AI 回答一個問題，消耗資源的不只是完成計算的晶片。每生成一個 token，處理器都要反覆讀取模型權重，並保存和呼叫不斷增長的上下文資訊。
從光刻機巨頭退休兩年後，Peter Wennink 再次回到歐洲晶片產業的聚光燈下。不同的是，這位曾執掌 ASML 十餘年的高管，這次要參與打造的不是更先進的晶片製造裝置，而是一套試圖降低 AI 推理成本的新型計算系統。
9 月 15 日，荷蘭 AI 晶片初創公司 Euclyd 宣佈獲得超過 2 億歐元 A 輪融資。該輪融資由三星、Somerset Capital Partners、EQT 管理的 Scaleup Europe Fund 和 Innovation Industries 共同領投，丹麥出口與投資基金 EIFO、imec.xpand 等機構參投。
成立於 2024 年的 Euclyd 尚未公佈商用晶片、正式客戶或第三方測試結果，卻獲得了一筆規模可觀的早期融資。這筆投資背後，一端連接著三星的晶圓製造與記憶體業務，另一端則彙集了 ASML 前高管、歐洲半導體基金和多名資深晶片設計人員。
值得關注的是，Euclyd 瞄準了 AI 產業正在發生的一項變化。隨著大模型從集中訓練走向持續運行，算力競爭的衡量標準正從單純追求性能，延伸至每個 token 消耗多少電力、記憶體頻寬和資本。圍繞這些問題，越來越多公司開始在 GPU 之外尋找新的推理架構。
Euclyd 要縮短資料搬運距離
要理解 Euclyd 希望解決什麼問題，首先需要區分大模型訓練與推理對硬體的不同要求。
訓練過程中，模型需要反覆學習和調整參數，演算法與計算任務也可能頻繁變化，因此硬體需要較強的通用性。GPU 擅長處理平行任務，又擁有成熟的軟體生態，由此成為 AI 訓練的主流選擇。
推理則是已經訓練好的模型響應使用者請求並生成內容。此時，模型參數基本固定，同類運算需要被重複執行數百萬乃至數十億次。
硬體是否足夠靈活依然重要，但企業會更加關心另一組指標，包括單位時間生成多少 token、每個 token 成本多高，以及一座資料中心能夠承受多少請求。
在大模型逐個生成 token 的過程中，晶片需要反覆從記憶體讀取模型權重，同時保存此前文字形成的上下文資訊。計算單元的處理速度不斷提高，資料卻未必能以相同速度完成傳輸。結果是晶片有能力繼續計算，卻不得不等待資料到達。
這種計算能力與資料供給速度之間的差距通常被稱為“記憶體牆”。2025 年一項針對大語言模型推理的研究發現，即使擴大批處理規模，GPU 推理仍可能受到 DRAM 頻寬限制，大量計算資源未被充分使用。模型規模越大、上下文越長，需要保存和搬運的資料也就越多。
Euclyd 判斷，繼續增加計算單元或者擴大記憶體頻寬，只能部分緩解這一問題。其核心思路是改變處理器與記憶體之間的組織方式，讓記憶體儘可能靠近實際使用資料的計算單元，從而縮短搬運距離，減少多個處理器爭用同一記憶體通道的情況。
按照投資方 EQT 的介紹，Euclyd 的 craftwerk 架構會重複部署大量較小的計算單元，每個單元均配有本地 DRAM 和獨立通訊連接。傳統系統更像是讓少量處理器共同連接一個大型記憶體池，craftwerk 則希望把計算和記憶體拆成許多緊密結合的小單元。
這並不意味著資料可以完全停止移動。資料仍要在系統內部傳輸，但移動距離可以縮短，路徑也更加確定。與此同時，系統還能提前安排計算順序，在執行當前操作時準備下一項操作所需的資料，從而減少計算單元等待記憶體的時間。
如果把傳統架構中的處理器與記憶體通道視為一條不斷拓寬的主幹道，Euclyd 的方法更接近鋪設大量較短的支路。其目標不是讓單個計算核心達到最高速度，而是讓整個系統以更低能耗持續完成大規模推理任務。
這一設計也體現出專用晶片與 GPU 的不同取捨。訓練階段的模型結構和計算任務經常變化，GPU 能憑藉通用性處理不同負載。進入推理階段後，模型參數基本固定，同類運算被大量重複，專用晶片便可以圍繞這些穩定任務進一步最佳化，減少不必要的能耗和成本。
Euclyd 將 craftwerk 稱為面向智能體 AI 的可程式設計 ASIC。ASIC 是為特定任務設計的專用積體電路，通常能夠在目標任務中獲得更高效率，但適用範圍相對有限。
晶片之外，Euclyd 還在開發名為 CWS 32 的資料中心級系統。該公司希望把計算晶片、記憶體、互連、編譯器和運行軟體共同設計，使大型模型儘量運行在一個緊密整合的系統內，降低跨伺服器傳輸資料帶來的通訊與能耗負擔。
因此，Euclyd 真正嘗試出售的可能不只是一顆晶片，而是一套從計算單元延伸至資料中心的推理基礎設施。其性能也不能只由峰值算力判斷，還需要考察每瓦能夠生成多少 token、機架可以容納多少計算能力，以及總體部署和冷卻成本。
目前，這一路線仍處於驗證階段。EQT 披露，Euclyd 的首顆測試晶片已由三星製造，主要用於驗證計算架構。在公開基準測試、量產計畫和客戶部署結果出現之前，公司所宣稱的低功耗和低 token 成本仍有待獨立驗證。
三星押注本地記憶體架構
產品尚未完成商業驗證，Euclyd 為什麼能在 A 輪獲得超過 2 億歐元融資？答案可以從團隊背景中尋找。公司創始人 Bernardo Kastrup 與 Atul Sinha 曾在飛利浦研究院共同創辦處理器技術公司 Silicon Hive，後者於 2011 年被英特爾收購。
Euclyd 的其他聯合創始人 Gerard Egelmeers、Ingolf Held 和 Harm Peters，也曾在飛利浦研究院、Silicon Hive 與英特爾共事。根據 EQT 披露，這支團隊合作時間超過 20 年，曾參與多代平行處理器的設計和流片。
Kastrup 此後還曾負責 ASML 的產品戰略，同時長期從事哲學研究。這種跨越晶片設計、半導體裝置與哲學寫作的經歷頗為少見，不過，投資者更看重的仍是團隊實際完成複雜晶片項目的經驗。
ASML 前總裁兼首席執行長 Peter Wennink 的加入進一步增強了這種產業履歷。2013 年至 2024 年間，他執掌 ASML，並見證了 EUV 光刻技術進入大規模商業應用。
另外，三星在這筆投資中的角色同樣值得關注。Euclyd 公告只將三星列為聯合領投方，EQT 則進一步將其寫作 Samsung Catalyst Fund。與此同時，Euclyd 的首顆測試晶片由三星製造，雙方關係已經超出一般融資方與初創公司的接觸。
Euclyd 的架構強調處理器與記憶體協同設計，三星恰好同時擁有晶圓代工、DRAM、先進封裝和資料中心相關業務。不過，目前雙方尚未公佈大規模量產、長期供貨或採購協議，投資也不能直接等同於商業訂單。
這輪融資還帶有較鮮明的歐洲產業政策色彩。參投方 imec.xpand 專注於半導體初創企業，BOM 是荷蘭布拉班特省的發展機構。Euclyd 總部所在的埃因霍溫，則聚集了 ASML、恩智浦以及由飛利浦體系衍生出的眾多技術公司。
歐洲擁有 ASML、imec 等重要機構，也具備汽車晶片、功率半導體和晶片裝置產業基礎，但在通用 GPU 和大型 AI 雲平台方面仍較依賴美國企業。
而 Euclyd 產品的覆蓋範圍從晶片擴展至整機系統，既回應了推理成本問題，也契合歐洲建設自主 AI 基礎設施的需求。
目前，AI 推理晶片市場已經聚集多條技術路線。輝達繼續更新 GPU、互連和整機系統，雲服務企業正在開發自有 AI 晶片，Groq、Cerebras 等初創公司也分別從專用處理器和晶圓級晶片切入推理市場。
按照 Euclyd 公佈的計畫，本輪融資將用於擴充工程團隊、推進晶片與系統路線圖、加強產業合作，並為產品進入企業、主權 AI 和超大規模資料中心市場做準備。公司官網顯示，其招聘範圍已經覆蓋晶片架構、物理實現、系統、韌體、編譯器和運行軟體。
接下來，Euclyd 仍需公佈首顆晶片的測試結果、量產時間和軟體適配能力。目前官方也未披露估值、客戶訂單和商業部署計畫。(問芯)