燧原科技

燧原科技（Enflame）：中国云端 AI 芯片与智算基础设施企业

燧原科技（Enflame Technology） 是中国一家专注于 云端 AI 芯片、AI 加速卡、大模型训练与推理、智算服务器和大型 AI 集群 的半导体企业。

与主要面向边缘 AI 的 Hailo 不同，燧原科技从成立之初瞄准的就是：

Data Center AI，也就是数据中心人工智能计算。

公司的目标并不是制造普通消费级 GPU，而是围绕人工智能训练和推理建立一套完整计算平台：

AI 芯片

AI 加速卡与模组

高速互联

智算服务器和集群

TopsRider 软件栈

截至 2026 年，燧原科技已经完成 四代计算架构、五款云端 AI 芯片 的研发迭代，并形成从芯片到万卡级智算集群的完整产品体系。

燧原科技成立于 2018 年

燧原科技成立于：

2018 年 3 月

总部位于：

上海。

公司中文全称为：

上海燧原科技股份有限公司

英文名称：

Shanghai Enflame Technology Co., Ltd.

公司将自己的长期目标定义为：

“通用人工智能基础设施领军企业”。

这句话实际上很好地概括了燧原的定位。

它并不希望只卖一颗 AI 芯片，而是希望逐渐掌握：

芯片、板卡、服务器、网络、软件和大型集群

这些构成 AI 数据中心的关键技术。

创始人赵立东拥有 AMD 背景

燧原科技联合创始人：

赵立东（Zhao Lidong）

目前担任公司：

董事长、首席执行官和董事会秘书。

赵立东在半导体产业拥有多年工作经验。

他早期曾在图形芯片公司：

S3 Graphics

工作，后来又在：

AMD

任职多年。

之后进入紫光集团，并曾任紫光集团副总裁。

2018 年，他与团队共同创立燧原科技。根据公司最新招股材料，赵立东和张亚林为公司的共同实际控制人。

这种经历与沐曦有一个非常有意思的相似点：

两家公司的核心团队中都有大量拥有 AMD 芯片研发经验的工程师。

但是两家公司的技术路线并不完全相同。

沐曦更加接近：

完整 GPGPU。

燧原则更加集中在：

AI 专用计算架构。

联合创始人张亚林同样长期从事芯片设计

另一位重要联合创始人是：

张亚林。

张亚林毕业于复旦大学电子学与信息系统专业，并拥有超过 20 年芯片设计经验。

他曾于 2007 年至 2017 年在 AMD 工作，历任资深芯片经理、中国研发中心技术总监等职位。

目前张亚林担任：

董事、总经理。

赵立东和张亚林自燧原成立以来一直共同主导公司的：

产品战略、芯片研发和经营管理。

燧原并不是传统意义上的 GPU 公司

市场上经常把：

摩尔线程、沐曦、壁仞、燧原

放在一起，称为“国产 GPU 四小龙”。

但从严格的计算机体系结构角度来看，这种叫法并不完全准确。

燧原的核心处理器并不是为了传统：

Graphics Rendering

而设计。

它主要是：

AI Accelerator。

燧原把自己的核心计算架构称为：

GCU

也就是：

General Computing Unit。

后续架构则采用：

GCU-CARA

体系。

因此它更接近一种：

针对 AI 工作负载优化的可编程 DSA。

DSA 是：

Domain-Specific Architecture

也就是：

领域专用架构。

它不像 CPU 那样追求极强的串行通用能力，也不像传统 GPU 必须同时承担完整图形流水线。

它主要围绕：

矩阵计算、张量计算、大模型训练、模型推理和高速数据通信

进行优化。

为什么 AI 芯片越来越多采用 DSA？

AI 计算和传统软件计算有很大区别。

一个大型神经网络里面的大部分计算实际上非常规律。

例如：

矩阵乘法、

Attention、

卷积、

向量运算、

归一化、

数据通信。

如果仍然完全按照传统 CPU 的方式处理这些运算，就会浪费大量晶体管和能源。

DSA 的思路就是：

为一个特定计算领域重新设计硬件。

Google TPU、

华为昇腾、

寒武纪 MLU、

SambaNova RDU

以及燧原 GCU，

虽然具体架构完全不同，但背后都有一个共同趋势：

AI 正在推动处理器从 General Purpose Computing 向 Specialized Computing 发展。

第一代：邃思 1.0

燧原第一代 AI 芯片架构是：

邃思 1.0。

于：

2019 年发布。

这一代使用第一代：

GCU-CARA

计算架构。

对应产品包括：

云燧 T10 / T11

用于：

AI 训练

以及：

云燧 i10

用于：

AI 推理。

第一代产品已经支持不同计算精度，并能够组成千卡级 AI 集群。

这也是燧原最早形成：

Training + Inference

两条产品线的阶段。

云燧 T10 和 T11：面向 AI 训练

第一代训练产品包括：

云燧 T10

和：

云燧 T11。

产品支持：

PCIe 加速卡

以及：

OAM 模组。

OAM 是：

OCP Accelerator Module

是面向大型 AI 数据中心设计的一种加速器模块标准。

与普通 PCIe 卡相比，OAM 更适合：

高功耗芯片、

高带宽互联、

液冷、

多卡服务器

等数据中心场景。

燧原很早就进入 OAM 产品路线，也说明公司的目标从一开始就是：

大型 AI 数据中心。

第二代：邃思 2.0

2021 年，燧原推出：

邃思 2.0

采用第二代 GCU-CARA 计算架构。

对应的 AI 训练产品是：

云燧 T20

和：

云燧 T21。

这一代继续强化：

AI Training

以及：

多卡互联。

T20、T21 可以通过高速连接组成大规模训练集群。

其中 T21 后来大量进入：

云燧智算机 CloudBlazer POD

系统。

云燧 T20 和 T21 进入大规模模型训练

T20 和 T21 出现的时间非常关键。

2021 年以后，AI 模型参数规模开始迅速增长。

单张 AI 卡已经越来越难独立完成模型训练。

于是 AI 芯片竞争逐渐从：

一张卡有多少 TFLOPS

转向：

几百张甚至几千张卡能不能一起工作。

这要求芯片不仅拥有计算单元，还必须解决：

高速互联、

集体通信、

模型并行、

数据并行、

流水线并行

等问题。

这也是燧原后来越来越重视：

AI Cluster

的重要原因。

邃思 2.5：专门针对推理

同样在第二代产品周期，燧原又推出：

邃思 2.5。

对应产品是：

云燧 i20。

它主要针对：

Cloud AI Inference。

也就是说，前面的 T 系列更加重视：

Training，

而 i 系列更加重视：

Inference。

这也是早期 AI 芯片公司的典型产品方式：

训练和推理使用不同芯片进行优化。

第三代邃思 320：燧原 S60

燧原近年来真正大规模商业化的重要产品是：

燧原 S60。

S60 基于：

第三代邃思 320 芯片

采用：

第三代 GCU-CARA 架构。

产品于：

2024 年发布并量产。

它采用 PCIe 加速卡形态，主要针对：

云端 AI 推理。

板卡功耗约：

300W。

S60 对燧原的重要意义，很像沐曦 C500：

它帮助公司从“芯片技术验证”真正进入：

大规模商业出货。

S60 已经累计出货约 10 万卡

截至 2026 年初，燧原披露：

第三代推理卡 S60 已经在互联网客户以及各地智算中心累计出货约 10 万卡。

这是观察一家 AI 芯片企业非常重要的数据。

因为很多 AI 芯片都可以：

发布、

跑 Benchmark、

展示 Demo。

但真正困难的是：

稳定生产数万甚至十万张卡，然后进入真实数据中心长期运行。

S60 的规模出货，说明燧原已经跨过 AI 芯片商业化过程中一个非常重要的门槛。

DeepSeek 给国产 AI 芯片带来了巨大机会

2025 年以后，DeepSeek 的快速发展也给燧原带来了一个重要机会。

因为 DeepSeek 开源模型使大量中国企业希望使用：

国产 AI 芯片 + 国产大模型

建立完整 AI 基础设施。

燧原迅速适配了：

DeepSeek R1、

DeepSeek V3

以及多个蒸馏模型。

S60 已经支持 DeepSeek 在：

8 卡、

16 卡、

32 卡

等不同规模集群上运行。

公司同时在庆阳、无锡、成都等智算中心完成了大规模国产算力部署。

这类适配能力越来越重要。

AI 芯片的竞争已经不是：

芯片能不能做矩阵乘法。

真正重要的是：

一个新模型发布以后，多久能够跑起来？

第四代：邃思 400

燧原当前最重要的新一代计算架构是：

邃思 400。

它采用：

第四代 GCU-CARA 架构。

对应产品：

燧原 L600。

与 S60 最大的区别是：

S60 更偏向：

推理。

而 L600 则重新变成：

Training + Inference

也就是：

训推一体。

L600 开始支持 FP8

L600 一个非常重要的变化，是开始支持包括：

FP8

在内的多种计算精度。

FP8 是近年来大型 AI 模型越来越重要的数据格式。

原因很简单。

如果一个数字原来需要：

16 bit

表示，现在只需要：

8 bit，

理论上：

存储容量、

数据传输量

以及部分计算资源需求

都会显著下降。

Nvidia Hopper、Blackwell 等新一代数据中心 GPU 都越来越重视：

FP8。

国产 AI 芯片如果希望进入大型模型训练市场，也必须逐渐完善：

BF16、FP16、FP8

以及更低精度计算能力。

L600 使用 OAM 模组

燧原 L600 采用：

OAM 模组

而不是普通消费级 PCIe GPU 设计。

官方申报资料显示：

L600 支持：

风冷和液冷，

单模组最大功耗约：

700W

并支持：

单层最高 128 卡全互联拓扑。

其应用方向是：

云端训练 + 云端推理。

从功耗也可以看出：

L600 已经进入真正的数据中心超级 AI 加速器级别。

从 L600 开始，燧原真正进入“超节点”时代

过去 AI 服务器通常是：

8 张 GPU 一台服务器。

但是大模型越来越大以后，8 卡服务器已经逐渐不够。

于是整个行业开始发展：

Supernode，也就是超节点。

Nvidia 有：

GB200 NVL72。

华为有昇腾超节点。

AMD 和多家国产芯片企业也在进入这个方向。

燧原则推出：

ESL32 / ESL64。

ESL32 / ESL64：32 卡和 64 卡超节点

燧原 ESL 超节点基于：

L600

构建。

它可以在一个 Scale-Up 算力域内集成：

32 张

或者：

64 张 AI 加速卡。

公司招股材料显示：

ESL32/64 总存储容量最高达到：

9.2TB

整机功耗约：

90kW。

这类系统主要针对：

千亿参数以上大模型预训练

和：

高并行 AI 推理。

这代表一个非常重要的趋势：

未来 AI 芯片企业卖的东西可能越来越不是：

Chip。

而是：

AI Computer。

OGX400：8 卡标准 AI 计算节点

除了大型超节点之外，燧原还推出：

云燧 OGX400。

它同样使用 L600。

OGX400 是：

单机 8 卡 OAM 全互联 AI 系统。

主要面向：

高性能推理

以及：

中等规模 AI 训练。

这类系统可以作为大型 AI 集群中的基础节点，再通过高速网络组成：

数百卡、

数千卡

甚至万卡级 AI 系统。

云燧智算机 CloudBlazer POD

燧原很早就意识到：

只卖 AI 加速卡并不能解决企业部署 AI 的所有问题。

因此公司推出：

云燧智算机

英文：

CloudBlazer POD。

它实际上是一个完整机柜级 AI 计算系统。

一台 POD 通常包括：

4 到 8 台 AI 专用服务器。

每台服务器通常安装：

8 张 AI 加速卡或模组。

因此一台 CloudBlazer POD 通常可以集成：

32 到 64 张 AI 卡。

CloudBlazer 已经形成训练和推理多个版本

目前燧原已经形成多种 POD。

例如：

P3110

集成：

32 × S60

主要用于：

AI 推理。

P2000-L

集成：

64 × T21

主要用于：

AI 训练。

P2010

集成：

32 × T20

主要用于：

AI 训练。

P2110

集成：

64 × i20

主要用于：

AI 推理。

这说明燧原已经不仅仅是一家芯片公司。

它实际上也已经成为：

AI 系统供应商。

从 POD 再扩展到千卡和万卡集群

一台 POD 可以拥有几十张 AI 卡。

多台 POD 再通过高速网络连接，就可以形成：

智算集群。

燧原已经参与建设多个：

千卡级

甚至：

万卡级

国产 AI 算力中心。

公司的目标是最终让这些 AI 节点像一台巨型计算机一样协同运行。

这要求解决：

高速网络、

通信库、

任务调度、

故障检测、

模型并行

和：

集群运维

等一系列复杂问题。

AI 芯片竞争正在从芯片变成集群

这是理解整个 AI 芯片行业非常重要的一点。

以前我们比较 CPU：

Intel Xeon 和 AMD EPYC 谁更快？

今天比较 AI 芯片已经越来越不能只看：

一颗芯片。

因为一个大模型可能需要：

1,000 张卡、

10,000 张卡，

甚至：

100,000 张卡。

因此真正的问题是：

1 万张芯片连在一起以后还能不能高效工作？

如果单卡很快，但每个 GPU 都在等待其他 GPU 通信，

整个系统仍然会很慢。

所以：

Interconnect

已经成为 AI 芯片最核心的技术之一。

GCU-LARE：燧原的芯片互联技术

燧原在芯片架构中设计了自己的高速互联技术：

GCU-LARE。

它用于：

芯片之间、

板卡之间

以及：

多卡系统之间

进行高速通信。

同时，在大规模集群层面，燧原还采用：

RoCEv2

等开放网络方案，建立 Scale-Out 集群。

这样就形成两个不同层次：

Scale-Up

解决一个超节点内部大量 AI 卡的高速连接。

Scale-Out

解决大量服务器和机柜之间的连接。

这也是 Nvidia：

NVLink + InfiniBand / Ethernet

类似的系统思路。

TopsRider：燧原真正重要的软件平台

如果只有芯片，没有软件，一家 AI 芯片公司很难成功。

Nvidia 真正强大的地方并不仅仅是 GPU。

而是：

CUDA。

燧原则建立了自己的：

驭算 TopsRider

AI 计算及编程软件平台。

TopsRider 位于：

AI 芯片

和：

AI 应用程序

之间。

它负责把：

PyTorch 模型、

AI 算子、

编译代码

最终转换成：

GCU 可以执行的计算任务。

TopsRider 包含什么？

根据燧原披露的信息，TopsRider 包括多个层次：

Firmware

固件。

Driver

驱动程序。

Compiler

编译器。

Programming SDK

开发工具。

Operator Library

AI 算子库。

Communication Library

多卡通信库。

以及：

深度学习框架适配。

也就是说，它实际上承担了类似：

CUDA Software Stack

的作用。

当然，TopsRider 的生态规模目前与 CUDA 仍然存在非常大的差距。

但对于燧原来说：

软件成熟程度可能比单颗芯片性能更加重要。

TopsRider 已经支持主流 AI 框架

燧原披露，TopsRider 已经支持：

PyTorch

TensorFlow

vLLM

SGLang

Megatron-LM

DeepSpeed

等主流训练和推理框架。

这里尤其值得注意的是：

vLLM

和：

SGLang。

这两个项目已经成为大型语言模型推理非常重要的软件框架。

这说明燧原的软件开发重点已经明显从传统：

CNN / Computer Vision

转向：

LLM Infrastructure。

燧原已经适配数百个 AI 模型

根据招股资料，TopsRider 已经适配数百个主流 AI 模型，并覆盖数百种应用场景。

包括：

智能搜索、

语音交互、

内容推荐、

大模型服务

以及生成式 AI。

这对于国产 AI 芯片非常重要。

因为一个企业购买 Nvidia GPU 后，很多模型：

下载以后就可以开始部署。

国产芯片如果需要：

每一个模型重新开发半年，

商业竞争力会非常弱。

所以未来评价国产 AI 芯片，一个非常重要的指标应该是：

新模型发布以后多久能跑起来？

腾讯是燧原最重要的战略投资者之一

燧原科技和腾讯之间关系非常密切。

腾讯曾多次参与公司融资。

截至最新招股材料，腾讯科技及其一致行动人合计持有燧原：

超过 20% 股份。

腾讯因此是：

燧原最大的外部股东之一。

但腾讯并不是燧原实际控制人。

燧原目前没有单一控股股东。

赵立东和张亚林通过直接持股及员工持股平台，共同控制公司约：

28.14%

表决权，因此属于共同实际控制人。

腾讯不仅是投资者，也是燧原最大客户

这段关系还有更加重要的一层：

腾讯也是燧原最大的客户。

2023 年，腾讯相关销售收入约占燧原营业收入：

33.4%。

2024 年：

37.8%。

到了 2025 年，这一比例上升到：

83.8%。

这说明腾讯对于燧原既是巨大优势，也是一个需要关注的风险。

优势是：

燧原拥有一个真正的大型互联网客户帮助验证芯片。

风险则是：

客户集中度过高。

为什么互联网大厂对 AI 芯片公司如此重要？

AI 芯片和普通芯片有一个巨大区别：

最好的测试实验室其实就是：

大型互联网公司。

例如腾讯拥有：

搜索、

推荐、

游戏、

广告、

云计算、

大语言模型

以及海量 AI 服务。

一颗芯片只有真正进入这种环境运行以后，才能发现：

驱动问题、

内存问题、

编译器问题、

稳定性问题、

网络问题、

长时间运行问题

以及：

模型兼容问题。

因此腾讯这样的客户给燧原带来的价值不仅是：

订单。

同时也是：

产品共同开发和大规模验证环境。

燧原已经进入运营商和智算中心市场

除了大型互联网客户以外，燧原正在逐步拓展：

运营商、

政府智算中心、

金融、

智慧城市

以及其他行业。

公司已经参与：

庆阳、

无锡

等多个大型智算中心建设。

这也是中国 AI 芯片市场一个非常重要的特点。

中国正在大规模建设：

智算中心。

这些项目需要大量国产 AI 芯片。

因此国产芯片企业并不一定首先需要从 Nvidia 手中抢走全球云计算市场。

中国国内的数据中心建设本身，就已经形成非常大的市场。

燧原 2025 年收入接近 10 亿元

从商业化进展来看，燧原近年来增长很快。

2023 年营业收入：

约 3.01 亿元人民币。

2024 年：

约 7.22 亿元。

2025 年：

约 9.90 亿元。

从 2023 到 2025 年，公司收入复合增长率达到约：

81%。

其中 2025 年收入最大部分已经来自：

AI 加速卡与模组。

2025 年 AI 加速卡及模组收入约：

8.56 亿元

占主营业务收入约：

86.8%。

这也与 S60 开始大规模放量有关。

但燧原目前仍然严重亏损

像绝大多数先进 AI 芯片创业公司一样，燧原目前仍然没有实现盈利。

2023 年净亏损约：

16.65 亿元人民币。

2024 年净亏损约：

15.10 亿元。

2025 年净亏损已经收窄到：

约 11.64 亿元。

虽然亏损仍然非常大，但趋势是：

收入快速增长，

同时：

亏损逐步收窄。

公司在招股材料中预计，如果业务和供应链进展符合预期：

2026 年或 2027 年

可能实现合并报表盈利。

这只是公司的预测，并不意味着已经确定能够在该时间实现盈利。

为什么做 AI 芯片这么烧钱？

原因之一就是：

研发。

燧原 2023 年研发费用约：

12.29 亿元。

2024 年：

13.12 亿元。

2025 年：

11.35 亿元。

仅这三年研发投入就超过：

36 亿元人民币。

而且 AI 芯片不能开发一代以后停止。

公司必须同时进行：

当前产品量产，

下一代芯片开发，

下下代芯片架构研究，

软件开发，

驱动优化，

模型适配，

集群建设。

这就是为什么先进 GPU 和 AI 芯片产业具有非常高的资本门槛。

燧原计划继续开发第五代和第六代 AI 芯片

燧原此次 IPO 的一个重要目的，就是支持：

第五代 AI 芯片

和：

第六代 AI 芯片

继续研发。

公司希望进一步提高：

计算能力、

HBM 带宽、

多卡互联、

集群能力

和：

大模型软件生态。

未来 AI 芯片的竞争速度非常快。

Nvidia 大约每一到两年就会推出一次重要架构升级。

国产 AI 芯片企业如果无法保持类似节奏，很容易一代产品刚量产就已经落后。

2026 年，燧原启动科创板 IPO 发行

燧原的资本市场进程在 2026 年取得重大进展。

2026 年 7 月 9 日

中国证监会正式同意：

燧原科技首次公开发行股票注册申请。

随后在：

2026 年 8 月 24 日

燧原正式披露招股意向书和发行安排，

启动科创板股票发行。

股票代码：

688801。

计划发行：

4303.5173 万股。

计划于：

2026 年 9 月 2 日

进行网上和网下申购。

因此，截至目前最准确的表述是：

燧原科技已经启动科创板发行，但尚不能表述为已经正式挂牌上市。

IPO 拟募集约 60 亿元

燧原此次 IPO 计划募集：

约 60 亿元人民币。

资金主要用于：

第五代 AI 芯片研发及产业化

第六代 AI 芯片研发及产业化

以及：

先进人工智能软硬件协同创新项目。

这笔资金对于 AI 芯片公司非常重要。

因为未来竞争已经不仅仅是：

流一次片。

而是同时需要建设：

芯片、

HBM、

封装、

服务器、

网络、

软件

以及：

万卡级集群。

燧原与寒武纪有什么区别？

寒武纪与燧原都是中国重要 AI 芯片企业。

但是两家公司发展路径不同。

寒武纪很早就进入：

NPU / AI Processor

领域，并经历过：

终端 IP、

边缘 AI、

云端训练和推理

等多个阶段。

燧原从成立开始就更加集中：

云端 AI。

也就是说：

燧原更加专注于：

数据中心训练、

数据中心推理

以及：

大型智算集群。

燧原与沐曦有什么区别？

沐曦更加明确地走：

GPGPU

路线。

它除了 AI，还布局：

图形渲染、

科学计算

以及：

完整 GPU。

燧原则没有把重点放在：

Graphics。

它主要围绕：

AI Workload

进行 DSA 架构优化。

因此两家公司虽然都在竞争数据中心 AI 市场，但是技术哲学不同。

简单来说：

沐曦：更像国产 GPU。

燧原：更像国产 AI Accelerator。

燧原与华为昇腾有什么区别？

华为昇腾目前拥有更加庞大的：

芯片 + 服务器 + 网络 + CANN 软件 + 大模型

生态。

而且华为拥有非常强大的系统工程和渠道能力。

燧原规模明显小得多。

但是燧原属于独立 AI 芯片创业公司。

它的重要机会在于：

为互联网公司、

运营商、

智算中心

提供另外一种国产 AI 平台选择。

未来中国 AI 市场很可能不会只有一种国产架构。

就像服务器市场同时存在：

Intel、

AMD、

ARM

一样，

AI 市场也可能长期存在多种处理器生态。

燧原与 Nvidia 的差距在哪里？

最大的差距仍然不是：

TOPS。

而是：

CUDA。

Nvidia 已经建立了一套存在二十多年的软件生态。

大量：

AI 框架、

模型、

科学计算程序、

开发工具

默认围绕 CUDA 开发。

除此之外，Nvidia 还有：

NVLink、

NVSwitch、

InfiniBand、

Spectrum Ethernet、

DGX、

HGX

以及完整的数据中心系统。

因此国产 AI 芯片如果只比较：

“我的芯片峰值算力接近 Nvidia”

并没有太大意义。

真正需要比较的是：

整个 AI Stack。

这也是燧原为什么必须同时开发：

TopsRider、

CloudBlazer、

OGX

和：

ESL 超节点。

燧原最大的优势之一：真正进入大型互联网应用

燧原目前一个非常重要的优势，是产品已经经过：

大型互联网业务验证。

AI 芯片最困难的阶段往往不是 Tape-Out。

而是：

量产、

交付、

模型适配、

服务器稳定运行、

数千卡通信

以及：

真实用户负载。

S60 已经实现十万卡级累计出货，说明燧原已经拥有一定商业化基础。

对于国产 AI 芯片公司而言，这种经验非常宝贵。

第二个优势：从芯片一直做到集群

燧原已经形成：

AI Chip

↓

AI Card

↓

8 卡 Server

↓

32 / 64 卡 POD

↓

Supernode

↓

千卡 / 万卡 Cluster

这样的产品体系。

这符合整个 AI 数据中心产业的发展趋势。

未来可能越来越难出现一家：

“只设计芯片、不懂服务器和网络”

却能够真正挑战 Nvidia 的 AI 公司。

第三个优势：TopsRider 软件栈

TopsRider 对燧原的战略意义甚至可能超过某一代芯片。

因为芯片性能每两三年就会更新。

但软件生态可以积累：

十年、

二十年。

如果越来越多：

PyTorch 模型、

大语言模型、

AI 应用

可以相对容易地部署到 TopsRider 上，

燧原才真正可能形成长期客户黏性。

燧原最大的风险：腾讯依赖

燧原最明显的商业风险之一是：

客户过度集中。

2025 年腾讯相关收入占比已经达到约：

83.8%。

一家创业公司早期依赖大型战略客户并不罕见。

但长期来看，公司必须增加：

运营商、

云计算公司、

政府智算中心、

金融、

汽车、

科研

以及其他大型企业客户。

只有这样才能降低单一客户变化对收入产生的巨大影响。

第二个风险：持续亏损

2025 年燧原收入约 9.9 亿元，

但研发投入仍超过：

11 亿元。

净亏损也超过：

11 亿元。

这说明 AI 芯片仍然是一场：

资本消耗极大的长期战争。

未来如果下一代芯片延迟、

客户订单放缓

或者：

供应链成本上升，

都可能影响盈利进程。

第三个风险：先进制造和 HBM

高性能 AI 芯片高度依赖：

先进制程、

先进封装、

HBM

和：

高速互联。

这些环节也是目前全球半导体供应链竞争最激烈的部分。

尤其大模型发展以后：

HBM 容量和带宽

已经成为 AI 芯片性能的核心指标。

因此即使芯片架构设计得很好，

如果：

先进工艺、

HBM

或者：

封装产能

无法稳定获得，

产品竞争力仍然会受到影响。

第四个风险：国产 AI 芯片竞争已经非常激烈

中国 AI 芯片市场现在已经拥有很多竞争者：

华为昇腾

寒武纪

海光

摩尔线程

沐曦

壁仞科技

天数智芯

以及：

燧原科技。

这些公司面对的是同一批：

互联网大厂、

运营商、

云计算平台

和：

智算中心客户。

因此未来几年国产算力市场内部也可能出现明显淘汰和整合。

为什么燧原科技值得关注？

如果按照技术路线给中国 AI 芯片企业分类：

华为昇腾：

NPU + 系统生态

寒武纪：

AI 专用处理器

沐曦：

GPGPU

摩尔线程：

全功能 GPU

壁仞：

高性能 GPGPU

而燧原非常清楚：

Cloud AI Accelerator + AI Cluster。

它主要解决的问题不是：

如何让个人电脑拥有 AI，

也不是：

如何给游戏渲染画面。

它要解决的是：

怎样训练和运行越来越大的 AI 模型。

燧原真正挑战的不是“一张 Nvidia GPU”

理解燧原最重要的一点是：

它最终竞争的已经不是：

一张 Nvidia GPU。

真正竞争的是：

Nvidia GPU

CUDA

NVLink

NVSwitch

服务器

网络

AI 软件

组成的：

完整 AI 数据中心。

因此燧原也必须从：

一颗 GCU

逐渐扩展到：

TopsRider、

CloudBlazer、

OGX、

ESL 超节点

以及：

万卡级集群。

这才是真正的 AI 基础设施竞争。

总结

燧原科技是中国云端 AI 芯片领域非常重要的一家公司。

公司从：

2018 年成立

到：

2019 年第一代邃思 1.0

再到：

邃思 2.0、邃思 2.5

然后进入：

邃思 320 + S60

如今又发展到：

邃思 400 + L600。

产品也从：

单颗 AI 芯片

逐渐扩展到：

AI 加速卡

OAM 模组

CloudBlazer POD

OGX400

ESL32 / ESL64 超节点

以及：

千卡、万卡 AI 集群。

与此同时，驭算：

TopsRider

正在成为连接硬件和 AI 软件的核心平台。

2025 年，公司营业收入已经接近：

10 亿元人民币

S60 累计出货达到：

约 10 万卡

并开始大规模进入互联网企业和智算中心。

2026 年则是燧原发展的另一个关键节点：

公司科创板 IPO 已获得注册，并于 2026 年 8 月正式启动发行，股票代码 688801，计划 9 月 2 日申购。

燧原未来真正值得观察的，不只是：

L600 性能有多高。

而是几个更加重要的问题：

TopsRider 能不能逐渐形成成熟的软件生态？

L600 和后续第五、第六代芯片能不能持续进入大规模商业部署？

ESL 超节点能不能从几十卡扩展到稳定的万卡级集群？

除了腾讯之外，能不能建立更加多元化的大客户群？

如果这些问题能够逐渐解决，燧原科技就可能从一家：

国产 AI 芯片企业

进一步成长为：

中国重要的 AI 计算基础设施平台公司。