EdgeCortix：日本边缘 AI 加速器企业，用可重构架构把生成式 AI 从数据中心带到终端
EdgeCortix 是一家专注于边缘 AI、AI 推理加速器、生成式 AI 和低功耗异构计算的日本无晶圆厂半导体企业。
与 NVIDIA 主要依靠大型 GPU 服务数据中心 AI 训练和推理不同，EdgeCortix 从创立之初就把重点放在 Edge AI，也就是让人工智能直接运行在机器人、工业设备、智慧城市、通信系统、汽车、航空航天和国防设备附近。
公司的核心产品包括 SAKURA-II AI 加速器、Dynamic Neural Accelerator，也就是 DNA 可重构神经网络处理架构，以及 MERA 编译器和软件框架。
EdgeCortix 希望通过“硬件 + 编译器 + 可重构架构”的方式，在只有几瓦到几十瓦功耗的系统中运行计算机视觉、Transformer、大语言模型和多模态生成式 AI。
EdgeCortix 是一家什么样的公司？
EdgeCortix 成立于 2019 年，由 Sakyasingha Dasgupta 博士创立。
公司最初总部设在东京，目前总部位于日本神奈川县川崎市，同时在美国、印度和新加坡设有办公室或研发机构。
Dasgupta 在创办 EdgeCortix 之前曾参与 Microsoft、IBM Research、RIKEN 日本理化学研究所和德国 Max Planck Institute 等机构的 AI、机器学习、机器人和计算系统研究。
与很多芯片创业公司“先设计硬件，再让软件适配硬件”的路线不同，他在创办 EdgeCortix 时提出了一种 Software-First，也就是“软件优先”的芯片设计思路：先研究实际神经网络需要怎样的数据流、内存访问和计算方式，然后再围绕软件负载设计处理器架构。
这一点也是 EdgeCortix 与很多传统 AI 芯片企业最大的区别之一。
公司并不认为一颗拥有巨大理论 TOPS 的芯片就一定能够提供最高实际性能，因为真实 AI 模型还受到内存带宽、数据移动、计算单元利用率、模型结构和编译器效率等大量因素影响。
因此 EdgeCortix 从一开始就把芯片架构和 AI 编译器放在一起设计。
核心技术：Dynamic Neural Accelerator
EdgeCortix 最核心的底层技术叫做 Dynamic Neural Accelerator，简称 DNA。
DNA 并不是传统意义上的固定功能 NPU，而是一种可以在运行时重新配置数据路径的 AI 加速架构。
计算单元之间的连接方式可以根据不同神经网络重新组织，从而让芯片更加适应不同的 CNN、Transformer 和生成式 AI 工作负载。
传统固定功能 AI ASIC 的优势是效率很高，但问题是 AI 模型变化速度太快。一颗芯片设计出来以后可能需要使用五年甚至十年，而 AI 模型架构可能几个月就出现一次重大变化。
今天使用 CNN，明天可能转向 Vision Transformer，随后又出现 LLM、VLM、Diffusion Model 和各种新的多模态模型。
如果处理器结构过于固定，很容易随着 AI 模型变化而迅速落后。
DNA 的思路是在专用 AI 芯片的效率和可编程处理器的灵活性之间寻找平衡。
它仍然针对神经网络进行专门优化，但是计算单元之间的连接和任务调度可以根据模型动态改变。
EdgeCortix 表示，这种运行时可重构架构能够提高计算单元利用率，同时减少不必要的数据移动和片上内存带宽消耗。
SAKURA-I：EdgeCortix 第一代商业 AI 加速器
EdgeCortix 第一代代表性芯片是 SAKURA-I。
公司在 2022 年正式公布这颗处理器，并在随后开始向 Early Access 客户交付。
SAKURA-I 单颗芯片最高可以提供约 40 TOPS INT8 AI 性能以及约 20 TFLOPS BF16 性能，板卡标称功耗大约 8W，而运行很多实际 AI 模型时动态功耗约为 1W 到 5W。芯片支持最高 16GB LPDDR4X，并通过 PCIe Gen3 与主机连接。
从绝对算力来看，40 TOPS 并不是一个特别大的数字，但 EdgeCortix 真正追求的是每瓦性能和低延迟。
SAKURA-I 从设计开始就针对 Batch Size 等于 1 的实时 AI 推理进行优化，这一点对于机器人、汽车、摄像头和航空航天设备尤其重要。
数据中心通常可以把几十甚至几百个请求打包成一个 Batch 一起执行，这样可以充分利用大型 GPU。
但是机器人发现障碍物以后不能等待更多请求凑成一批再计算，它需要立即得到结果。这正是 Edge AI 与大型数据中心 AI 很不一样的地方。
SAKURA-II：60 TOPS 的新一代边缘 AI 加速器
2024 年，EdgeCortix 发布第二代 SAKURA-II，这也是公司目前最重要的 AI 加速器。
单颗 SAKURA-II 可以提供最高约 60 TOPS INT8 AI 性能和 30 TFLOPS BF16 性能，并采用第二代 DNA 架构。
它主要针对 Vision AI、Transformer、大语言模型、Large Vision Model 和多模态生成式 AI，同时继续强调低延迟 Batch=1 推理。
SAKURA-II 的一个重要变化是明显增强了对内存密集型生成式 AI 的支持。
传统计算机视觉模型可能只需要几百 MB 内存，但是大型语言模型即使经过 INT8、INT4 甚至更激进量化，也可能需要数 GB甚至几十 GB。
因此 EdgeCortix 给 SAKURA-II 配备了比较大的独立 LPDDR4 内存系统，目前不同板卡和模块可以拥有 8GB、16GB 或 32GB 内存，同时提供最高约 68GB/s 的内存带宽。
这让 SAKURA-II 与大量只有很小片上内存的传统视觉 NPU 出现明显区别。
60 TOPS 只需要大约 10W
SAKURA-II 最有吸引力的指标并不是单纯 60 TOPS，而是它的功耗。
目前 EdgeCortix SAKURA-II M.2 模块典型功耗约为 10W，可以提供 60 TOPS INT8 和 30 TFLOPS BF16。
PCIe 单卡版本同样提供约 60 TOPS，典型功耗约 10W。
双芯片 PCIe Card 则可以达到约 120 TOPS 和 60 TFLOPS BF16，而典型功耗约为 20W。
对于大型数据中心来说，几十瓦可能并不重要。
但对于机器人、无人机、车载设备、通信设备或者航空航天系统来说，每增加几十瓦功耗都会直接影响电池、散热器、体积和可靠性。
因此 EdgeCortix 的目标并不是与 NVIDIA B200 或大型训练 GPU 比较绝对算力，而是让以前必须依赖 GPU 完成的一部分 AI 推理工作能够在更加紧凑和低功耗的系统中运行。
SAKURA-II M.2：把生成式 AI 加速器做到 SSD 大小
EdgeCortix 已经把 SAKURA-II 做成标准 M.2 2280 模块。
这是一种非常实用的产品形态，因为 M.2 插槽已经广泛存在于工业电脑、小型服务器和嵌入式系统中。一块 SAKURA-II M.2 模块尺寸只有 22×80mm，可以直接通过 PCIe Gen3 x4 接口连接主机。
8GB 版本提供 60 TOPS AI 性能，典型功耗约 10W；公司还提供 16GB 版本，使更大的语言模型和视觉语言模型能够运行在这种非常紧凑的模块中。
这意味着未来一台普通 ARM 或 x86 工业电脑，不一定需要安装大型 GPU，也可以通过一个类似 SSD 大小的模块获得独立 AI 推理能力。
PCIe AI 加速卡：最高扩展到 120 TOPS
对于需要更高性能的系统，EdgeCortix 还提供标准 PCIe 加速卡。
单颗 SAKURA-II PCIe Card 可以提供约 60 TOPS、16GB LPDDR4 和约 10W 典型功耗。
而 Dual PCIe Card 在一张卡上安装两颗 SAKURA-II，可以提供最高约 120 TOPS、32GB 内存和约 20W 典型功耗。
EdgeCortix 还可以通过多加速器系统进一步扩展，当前官方平台已经可以提供最高约 240 TOPS 的 SAKURA-II 系统。
这种设计让 SAKURA-II 可以覆盖从小型嵌入式设备一直到 Edge Server 的不同市场。
SAKURA-II 已经开始运行大语言模型
EdgeCortix 对 SAKURA-II 的定位已经明显超越传统计算机视觉。
公司公开表示 SAKURA-II 面向包括 Llama 2、Stable Diffusion、DETR 和 Vision Transformer 在内的新一代模型，并且能够在边缘设备上处理数十亿参数级 AI 模型。
需要说明的是，“能够运行数十亿参数模型”并不意味着一颗 10W 芯片可以达到大型数据中心 GPU 的生成速度。
它真正重要的意义在于：很多 AI 应用其实并不需要运行数百 B 参数的最大模型。
一个工业机器人可能只需要一个 2B 或 3B 参数视觉语言模型，一个汽车 AI Assistant 可能使用经过专门训练和量化的小型模型，一个军事或者航空航天系统更加重视离线运行、低功耗和可靠性。
这些场景反而可能非常适合 SAKURA-II。
稀疏计算降低内存压力
SAKURA-II 还支持 Sparse Computing，也就是稀疏计算。
现代神经网络中很多权重或者中间数据可能为零，或者对最终结果影响很小。如果处理器仍然把这些数据全部读入内存并完成计算，就会浪费大量带宽和功耗。
稀疏计算可以跳过部分没有必要执行的操作，从而降低内存占用和数据传输需求。
这一点在 Edge AI 中尤其重要，因为边缘设备不像数据中心 GPU 那样拥有几 TB/s 的 HBM 内存带宽。
在只有几十 GB/s 内存带宽的系统中，怎样减少数据移动往往比单纯增加计算单元数量更加重要。
EdgeCortix 将稀疏计算、运行时可重构数据路径以及混合精度作为 SAKURA-II 提高能效的重要手段。
MERA：EdgeCortix 的软件核心
一家新的 AI 芯片企业真正面对的最大问题通常不是硬件，而是软件。
如果客户已经拥有大量 PyTorch、ONNX 或 TensorFlow 模型，却必须重新写一遍才能在新的 NPU 上运行，那么再好的硬件也很难推广。
EdgeCortix 因此从成立之初就在开发 MERA Compiler and Software Framework。
MERA 可以把已经训练好的神经网络模型转换、优化和部署到 SAKURA 和 DNA 架构上，同时提供 Compiler、Code Generator、Runtime、API 和模型部署工具。
它支持不同 AI 框架，并通过量化和编译优化把神经网络映射到 EdgeCortix 的处理器上。
MERA 还支持 AMD、Intel、Arm 和 RISC-V 等不同主机架构，因此 EdgeCortix 并不要求客户把整个计算平台全部换掉，而是让 SAKURA-II 作为现有异构计算系统中的 AI 加速器。
这也是 EdgeCortix“Software-First”战略真正落地的地方。
MERA 已经进入 Renesas 软件生态
EdgeCortix 的软件技术并不只服务自己的芯片。
2025 年，Renesas 推出的 RUHMI，也就是 Renesas Unified Heterogeneous Model Integration 框架开始采用 EdgeCortix MERA 技术，让 TensorFlow Lite、PyTorch 和 ONNX 模型更容易部署到 Renesas MCU 和 MPU 平台上。
这件事对 EdgeCortix 很重要，因为它说明公司的商业价值不仅来自 SAKURA 芯片。
如果 MERA 能够成为不同 CPU、MCU、NPU 和加速器之间的一层统一 AI 编译和部署软件，那么 EdgeCortix 就可能同时拥有芯片和软件两种商业模式。
从 Raspberry Pi 到工业服务器
EdgeCortix 还在持续扩大 SAKURA-II 可以连接的主机平台。
例如公司已经展示 SAKURA-II 与 Raspberry Pi 5 等 ARM 平台结合，在低功耗小型设备中运行生成式 AI。
与此同时，M.2 和 PCIe 版本又可以进入 x86 工业服务器、工作站和 Edge Server。
这种策略非常现实。
EdgeCortix 没有必要自己制造完整 CPU。
它只需要成为 ARM、x86 和 RISC-V 主机旁边的一颗高效 AI 协处理器，就可以进入非常广泛的设备。
这与早期 GPU 作为独立图形加速卡进入 PC 的方式有一些相似。
NASA 测试 SAKURA-II 的抗辐射能力
EdgeCortix 有一个与很多 Edge AI 创业公司非常不同的市场：太空。
2026 年 1 月，EdgeCortix 宣布 NASA Electronic Parts and Packaging Program，也就是 NEPP，已经完成对 SAKURA-II 的重离子辐射测试。
NASA 测试结果显示，SAKURA-II 没有出现破坏性事件，并且只出现相对较少的瞬时辐射影响。
EdgeCortix 因此认为该平台具有应用于低地球轨道、地球同步轨道以及月球任务的潜力。
事实上 NASA 此前也已经测试过第一代 SAKURA-I，并在 2025 年公布结果。
因为卫星、月球探测器和其他航天器每天都会产生大量图像和传感器数据。如果所有数据全部传回地球以后再分析，会受到通信带宽和延迟限制。
如果航天器本身拥有 AI，它就可以直接判断哪些图像值得发送、识别异常情况，甚至进行一定程度自主导航。
而太空设备最缺的恰恰就是电力和散热能力，因此低功耗 AI 加速器非常有价值。
EdgeCortix 已进入美国国防 AI 项目
EdgeCortix 在国防市场的发展同样值得关注。
2025 年，公司获得美国 Defense Innovation Unit，也就是 DIU 项目合同。
到 2026 年 6 月，EdgeCortix 宣布 SAKURA-II 已经与美国空军完成相关 AI 平台验证和飞行演示，并获得 DIU Success Memorandum。
在项目中，SAKURA-II 不仅完成 AI Benchmark 和系统集成，还真正安装到相关航空任务平台中进行飞行测试。
商业摄像头坏掉以后可以换一台，但飞机、卫星和军事设备对于可靠性、功耗和环境适应性的要求要高得多。
能够通过 NASA 辐射测试并进入美国国防项目，也让 EdgeCortix 与普通消费级 Edge AI 芯片企业形成一定差异。
日本政府大力支持 EdgeCortix
EdgeCortix 近年来还获得日本政府相当大的研发支持。
2024 年 11 月，日本新能源产业技术综合开发机构 NEDO 向 EdgeCortix 提供约 40 亿日元项目支持，用于开发面向 Post-5G 通信的下一代低功耗 AI Chiplet，同时研究 AI 和无线通信加速融合。
2025 年 5 月，NEDO 又给予 EdgeCortix 约 30 亿日元项目支持，用于开发下一代高能效 AI Chiplet，目标包括 Edge AI 推理以及 On-Device Learning。
这意味着仅这两个公开项目的规模合计就达到约 70 亿日元。
日本近年来正在重新加强本土半导体和 AI 计算产业，因此 EdgeCortix 也逐渐成为这一产业政策中的代表性 AI 芯片创业企业之一。
下一代 SAKURA-X：从单芯片进入 Chiplet
EdgeCortix 下一步的重要技术路线是 SAKURA-X。
与 SAKURA-II 的单颗 AI 加速器不同，SAKURA-X 将进一步采用 Chiplet，也就是小芯片组合架构，希望让多个计算模块根据应用需求进行扩展。
公司目前把 SAKURA-X 定位为面向生成式 AI、Agentic AI、机器人、通信、航空航天、国防、工业自动化以及 On-Device Learning 的下一代低功耗平台。
Chiplet 对 AI 加速器尤其有意义。
传统单片大芯片随着面积增大，制造成本和良率都会变得越来越困难。Chiplet 可以把系统拆分成多个较小芯片，再通过高速互连组成更大的 AI 处理器。
未来 EdgeCortix 如果能够把 DNA 架构扩展到多 Chiplet 系统，就可以从目前几十 TOPS 的边缘设备逐渐进入更高性能的边缘服务器甚至部分数据中心推理市场。
EdgeCortix 与通信 AI
EdgeCortix 还有一个比较特别的发展方向：AI + RAN。
公司已经加入 AI-RAN Alliance，并研究如何把 AI 加速和无线通信加速放在同一个低功耗计算平台中。
未来 5G Advanced 和 6G 基站不只是传输数据，还可能大量使用 AI 优化无线资源分配、频谱效率、网络调度和信号处理。
如果一颗可重构 AI 加速器既可以执行 Transformer，也可以加速无线通信计算，那么电信设备可能不再需要大量独立专用处理器。
这也是日本 NEDO 资助 EdgeCortix Post-5G Chiplet 项目的重要原因之一。
EdgeCortix 的融资情况
EdgeCortix 的资本实力近年来明显增强。
2023 年，公司完成约 2,000 万美元融资，投资者包括 SBI Investment、Global Hands-On VC、Renesas Electronics、Cycle Group 和 Monozukuri Ventures。
到了 2025 年，EdgeCortix 开始进行 Series B 融资。
2025 年 11 月，公司宣布 Series B 第二次交割完成，融资需求出现超过 30% 的超额认购，公司披露累计融资规模已经超过 1.1 亿美元。
投资者包括 TDK Ventures、Jane Street Global Trading、CDIB Cross Border Innovation Fund、Yanmar Ventures、Pacific Bays Capital、NTT Finance、SiC Power、Aero X Ventures、SBI Investment 和 GHOVC 等机构。
此外，日本 Mizuho Bank 还向公司提供了 15 亿日元、约 1,000 万美元的无担保信贷额度。
2026 年 4 月，EdgeCortix 又宣布获得 Axiro Semiconductor 和 MPower Partners 新一轮投资，不过公司没有公开这一轮的具体金额。
因此截至 2026 年，公开能够确认的是 EdgeCortix 累计融资已经超过 1.1 亿美元，而且这个数字还不包括部分后续未披露金额的新投资。
从日本走向全球市场
EdgeCortix 最早是一家以日本研发为核心的 AI 芯片企业，但现在已经明显开始国际化。
除了美国、印度和新加坡团队之外，公司还在沙特阿拉伯扩大业务，并进入中东半导体和 AI 生态。
2026 年 8 月，EdgeCortix 又与 Hakuto 和 Midoriya Electric 建立合作，加强日本以及印度、新加坡等 Indo-Pacific 市场的销售、Design-In 和技术支持能力。
对于芯片公司来说，Design-In 特别重要。
客户决定采用一颗 AI 芯片以后，通常需要经过模型验证、PCB 设计、散热测试、软件适配和产品认证，整个过程可能持续一年甚至更长。
因此真正决定 EdgeCortix 未来规模的并不是发布多少新闻，而是多少 OEM 和工业客户最终把 SAKURA-II 放进量产设备。
EdgeCortix 的主要应用市场
EdgeCortix 当前重点市场包括机器人、工业自动化、智慧城市、智能基础设施、通信、汽车、国防、航空航天和卫星系统。
这些应用虽然差别很大，但都有一个共同特点：
例如无人机受到电池限制，机器人需要毫秒级反应，工业设备必须长时间稳定运行，卫星无法依赖地面云服务器，军事设备则需要在没有互联网的环境中独立工作。
这些正是 Edge AI 加速器真正存在价值的地方。
EdgeCortix 与 NVIDIA 有什么区别？
EdgeCortix 并不是准备制造另外一块 H100 或 B200。
NVIDIA 最大的优势是高性能 GPU、HBM 内存、CUDA 软件生态以及极其强大的大型模型训练能力。
EdgeCortix 的优势则是另外一个方向：
低功耗、低延迟、本地运行。
如果需要训练 GPT 一类超大型模型，GPU 显然更加合适。
但是如果一个机器人只需要运行 3B 参数模型、一架无人机需要实时识别目标、一颗卫星需要分析摄像机图像，或者一家工厂需要同时运行几百个视觉模型，那么使用一块几百瓦的 GPU 并不一定是最经济的方案。
EdgeCortix 真正希望抢占的是这些“AI 很重要，但不值得安装大型 GPU”的计算任务。
EdgeCortix 与 Hailo、Kneron、DEEPX 和 Mobilint 的区别
Edge AI 市场目前已经拥有大量竞争企业，包括 Hailo、Kneron、DEEPX、Mobilint、Blaize、Axelera AI、SiMa.ai 和 Ambarella。
Hailo 非常擅长摄像头和计算机视觉；
Kneron 长期强调超低功耗端侧 NPU；
Mobilint 通过 ARIES 和 REGULUS 同时覆盖 Edge Server 和终端设备。
EdgeCortix 的特色则更加集中在三个方面。
第一个是 Runtime-Reconfigurable，也就是运行时可重构 DNA 架构。
第二个是 MERA 软件优先路线。
第三个则是它已经明显进入航空航天、国防和通信 AI 等对可靠性要求非常高的市场。
尤其是 NASA 辐射测试和美国空军飞行验证，使 EdgeCortix 的市场定位与普通消费级 Edge AI 企业出现明显区别。
EdgeCortix 的优势
EdgeCortix 最大的优势首先是能效。
单颗 SAKURA-II 可以在约 10W 典型功耗下提供最高 60 TOPS，这对于大量边缘设备具有实际意义。
第二个优势是架构灵活性。
DNA 并不是针对单一 CNN 固定设计，而是支持 CNN、Transformer 和不同生成式 AI 工作负载，并通过运行时重新配置数据路径适应模型变化。
第三个优势是软件。
MERA 从公司成立早期就开始开发，而且已经不仅服务 EdgeCortix 自己的芯片，还进入 Renesas 等外部半导体平台。
第四个优势是市场差异化。
很多 Edge AI 企业集中在智能摄像头，而 EdgeCortix 同时进入工业、通信、航空航天和国防市场，这些市场认证时间虽然很长，但一旦进入供应链，客户更换芯片的成本通常也更高。
EdgeCortix 面临的挑战
EdgeCortix 面临的第一个问题仍然是 NVIDIA CUDA。
客户可能承认 SAKURA-II 每瓦性能很好，但如果已经拥有几年 CUDA 软件开发经验，更换硬件平台仍然需要成本。
因此 MERA 必须不断提高模型兼容性和开发体验。
第二个挑战是模型越来越大。
60 TOPS 和几十 GB 内存已经可以运行不少小型 LLM 和 VLM，但是生成式 AI 的旗舰模型依然越来越庞大。
未来 SAKURA-X 必须同时解决算力、内存容量、内存带宽和 Chiplet 通信问题。
第三个挑战是规模化生产。
芯片创业公司完成工程样片只是第一步，真正困难的是持续获得大客户订单、建立供应链、保证长期供货并提供全球技术支持。
第四个问题则是竞争者越来越多。
Edge AI 已经成为 NVIDIA、Qualcomm、AMD、Intel 以及大量 AI 芯片创业公司的必争之地。
因此 EdgeCortix 必须证明自己不仅技术漂亮，而且能够真正降低客户整体系统成本。
如何理解 EdgeCortix 的长期价值？
过去这一轮人工智能爆发几乎完全由数据中心推动。
几十万块 GPU 被安装到大型 AI 集群，用于训练和运行越来越大的模型。
越来越多人工智能将进入现实世界。
机器人需要自己的 AI，汽车需要自己的 AI，工厂机器需要自己的 AI，无人机需要自己的 AI，卫星甚至未来的月球设备也可能拥有自己的 AI。
这些设备不可能永远依赖云端。
它们必须能够在本地理解视觉、语言、声音和传感器数据，然后立即做出判断。
如果这种趋势真正发生，那么全球需要的边缘 AI 处理器数量可能远远超过大型数据中心 GPU。
EdgeCortix 所押注的正是这一层计算市场。
总结
EdgeCortix 是日本近年来很有特色的一家 AI 加速器企业。
公司成立于 2019 年，以 Software-First 的芯片设计思想开发 Dynamic Neural Accelerator 可重构架构，再围绕 DNA 建立 SAKURA AI 加速器和 MERA 软件平台。
目前主力 SAKURA-II 单颗芯片最高提供约 60 TOPS INT8 和 30 TFLOPS BF16，典型模块功耗约 10W，并提供 M.2、PCIe 单卡、双芯片 PCIe Card 以及更大型系统。
它已经从早期计算机视觉进一步进入 Transformer、LLM、VLM 和多模态生成式 AI。
更加值得关注的是，EdgeCortix 已经不再只是实验室里的 AI 芯片项目。
NASA 已经测试 SAKURA-II 的抗辐射能力，美国 Defense Innovation Unit 和美国空军完成相关技术和飞行验证，日本政府又通过 NEDO 投入数十亿日元支持下一代 Chiplet 技术开发。
截至 2026 年，公司公开披露的累计融资已经超过 1.1 亿美元，并在 2026 年继续获得新的战略投资，同时开始扩大日本和整个 Indo-Pacific 市场的商业渠道。
EdgeCortix 未来真正值得观察的是下一代 SAKURA-X。
如果公司能够把目前 DNA 的低功耗和可重构优势成功扩展到 Chiplet，并进一步解决大模型所需要的内存容量和带宽问题，那么它就可能从一家 Edge AI 加速器创业企业，逐渐发展成为覆盖机器人、工业、通信、国防、航空航天和边缘生成式 AI 的重要计算平台供应商。
公司名称： EdgeCortix Inc.
成立时间： 2019 年
总部： 日本神奈川县川崎市
创始人兼 CEO： Dr. Sakyasingha Dasgupta
企业类型： Fabless AI 半导体企业
核心技术： Dynamic Neural Accelerator（DNA）、运行时可重构 AI 架构、Edge AI、Generative AI
核心芯片： SAKURA-I、SAKURA-II
下一代平台： SAKURA-X Chiplet
软件平台： MERA Compiler and Software Framework
SAKURA-II 性能： 单颗最高约 60 TOPS INT8 / 30 TFLOPS BF16
典型模块功耗： 约 10W
主要产品形态： M.2 AI 模块、PCIe AI 加速卡、多加速器系统
主要市场： 机器人、工业自动化、智慧城市、通信、汽车、航空航天、卫星、国防和边缘生成式 AI
累计融资： 截至公开披露已超过 1.1 亿美元，2026 年另有金额未披露的新战略投资
主要投资者： SBI Investment、TDK Ventures、Renesas Electronics、Jane Street Global Trading、NTT Finance、Yanmar Ventures、CDIB、GHOVC、MPower Partners 等
官方网站： EdgeCortix.com