Recogni（现名 Tensordyne）：从自动驾驶 1000 TOPS AI 芯片，转向数据中心生成式 AI 推理
Recogni 是一家很有意思的 AI 加速器企业，因为它的发展路线经历了一次非常明显的转变。
公司最初是为了自动驾驶而成立，核心产品是一颗能够同时处理多路高分辨率摄像头、以极低功耗完成视觉 AI 推理的专用加速器；
但是随着大语言模型和生成式 AI 爆发，Recogni 开始把自己的芯片技术从汽车市场转向数据中心。
到了 2025 年 9 月 8 日，公司正式宣布更名为 Tensordyne，并明确表示已经从最初的视觉识别和自动驾驶业务转向完整的生成式 AI 推理计算系统。
因此今天再介绍 Recogni，实际上应该把它理解成 Tensordyne 的前身，而不是一家仍以 Recogni 品牌经营的独立企业。
Recogni 是一家什么样的公司？
Recogni 成立于 2017 年，是一家美国 AI 芯片和计算系统企业，研发力量主要分布在美国加利福尼亚和德国慕尼黑。
公司早期总部位于 San Jose，经过品牌和战略调整后，目前 Tensordyne 的美国总部已经迁至 Sunnyvale，德国实体继续位于 Munich。
公司联合创始人包括 R. K. Anand 和 Gilles Backhus，目前 CEO 为 Marc Bolitho，R. K. Anand 担任联合创始人兼 Chief Product Officer，Gilles Backhus 担任联合创始人兼 VP of AI & Product。
Recogni 最初的目标并不是大语言模型，而是解决自动驾驶汽车最困难的问题之一：怎样让汽车在极短时间内处理来自多个高分辨率摄像头的大量视觉信息，同时又不能消耗几百瓦甚至上千瓦电力。
汽车需要识别车辆、行人、道路标志和障碍物，而且这些计算必须实时完成，因此对算力、延迟和功耗的要求同时非常高。
Recogni 最早是一家自动驾驶 AI 芯片企业
自动驾驶系统需要不断处理摄像头产生的视频数据。
一辆高等级自动驾驶汽车可能拥有多个 4K 摄像头，如果每一个摄像头每秒产生几十帧图像，那么处理器每秒需要分析的数据量非常巨大。
传统方案通常采用 GPU 或集成 NPU 的汽车 SoC，但 Recogni 认为如果真正要进入 Level 4 和 Level 5 自动驾驶，仅仅依靠传统架构可能面临严重的功耗和实时计算压力。
因此 Recogni 从头设计了一颗专门针对视觉推理的 AI Accelerator。
它不试图成为汽车里面的通用 CPU，也不是完整的自动驾驶 SoC，而是作为专门负责神经网络推理的高性能协处理器存在。
这种路线和今天服务器中的 AI Accelerator 很类似：CPU 管理系统，而专用芯片专门处理最耗算力的神经网络任务。
Scorpio：1000 TOPS、25W 的早期代表产品
Recogni 最有名的早期产品是后来被称为 Scorpio 的视觉 AI 加速器。
这颗芯片能够提供大约 1000 TOPS，也就是 1 PetaOPS 级别的 AI 推理性能，同时 TDP 只有约 25W。
Recogni 将它集成进 Vision Cognition Module，也就是 VCM 平台，用于自动驾驶视觉处理。
按照当时公开的技术资料，这颗芯片能够同时处理多路 8MP，也就是接近 4K 分辨率的高动态范围摄像头视频，并直接处理完整图像，而不是只分析画面中的小块区域。
TechInsights 对这颗处理器的分析显示，它采用 TSMC 7nm 工艺，芯片面积约 100 平方毫米，能够处理四路 4K 视频流，同时功耗保持在 25W 左右。
对于汽车来说，这种 Performance per Watt，也就是每瓦性能，比单纯 TOPS 更有意义。
因为一辆汽车不能像数据中心服务器一样安装巨大的散热器和几千瓦电源。所有电子系统最终都会增加电池负担、散热需求和整车成本。
因此 Recogni 从成立之初就已经形成一个后来贯穿公司整个发展路线的技术思想：
不是单纯追求最高算力，而是追求在有限电力条件下获得最大的 AI 推理能力。
为什么 1000 TOPS 不能直接和今天的 GPU 比较？
看到 1000 TOPS，很多人可能会觉得 Recogni 早在几年前就拥有比很多今天的 NPU 更强大的芯片。
这里需要特别说明，不同 AI 芯片企业公布的 TOPS 不能直接横向比较。
TOPS 会受到数据精度、稀疏计算、运算类型、模型结构和统计方法影响。有些公司公布 INT8，有些公布 INT4，有些又把稀疏计算能力计算进去。
因此 Scorpio 的 1000 TOPS 更重要的意义，是说明 Recogni 在非常有限的功耗范围内实现了极高的视觉 AI 计算密度，而不是简单理解成“这颗芯片比某块 GPU 快多少倍”。
真正能够决定产品性能的仍然是具体模型运行速度、延迟、内存效率和功耗。
一个很大的转折：Recogni 开始离开汽车市场
如果按照最初的发展轨迹，Recogni 很可能会成为一家与 Mobileye、Ambarella、Qualcomm 和 NVIDIA Drive 竞争的汽车 AI 芯片企业。
但是生成式 AI 改变了这一切。
ChatGPT 出现以后，全球对于 AI 推理算力的需求突然爆炸。大型语言模型训练完成以后，每一次用户提问都需要服务器执行大量矩阵计算。
而随着全球用户数量增加，真正长期消耗服务器资源的越来越不是训练，而是 Inference，也就是推理。
Recogni 意识到，公司多年积累的低功耗 AI 运算技术可能在数据中心拥有比汽车市场更大的机会。
到 2024 年，公司已经明确开始把 Generative AI Inference 与 Intelligent Autonomy 同时列为核心业务；
到了 2025 年，战略进一步改变，最终完全转向数据中心生成式 AI 推理。
EE Times 在公司更名时指出，Recogni 已经“fully pivoting away from the edge market”，也就是全面离开原来的边缘 AI 市场。
Pareto：Recogni 最重要的新技术
2024 年 8 月，Recogni 公布了一项名为 Pareto 的新型 AI 数学和数字表示技术。
这实际上成为公司后来转型成 Tensordyne 的核心基础。
现代 Transformer 和大语言模型需要执行数量极其庞大的矩阵乘法。问题在于，从芯片设计角度看，乘法器比加法器复杂得多，需要更多晶体管，同时消耗更多电力和芯片面积。
Recogni 的想法非常大胆：
如果能够通过新的数字表示方法，把大量乘法变成更加简单的加法，会发生什么？
Pareto 就是围绕这个思路设计的。
它使用基于 Logarithmic Math，也就是对数数学的数字系统，将很多传统乘法运算转换成加法，从而减少需要的晶体管数量、芯片面积和功耗。
为什么“乘法变加法”对 AI 芯片非常重要？
AI 处理器内部最大的计算资源之一就是大量 Multiply-Accumulate，也就是 MAC 单元。
例如一个矩阵乘法可能需要同时执行数百万甚至数十亿次乘法。
传统 GPU 为了增加 AI 性能，通常不断增加 Tensor Core 数量，同时使用更加先进的制程、更大的 HBM 和更高速的互连。
问题是随着芯片规模不断扩大，功耗也不断增加。
Recogni 的思路不是单纯增加更多乘法器，而是试图从最底层数学本身改变计算方式。
因为对数具有一个非常经典的性质：两个数字相乘，可以转换成它们对数之后的加法。
如果这种运算能够直接实现于芯片硬件，就可能使用更少晶体管执行同样类型的 AI 计算。
这也是公司后来把自己的技术称为 Zeroth Layer，也就是“第零层”创新的原因：不是从模型、软件或者编译器开始优化，而是从最基础的数字表示和数学计算方式开始改变 AI。
Pareto 能不能保持 AI 模型精度？
这是最关键的问题。
减少计算精度并不难，真正困难的是减少计算量以后模型不能明显变笨。
Recogni 表示，公司已经在 Llama、Falcon、Mixtral、Stable Diffusion 等多种大型模型上验证 Pareto。
公司公布的测试中，Llama 3、Mixtral、Falcon 180B、Stable Diffusion XL 和 Llama 3.1 405B 等模型转换到 Pareto 后，与原始高精度模型相比可以保持超过 99.9% 的相对精度，而且不需要传统量化流程中复杂的重新训练。
这些结果很有吸引力，但需要注意：其中大量数据来自 Recogni/Tensordyne 自己的测试，因此最终仍然需要更多独立 Benchmark 和真实客户部署验证。
不过从技术方向来看，Pareto 确实是 Recogni 与 NVIDIA、AMD、Groq、Cerebras 和其他 AI 加速器企业之间最明显的差异。
2024 年完成 1.02 亿美元 Series C 融资
Recogni 的战略转型也得到了资本市场支持。
2024 年 2 月，公司完成 1.02 亿美元 Series C 融资，由 Celesta Capital 和 GreatPoint Ventures 共同领投。
现有投资者 Mayfield、DNS Capital、BMW i Ventures 和 SW Mobility Fund 继续参与，新投资者包括 Pledge Ventures 和 Tasaru Mobility Investments。Tasaru Mobility Investments 是沙特 Public Investment Fund，也就是 PIF 旗下公司。此外 HSBC Innovation Banking 提供了债务融资。
到这一轮融资完成时，Recogni 累计融资已经达到约 1.75 亿美元至 1.76 亿美元。
Recogni 的投资者名单非常特别。
早期投资者中包括 BMW i Ventures、Toyota Ventures、Bosch、Continental 和 Forvia 等大量汽车产业企业，这明显反映了公司最初的自动驾驶定位。
但是随着公司转向数据中心 AI，投资和合作伙伴也开始发生变化。
Juniper Networks 投资 Recogni
2024 年 11 月，Juniper Networks 宣布投资 Recogni，并与公司共同开发高性能、低功耗、多模态生成式 AI 推理系统。
合作重点已经不再是自动驾驶，而是 Hyperscaler、AI Cloud 和企业数据中心。
Juniper 的价值不只是投资资金。
大型 AI 服务器真正扩展成几百或者几千颗芯片以后，网络互连会成为与计算芯片同样重要的问题。
所以 Recogni 从“设计一颗 AI 芯片”逐渐转向“设计整个 AI Inference System”，而网络技术成为其中关键的一部分。
与 DataVolt 合作建设 AI Cloud
2025 年 5 月，Recogni 又与沙特数据中心企业 DataVolt 建立合作，计划建设高能效 AI Cloud 基础设施。
DataVolt 主要在中东、非洲和亚洲发展大型数据中心和可持续能源基础设施，而 Recogni 提供基于 Pareto 的 AI 推理系统。
这种合作进一步说明 Recogni 已经完全改变了商业目标。
过去客户可能是一家汽车制造商。
现在客户则可能是 Hyperscaler、AI Cloud Provider、NeoCloud、企业数据中心甚至国家级 AI 基础设施运营商。
这已经是完全不同的市场。
2025 年正式更名为 Tensordyne
2025 年 9 月 8 日，Recogni 正式宣布公司名称改成 Tensordyne。
官方解释也非常直接。
“Recogni”这个名字来源于 Recognition，也就是视觉识别，非常适合公司早期的汽车计算机视觉业务。
但今天公司的业务已经远远超出图像识别。
Tensor 是现代深度学习中最基本的数据结构，而 Dyne 是一种力的单位。
因此 Tensordyne 这个名字更加符合公司目前所做的事情：
围绕 Tensor 运算重新设计 AI 数学、芯片、内存、互连、服务器和整个数据中心推理系统。
所以从企业目录角度来看，可以这样理解：
Recogni 是历史名称。
Tensordyne 是现在的公司。
Tensordyne Napier：Recogni 技术真正进入数据中心
2026 年 6 月 15 日，Tensordyne 正式公布新一代 Napier AI Inference System。
Napier 这个名字来自 John Napier，也就是对数研究史上最著名的人物之一，这与公司的 Logarithmic AI Math 路线直接对应。
Napier 已经完成 Tape-Out，也就是芯片设计已经进入制造阶段，公司表示正在向高产量制造推进。
这一代产品已经和最初的 Scorpio 完全不同。
Scorpio 是汽车视觉 AI 加速器。
Napier 则是一整套数据中心 AI Inference Platform。
Napier 使用 3nm AI 芯片
Napier AI Processor 使用 3nm 制程，把 Tensordyne 的对数 AI 数学直接实现到硬件中，同时集成大量 SRAM、HBM3e 高带宽内存和高速 Scale-Up Interconnect。
公司的思路是：
首先通过 Pareto/Log Math 降低传统乘法器需要的晶体管数量。
节省下来的芯片面积可以安装更多 Tensor Engine、更大的 SRAM 和更强的互连。
然后再通过 HBM3e 解决大型模型最严重的内存带宽问题。
最后使用高速 Scale-Up Network 把大量芯片组合成一个统一 AI 系统。
因此 Tensordyne 已经不再简单出售一颗 NPU。
它正在走 NVIDIA、Cerebras 和其他大型 AI 系统企业相似的方向：
Chip + Memory + Networking + Software + Rack。
TDN72：72 颗芯片组成一个 AI Pod
Napier 系统的核心单元叫做 TDN72 Pod。
每个 TDN72 通过高速互连连接 72 个 AI 计算节点，而一个完整 Napier Rack 可以组合四个 TDN72 Pod。
这样设计的目的，是让大型语言模型能够跨多颗处理器运行。
今天最大的 LLM 模型不可能全部装进一颗芯片，因此数据中心 AI 真正的竞争已经从“单颗芯片有多快”变成：
几十甚至几百颗芯片放在一起以后有多快？
芯片之间通信需要多少电力？
模型数据怎样在 HBM 和 SRAM 之间移动？
每个用户能够得到多少 Token？
整个 Rack 每消耗一度电能够产生多少 Token？
这些才是 Tensordyne 真正希望竞争的指标。
Tensordyne 宣称比 NVIDIA Blackwell 提供更高推理效率
Tensordyne 在 2026 年公布了一组非常激进的性能目标。
公司表示，在 DeepSeek-R1 工作负载上，一个 Napier Rack 可以达到约 363,000 Tokens per Second per Rack，而其对比的 NVIDIA GB300 NVL72 系统约为 27,400 Tokens per Second per Rack。
按照 Tensordyne 的测试和模型，公司宣称 Napier 在这一场景中可以达到约 13 倍 Rack 吞吐量优势，以及最高约 17 倍 Tokens per Watt 优势。
Tensordyne 还宣称 DeepSeek-R1 可以达到大约 210 Tokens per Second per User。
这些数字如果最终能够在真实量产系统和独立测试中得到验证，将非常有竞争力。
但是目前需要明确说明：
这些数据主要来自 Tensordyne 官方公布的性能结果和系统模型，不应该直接视为已经得到大规模第三方验证的最终 Benchmark。
对于仍处于新平台商业化阶段的 AI 芯片企业，真实客户部署表现通常比厂商发布会数字更加重要。
30kW Air-Cooled Pod
Napier 另外一个很有意思的特点是强调 Air Cooling，也就是空气冷却。
Tensordyne 官方表示，一个 Napier Pod 大约消耗 30kW，可以使用空气冷却，而不需要今天很多高端 GPU 服务器越来越复杂的液冷基础设施。
这件事情看似只是散热，其实非常重要。
AI 数据中心现在遇到的最大限制已经不只是“买不到 GPU”。
很多地区真正缺的是：
电力。
变电站容量。
冷却系统。
数据中心空间。
如果相同功率能够产生更多 Token，那么 AI Cloud Provider 就不需要不断增加新的机房。
因此 Recogni/Tensordyne 的商业逻辑最终可以概括成一句话：
不是简单卖更快的芯片，而是让同样一兆瓦电力产生更多 AI Token。
与 Broadcom 和 HPE Juniper Networks 合作
Napier 并不是 Tensordyne 完全独立开发的封闭系统。
2026 年官方公布，Napier 平台与 Broadcom 和 HPE Juniper Networks 合作开发，特别是 Scale-Up Interconnect 和系统级网络部分。
NVIDIA 可以自己开发 GPU、NVLink、Spectrum-X、网络交换机和完整服务器体系。
规模较小的芯片公司如果什么都自己开发，不但成本巨大，而且研发周期非常长。
与 Broadcom、HPE Juniper Networks 这样的成熟基础设施公司合作，可以让 Tensordyne 更快进入真正的数据中心市场。
Recogni 与 NVIDIA 到底有什么区别？
早期 Recogni 和 NVIDIA 并不是直接竞争。
一个主要做汽车视觉 AI Accelerator，一个主要做 GPU。
但今天的 Tensordyne 已经明确进入 NVIDIA 最核心的数据中心 AI 推理市场。
双方最大的区别不是“一个有 GPU，一个有 NPU”这么简单，而是数学路线不同。
NVIDIA 仍然依靠传统 Floating Point 和 Integer Tensor Core，通过 FP16、BF16、FP8、FP4 等不断降低精度，再配合越来越先进的制程和 HBM 提高计算能力。
Tensordyne 则试图从数字表示本身入手。
它认为传统 AI 计算最根本的问题之一，是大量使用昂贵的乘法器。
Pareto/Log Math 的目的，就是直接减少乘法计算复杂度。
这是一场很有意思的技术路线竞争：
Tensordyne 在尝试改变 AI 使用的数学表示方式。
Recogni 与 Groq、Cerebras、d-Matrix 等企业的区别
Tensordyne 现在真正更接近 Groq、Cerebras、d-Matrix、FuriosaAI 和 Etched 这一类数据中心 AI 推理企业，而不是 Kneron、Hailo 和 DEEPX 这样的低功耗 Edge AI 公司。
Groq 强调极高 Token Generation Speed 和确定性执行。
Cerebras 通过巨型 Wafer-Scale Engine 减少多芯片通信瓶颈。
d-Matrix 重点发展 Digital In-Memory Computing。
Etched 则围绕 Transformer 设计高度专用 ASIC。
Tensordyne 最大的差异则是：Logarithmic AI Math。
它相信如果最基础的计算数学发生改变，就能够从根本上重新平衡芯片面积、功耗、内存和算力。
Recogni/Tensordyne 的优势
Tensordyne 最大的优势首先是技术差异化。
现在很多 AI 芯片创业公司本质上仍然是在设计另外一种矩阵处理器，而 Pareto 属于更加底层的数字系统创新，因此如果真正成功，潜在优势可能非常大。
第二个优势是公司已经拥有实际芯片经验。
Recogni 并不是一家突然为了生成式 AI 才成立的 PPT 公司。
早期 Scorpio 已经完成 TSMC 7nm 芯片并进入实际汽车 AI 产品阶段，因此团队已经积累过先进制程 AI 芯片、内存架构和软件系统经验。
第三个优势是投资者和产业合作伙伴非常强。
BMW、Toyota、Bosch 和 Continental 给公司带来了汽车产业背景，而 Juniper、Broadcom、DataVolt 以及云计算合作伙伴则正在帮助公司进入数据中心。
第四个优势是 AI Inference 市场本身非常巨大。
训练一个模型可能只发生一次或者几十次，但是模型投入生产以后可能每天响应几十亿次请求。
长期来看，Inference 很可能成为整个 AI 基础设施中最大的计算市场之一。
Recogni/Tensordyne 面临的挑战
最大的挑战当然是 NVIDIA。
NVIDIA 的真正优势不仅是芯片性能，而是 CUDA、TensorRT、NVLink、Networking、HBM 供应链、服务器 OEM、云服务商支持以及数百万开发者形成的完整生态。
一套新的 AI 系统要取代 NVIDIA，并不只是证明芯片快一点就够了。
客户必须能够非常容易地迁移 PyTorch、Transformer、vLLM 和现有模型，同时还要保证稳定性、故障恢复、监控、安全和长期供应。
第二个问题是 Napier 仍然是一套非常新的平台。
截至 2026 年，公司已经宣布 Napier 成功 Tape-Out，并正在推进制造和 Beta Program，但它距离像 NVIDIA Blackwell 那样拥有庞大的全球部署量仍然有明显距离。
第三个问题是官方性能数字需要进一步验证。
13 倍吞吐量和 17 倍能效如果能够在真实客户系统中得到独立重复，将极具冲击力；
但在更多第三方 Benchmark 出现之前，应该把这些数字看作 Tensordyne 的官方性能主张，而不是最终行业定论。
第四个问题则是公司经历了非常大的战略转型。
从汽车芯片全面转向大型数据中心系统意味着客户、供应链、软件、销售渠道和竞争对手几乎全部发生变化。
这是一个巨大的机会，同时也是执行风险。
为什么 Recogni 的转型值得关注？
Recogni 的故事其实非常能说明今天 AI 芯片产业发生了什么。
2017 年，公司认为最需要 AI Accelerator 的市场是自动驾驶。
所以它制造了一颗 1000 TOPS、25W 的视觉 AI 芯片。
到了 2023 年以后，生成式 AI 突然产生远远更大的算力需求。
于是公司开始思考：
既然我们能够把汽车中的 AI 推理做得非常高效，为什么不能把同样的思想放进数据中心？
随后出现 Pareto。
然后是与 Juniper 的合作。
再然后公司彻底退出原来的 Edge AI 定位。
最终连公司名称 Recogni 都放弃，变成 Tensordyne。
从这个角度看，Recogni 并不是消失了。
它实际上完成了一次非常彻底的重生。
总结
Recogni 是一家成立于 2017 年的美国 AI 加速器企业，最初专门开发自动驾驶视觉推理芯片。
其早期 Scorpio/VCM 平台可以提供大约 1000 TOPS 计算能力，同时把功耗控制在约 25W，是当时非常激进的高性能汽车 AI Accelerator。
但是生成式 AI 改变了公司的方向。
2024 年，Recogni 发布基于 Logarithmic Math 的 Pareto AI Number System，通过把大量乘法运算转换为更加简单的加法，希望从数学层面降低 AI 芯片的面积、功耗和成本。
2025 年 9 月 8 日，公司正式从 Recogni 更名为 Tensordyne，并完全转向数据中心生成式 AI 推理系统。
2026 年，公司又发布采用 3nm 芯片、HBM3e、SRAM 和高速 Scale-Up Interconnect 的 Napier AI Inference System，并宣布芯片已经完成 Tape-Out。
Tensordyne 官方宣称，在特定 DeepSeek-R1 场景中，Napier 可以实现最高约 13 倍 Rack 吞吐量和 17 倍 Tokens-per-Watt 优势，不过这些性能仍需要更多独立测试和规模化部署进一步验证。
因此如果今天仍然把 Recogni 简单归类为“自动驾驶 AI 芯片公司”，已经不准确。
更准确的定义是：Recogni 是 Tensordyne 的前身。
它从一家低功耗汽车视觉 AI 加速器企业，转型成为一家专门挑战 NVIDIA 数据中心推理经济性的 AI 芯片和 Rack-Level System 企业。
而它最值得关注的技术，并不是简单增加更多 TOPS。
而是一个更加基础的问题：AI 一定必须继续用今天这种数学方式计算吗？
如果 Tensordyne 的答案最终被证明是正确的，那么 Pareto 和 Napier 可能会成为 AI 加速器行业中非常值得长期观察的一条技术路线。
原公司名称： Recogni Inc.
现公司名称： Tensordyne, Inc.
成立时间： 2017 年
更名时间： 2025 年 9 月 8 日
当前总部： 美国加利福尼亚州 Sunnyvale
德国研发基地： Munich
CEO： Marc Bolitho
联合创始人兼 CPO： R. K. Anand
联合创始人、VP of AI & Product： Gilles Backhus
早期核心市场： 自动驾驶、计算机视觉、Edge AI
早期代表产品： Scorpio、Vision Cognition Module
早期 AI 性能： 约 1000 TOPS / 25W
当前核心市场： 数据中心 Generative AI Inference
核心技术： Pareto / Logarithmic AI Math
当前平台： Tensordyne Napier
Napier 制程： 3nm
主要系统技术： AI Processor、HBM3e、SRAM、Scale-Up Interconnect、Rack-Level AI Inference
主要合作伙伴： Broadcom、HPE Juniper Networks、DataVolt 等
2024 年 Series C： 1.02 亿美元
截至该轮累计融资： 约 1.75 亿美元以上
主要投资者： Celesta Capital、GreatPoint Ventures、Mayfield、DNS Capital、BMW i Ventures、Tasaru Mobility Investments、Juniper Networks 等
现官方网站： Tensordyne.ai