的方法是 让开发者尽量继续使用已经熟悉的软件。
Qwen3 已经实现完整模型运行
2026 年 7 月，d-Matrix 与 Infinity 合作，把 Qwen3 完整模型部署到 Corsair。
双方从早期 Tensor Parallel 测试进一步推进到 完整 Stateful Multi-Token Inference。这也是 Corsair 软件成熟度的重要进展。
因为 跑一个 Matrix Multiplication Benchmark 和跑完整 LLM 完全不是一个问题。
真正的 LLM Inference 还要处理：Tokenizer、KV Cache、Attention、Sampling 模型并行 以及 连续 Token Generation。
2026 年 d-Matrix 开始通过收购补齐系统能力
d-Matrix 2026 年另外一个非常明显的变化是开始收购公司。
2026 年 4 月，d-Matrix 收购 GigaIO 的 Data Center Business。
GigaIO 的核心技术包括：SuperNODE 以及 FabreX PCIe Fabric。
同时 d-Matrix 获得了一支拥有机架级系统和高速互联经验的工程团队。
这说明 d-Matrix 已经认识到 仅仅设计 Corsair 不够。它还必须真正知道 怎样部署几十、几百张 Accelerator。
2026 年 8 月又收购 Wallaroo.ai
仅仅四个月以后的2026 年 8 月 3 日， d-Matrix 又宣布收购 Wallaroo.ai。
Wallaroo.ai 主要从事 AI Model Deployment 和 Inference Orchestration。
这次收购为 d-Matrix 增加了：Kubernetes、AI Deployment、Orchestration 以及 Production Inference方面的软件技术。
这样 d-Matrix 的能力就进一步变成：
Silicon
↓
Networking
↓
Rack
↓
Runtime
↓
Deployment
↓
Orchestration。
这是一条非常明显的：Full-Stack AI Infrastructure 路线。
d-Matrix 2025 年融资 2.75 亿美元
2025 年 11 月：
d-Matrix 完成 2.75 亿美元 Series C。
公司估值达到 20 亿美元。
累计融资达到 4.5 亿美元。
这一轮由：BullhoundCapital，Triatomic Capital 以及 Temasek 共同领投。
其他投资者包括：
Qatar Investment Authority
EDBI
M12，Microsoft Venture Fund
Nautilus Venture Partners
Industry Ventures 以及 Mirae Asset。
截至 2026 年 8 月，d-Matrix 仍然是一家 Private Company。目前没有公开完成 IPO。
SK Hynix 为什么很早就投资 d-Matrix？
SK Hynix 是全球最重要的 DRAM 和 HBM 公司之一。它早在 d-Matrix 早期融资阶段就已经参与投资。这实际上非常有战略意义。
因为 d-Matrix 的全部技术哲学几乎都围绕 Memory Bottleneck。
从 SRAM DIMC 到 3D Stacked DRAM，d-Matrix 一直在尝试改变 AI Processor 与 Memory 之间的关系。
所以拥有大型 Memory Manufacturer 作为产业投资者，对公司的未来技术路线显然非常重要。
d-Matrix 与 Nvidia 最大的区别
如果简单比较：
Nvidia 的核心可以概括成：GPU + HBM + CUDA + NVLink。
d-Matrix 则更加接近：DIMC + SRAM + Chiplet + JetStream + Aviator。
Nvidia 最大的优势是：通用性。GPU 可以同时承担：Training、Prefill、Decode、HPC 以及大量其他计算。
d-Matrix 则更加集中 Inference。尤其是 Memory-Bound Decode。
这意味着 d-Matrix 理论上可以在特定推理阶段更加高效。但它不能完全替代 GPU 的所有作用。
d-Matrix 现在甚至主动接受这一点
这也是公司 2026 年战略最成熟的地方之一。
它不再强调：“GPU 不需要了。” 而是提出 CPU + GPU + XPU 共同工作。
比如：
CPU 负责系统任务。
Corsair 负责 Low-Latency Decode。
JetStream 负责 数据传输。
Aviator 负责 软件调度。
这种 Heterogeneous Compute，很可能比所有芯片都强行竞争同一个工作负载更加合理。
d-Matrix 与 Groq 有什么不同？
Groq LPU 的核心优势是：Deterministic Execution。
Groq 尽量在编译阶段就决定：
每个数据什么时候移动，
每条指令什么时候执行。
这样可以实现非常低的 Single-User Latency。
d-Matrix 则更加关注：Memory Bandwidth。
它认为 Decode 最核心的问题是：数据移动。
所以它把 Memory 和 Compute 直接融合。
简单来说：
Groq 更加像是在解决：Scheduling Problem。
d-Matrix 更加像是在解决：Memory Problem。
d-Matrix 与 SambaNova 有什么不同？
SambaNova 同样非常重视 Dataflow 和 Memory。但是 SambaNova 的 RDU 是一种大型可重构数据流架构。
d-Matrix 则更加聚焦 Digital In-Memory Compute。
SambaNova 更像 让整个芯片根据模型数据流进行重构。
d-Matrix 更像 直接重新设计 Memory + Matrix Multiply 之间的物理关系。
两家公司的目标都是 减少数据移动。但实现方式非常不同。
d-Matrix 与 Etched 也完全不同
Etched 的技术赌注是：Transformer ASIC。它通过牺牲通用性，让芯片只为 Transformer 优化。
d-Matrix 则没有把 某一种 Transformer 操作 完全写死。
它更关注的是：Memory-Centric Architecture。
只要未来 AI 模型仍然存在 大量 Memory-Bound Matrix / Tensor Operation，DIMC 都可能继续拥有价值。
所以从架构风险来看，d-Matrix 比“只运行一种模型架构”的 ASIC 更加灵活。
d-Matrix 与 FuriosaAI 的竞争点
FuriosaAI RNGD 同样强调：Performance per Watt。
但 FuriosaAI 使用：
Tensor Contraction Processor
HBM3。
d-Matrix Corsair 则采用：
Digital In-Memory Compute
SRAM
LPDDR5。
FuriosaAI 试图通过 更加高效地执行 Tensor 提高利用率。
d-Matrix 则更直接 减少数据离开 Memory 的次数。
两者代表 AI 推理优化的两种不同哲学。
d-Matrix 最大优势之一：Memory Wall 是真实问题
无论未来模型采用 Transformer、MoE、Multimodal 还是 Agentic AI，只要模型参数继续扩大，Memory Bandwidth 都会是重大问题。
尤其在 Decode 阶段，大量时间不是用于 Arithmetic。而是 Memory Access。
因此 d-Matrix 选择 直接攻击 Memory Wall，从长期看是一个非常有逻辑的技术方向。
第二个优势：不依赖昂贵 HBM + CoWoS
Corsair 当前最现实的商业优势之一是 可以绕开 HBM 和 CoWoS 供应链。
Nvidia、AMD 以及大量 AI Accelerator 公司都在争夺 SK Hynix、Samsung、Micron 的 HBM。同时还争夺 先进封装产能。
d-Matrix 使用：N6、Organic Substrate、SRAM 以及 LPDDR5。供应链明显更加成熟。这可能帮助 Corsair 更快扩大产量。
第三个优势：可以安装进现有数据中心
Corsair 是 标准 PCIe Accelerator。
JetStream 也是 标准 PCIe。
SquadRack 使用 Ethernet。并且 不要求液冷。
这意味着很多企业不需要 重新建设整个 AI Data Center。对于 金融、电信、政府、普通企业 来说，这可能比峰值性能多 10% 更有吸引力。
第四个优势：d-Matrix 不再要求客户二选一
2026 年最值得注意的变化的是：
公司开始把 Corsair 定位成：GPU Complement。
而不是：GPU Replacement。这大幅降低了采用风险。
客户可以先保留 Nvidia GPU。只把部分 Decode Workload 转到 Corsair。如果确实省钱 ，再逐步扩大。这比一次性迁移整个 CUDA Infrastructure 容易得多。
第五个优势：已经从芯片扩大到完整系统
今天 d-Matrix 已经拥有：
Corsair
JetStream
Aviator
SquadRack
再加上：
GigaIO 的 Rack-Scale 技术
和：
Wallaroo.ai 的 Orchestration 软件。
这说明公司已经逐渐具备 从 Silicon 到 Data Center 的完整能力。这也是未来真正挑战 Nvidia 必须具备的能力。
d-Matrix 最大的问题：2GB 高速 SRAM 仍然很小
SRAM 非常快，但 面积大、成本高、容量小。
2GB Performance Memory 对传统芯片已经非常巨大。
但面对 70B、100B 甚至 数百 B 参数模型，仍然远远不够。
所以很多权重必须留在 External Capacity Memory。
一旦频繁访问外部内存，DIMC 的优势可能下降。这也是公司为什么必须开发 3DIMC。
第二个问题：600W 也不是低功耗芯片
d-Matrix 经常强调 能源效率。但 Corsair 单卡最高 约 600W。因此它并不是 Hailo 那种几瓦级 NPU。
所谓 Energy Efficient，指的是 完成相同推理工作需要多少电。而不是 单张卡的绝对功耗很低。这两个概念不能混淆。
第三个问题：真实模型性能仍需要更多独立验证
d-Matrix 公布了很多非常漂亮的指标：10 倍交互速度、3 倍成本效率、3 到 5 倍能效。
2026 年 Gimlet Labs 的异构 Pipeline 测试也显示出非常明显的延迟改善。
但是 不同模型、不同 GPU、Batch Size、Context Length、Quantization 以及 Prefill / Decode 分工方式，都会显著改变结果。
因此不能简单得出 Corsair 全面比 Nvidia 快十倍。
更加准确的说法应该是：
在特定 Memory-Bound、低延迟和异构 Decode 工作负载中，d-Matrix 正在展示非常有竞争力的性能。
第四个问题：CUDA 生态仍然非常强大
虽然 d-Matrix 可以与 GPU 一起工作，但软件仍然是长期挑战。
Nvidia 已经拥有：CUDA、cuBLAS、cuDNN、TensorRT、NCCL、Triton 和 海量开发者。
d-Matrix 必须让 Aviator 做到足够简单。
理想状态是：开发者根本不需要知道 DIMC、DMX Link 或者 Chiplet 如何工作。
只需要 把 PyTorch Model 放进去，就能高效运行。
如果这一步不能做到，硬件优势就很难真正转化成市场份额。
第五个问题：3DIMC 的工程难度非常高
3DIMC 是一个非常有潜力的方向。
但 3D Stacking，本身就是非常复杂的半导体技术。
需要解决 热量、良率、TSV、封装、内存可靠性 以及 成本。
因此 Pavehawk 已经工作，是一个重要里程碑。
但 Raptor 能不能真正稳定、大规模、低成本量产，仍然需要继续观察。
d-Matrix 为什么特别值得关注？
如果观察今天 AI 芯片行业，大多数公司都在增加 更多 MAC、更多 Tensor Core、更多 HBM。
d-Matrix 提出的问题更加底层 ：如果瓶颈根本就不在计算单元，而在数据搬运怎么办？这其实与整个计算机体系结构历史高度相关。
而大型语言模型正在把这个问题进一步放大。
d-Matrix 的答案就是：不要让数据一直跑到计算核心。
而应该：让计算尽可能靠近数据。
这可能是后 GPU 时代的重要方向之一
未来 AI 数据中心可能不会只有 一种 Accelerator。
Prefill 使用 GPU 或专用 Accelerator。
Decode 使用 Memory-Centric Accelerator。
Networking 使用 DPU / SmartNIC。
这种架构实际上比 “所有任务全部交给 GPU” 更加接近传统数据中心长期的发展方式：不同处理器做不同事情。
d-Matrix 当前正在押注的，就是这种 Heterogeneous AI Computing。
总结
d-Matrix 是目前全球 AI 芯片创业公司中技术路线非常独特的一家。
它并没有把重点放在 制造更大的 GPU。而是选择解决 AI 推理中越来越严重的：Memory Wall。
公司的发展路线可以简单概括成：
2019：d-Matrix 成立
↓
Nighthawk：Digital In-Memory Compute
↓
Jayhawk / Jayhawk II：DIMC + Chiplet
↓
Corsair：商业化 AI Inference Accelerator
↓
JetStream：高速网络
↓
Aviator：AI 软件平台
↓
SquadRack：机架级 AI 推理系统
↓
Pavehawk / Raptor：3DIMC。
Corsair 当前拥有：
8 个 DIMC Chiplet
2GB 高速 Performance Memory
最高 256GB Capacity Memory
150TB/s 内部 Memory Bandwidth
以及：
2400 TFLOPS MXINT8 峰值 Dense Compute。
2026 年 6 月 Corsair 正式进入：Full Production。并开始批量交付客户。
2026 年 7 月：
Parasail 又开始把：
Nvidia Hopper / Blackwell + Corsair 组成真实商业异构 AI 推理平台。
与此同时，d-Matrix 在 2026 年连续收购：
GigaIO Data Center Business
和：
Wallaroo.ai
进一步补齐 Rack-Scale Infrastructure 和 AI Orchestration 能力。
资本方面，公司 2025 年完成：2.75 亿美元 Series C
累计融资达到：4.5 亿美元
当时估值：20 亿美元。
因此今天的 d-Matrix 已经不能简单称为：“一家存内计算芯片公司”。
它正在变成：Memory-Centric AI Inference Infrastructure Company。
未来真正决定 d-Matrix 能不能成功的，也不是 Corsair 某一项 TOPS 数字。
更加重要的是四个问题：
DIMC 的实际 Token 性能优势能不能在更多大模型中持续体现？
GPU + Corsair 的异构推理模式能不能真正成为行业标准？
Aviator 能不能把非 CUDA Accelerator 的软件迁移成本降到足够低？
Pavehawk 和 Raptor 的 3DIMC 能不能真正把 SRAM 的低延迟和 DRAM 的大容量结合起来？
如果这些问题最终得到肯定答案，那么 d-Matrix 可能代表 AI 芯片行业非常重要的一次架构变化：
过去我们不断思考 怎样制造更快的计算核心。
d-Matrix 则提出 ：也许真正应该重新设计的，是计算和内存之间的关系。
而随着大型语言模型越来越受到 Memory Bandwidth、KV Cache 和 Decode Latency 限制，这个问题可能会变得越来越重要。