三星领投、ASML前CEO出任董事长，这家欧洲AI芯片公司火了

AI 回答一个问题，消耗资源的不只是完成计算的芯片。每生成一个 token，处理器都要反复读取模型权重，并保存和调用不断增长的上下文信息。

从光刻机巨头退休两年后，Peter Wennink 再次回到欧洲芯片产业的聚光灯下。不同的是，这位曾执掌 ASML 十余年的高管，这次要参与打造的不是更先进的芯片制造设备，而是一套试图降低 AI 推理成本的新型计算系统。

9 月 15 日，荷兰 AI 芯片初创公司 Euclyd 宣布获得超过 2 亿欧元 A 轮融资。该轮融资由三星、Somerset Capital Partners、EQT 管理的 Scaleup Europe Fund 和 Innovation Industries 共同领投，丹麦出口与投资基金 EIFO、imec.xpand 等机构参投。

成立于 2024 年的 Euclyd 尚未公布商用芯片、正式客户或第三方测试结果，却获得了一笔规模可观的早期融资。这笔投资背后，一端连接着三星的晶圆制造与存储业务，另一端则汇集了 ASML 前高管、欧洲半导体基金和多名资深芯片设计人员。

值得关注的是，Euclyd 瞄准了 AI 产业正在发生的一项变化。随着大模型从集中训练走向持续运行，算力竞争的衡量标准正从单纯追求性能，延伸至每个 token 消耗多少电力、内存带宽和资本。围绕这些问题，越来越多公司开始在 GPU 之外寻找新的推理架构。

Euclyd 要缩短数据搬运距离

要理解 Euclyd 希望解决什么问题，首先需要区分大模型训练与推理对硬件的不同要求。

训练过程中，模型需要反复学习和调整参数，算法与计算任务也可能频繁变化，因此硬件需要较强的通用性。GPU 擅长处理并行任务，又拥有成熟的软件生态，由此成为 AI 训练的主流选择。

推理则是已经训练好的模型响应用户请求并生成内容。此时，模型参数基本固定，同类运算需要被重复执行数百万乃至数十亿次。

硬件是否足够灵活依然重要，但企业会更加关心另一组指标，包括单位时间生成多少 token、每个 token 成本多高，以及一座数据中心能够承受多少请求。

在大模型逐个生成 token 的过程中，芯片需要反复从内存读取模型权重，同时保存此前文本形成的上下文信息。计算单元的处理速度不断提高，数据却未必能以相同速度完成传输。结果是芯片有能力继续计算，却不得不等待数据到达。

这种计算能力与数据供给速度之间的差距通常被称为“内存墙”。2025 年一项针对大语言模型推理的研究发现，即使扩大批处理规模，GPU 推理仍可能受到 DRAM 带宽限制，大量计算资源未被充分使用。模型规模越大、上下文越长，需要保存和搬运的数据也就越多。

图｜Euclyd 官宣融资（来源：Euclyd 官网）

Euclyd 判断，继续增加计算单元或者扩大内存带宽，只能部分缓解这一问题。其核心思路是改变处理器与内存之间的组织方式，让内存尽可能靠近实际使用数据的计算单元，从而缩短搬运距离，减少多个处理器争用同一内存通道的情况。

按照投资方 EQT 的介绍，Euclyd 的 craftwerk 架构会重复部署大量较小的计算单元，每个单元均配有本地 DRAM 和独立通信连接。传统系统更像是让少量处理器共同连接一个大型内存池，craftwerk 则希望把计算和内存拆成许多紧密结合的小单元。

这并不意味着数据可以完全停止移动。数据仍要在系统内部传输，但移动距离可以缩短，路径也更加确定。与此同时，系统还能提前安排计算顺序，在执行当前操作时准备下一项操作所需的数据，从而减少计算单元等待内存的时间。

如果把传统架构中的处理器与内存通道视为一条不断拓宽的主干道，Euclyd 的方法更接近铺设大量较短的支路。其目标不是让单个计算核心达到最高速度，而是让整个系统以更低能耗持续完成大规模推理任务。

这一设计也体现出专用芯片与 GPU 的不同取舍。训练阶段的模型结构和计算任务经常变化，GPU 能凭借通用性处理不同负载。进入推理阶段后，模型参数基本固定，同类运算被大量重复，专用芯片便可以围绕这些稳定任务进一步优化，减少不必要的能耗和成本。

Euclyd 将 craftwerk 称为面向智能体 AI 的可编程 ASIC。ASIC 是为特定任务设计的专用集成电路，通常能够在目标任务中获得更高效率，但适用范围相对有限。

芯片之外，Euclyd 还在开发名为 CWS 32 的数据中心级系统。该公司希望把计算芯片、内存、互连、编译器和运行软件共同设计，使大型模型尽量运行在一个紧密集成的系统内，降低跨服务器传输数据带来的通信与能耗负担。

因此，Euclyd 真正尝试出售的可能不只是一颗芯片，而是一套从计算单元延伸至数据中心的推理基础设施。其性能也不能只由峰值算力判断，还需要考察每瓦能够生成多少 token、机架可以容纳多少计算能力，以及总体部署和冷却成本。

目前，这一路线仍处于验证阶段。EQT 披露，Euclyd 的首颗测试芯片已由三星制造，主要用于验证计算架构。在公开基准测试、量产计划和客户部署结果出现之前，公司所宣称的低功耗和低 token 成本仍有待独立验证。

三星押注本地内存架构

产品尚未完成商业验证，Euclyd 为什么能在 A 轮获得超过 2 亿欧元融资？答案可以从团队背景中寻找。公司创始人 Bernardo Kastrup 与 Atul Sinha 曾在飞利浦研究院共同创办处理器技术公司 Silicon Hive，后者于 2011 年被英特尔收购。

Euclyd 的其他联合创始人 Gerard Egelmeers、Ingolf Held 和 Harm Peters，也曾在飞利浦研究院、Silicon Hive 与英特尔共事。根据 EQT 披露，这支团队合作时间超过 20 年，曾参与多代并行处理器的设计和流片。

图｜Kastrup 研发团队（来源：Eindhovens Dagblad 相关报道）

Kastrup 此后还曾负责 ASML 的产品战略，同时长期从事哲学研究。这种跨越芯片设计、半导体设备与哲学写作的经历颇为少见，不过，投资者更看重的仍是团队实际完成复杂芯片项目的经验。

ASML 前总裁兼首席执行官 Peter Wennink 的加入进一步增强了这种产业履历。2013 年至 2024 年间，他执掌 ASML，并见证了 EUV 光刻技术进入大规模商业应用。

另外，三星在这笔投资中的角色同样值得关注。Euclyd 公告只将三星列为联合领投方，EQT 则进一步将其写作 Samsung Catalyst Fund。与此同时，Euclyd 的首颗测试芯片由三星制造，双方关系已经超出一般融资方与初创公司的接触。

Euclyd 的架构强调处理器与内存协同设计，三星恰好同时拥有晶圆代工、DRAM、先进封装和数据中心相关业务。不过，目前双方尚未公布大规模量产、长期供货或采购协议，投资也不能直接等同于商业订单。

这轮融资还带有较鲜明的欧洲产业政策色彩。参投方 imec.xpand 专注于半导体初创企业，BOM 是荷兰布拉班特省的发展机构。Euclyd 总部所在的埃因霍温，则聚集了 ASML、恩智浦以及由飞利浦体系衍生出的众多技术公司。

欧洲拥有 ASML、imec 等重要机构，也具备汽车芯片、功率半导体和芯片设备产业基础，但在通用 GPU 和大型 AI 云平台方面仍较依赖美国企业。

而 Euclyd 产品的覆盖范围从芯片扩展至整机系统，既回应了推理成本问题，也契合欧洲建设自主 AI 基础设施的需求。

目前，AI 推理芯片市场已经聚集多条技术路线。英伟达继续更新 GPU、互连和整机系统，云服务企业正在开发自有 AI 芯片，Groq、Cerebras 等初创公司也分别从专用处理器和晶圆级芯片切入推理市场。

按照 Euclyd 公布的计划，本轮融资将用于扩充工程团队、推进芯片与系统路线图、加强产业合作，并为产品进入企业、主权 AI 和超大规模数据中心市场做准备。公司官网显示，其招聘范围已经覆盖芯片架构、物理实现、系统、固件、编译器和运行软件。

接下来，Euclyd 仍需公布首颗芯片的测试结果、量产时间和软件适配能力。目前官方也未披露估值、客户订单和商业部署计划。

参考信源

1.https://www.euclyd.ai/press-release

2.https://stories.eqtventures.com/articles/euclyd’s-€200m-series-a-to-stop-moving-data

3.https://research-and-innovation.ec.europa.eu/strategy/strategy-research-and-innovation/jobs-and-economy/eu-startup-and-scaleup-strategy_en

4.https://mp.weixin.qq.com/s/XQVFO-ZRvye245ZHCTzxQg

运营/排版：何晨龙

注：封面/首图由 AI 辅助生成