🧠 只做推理的韩国芯片公司估值翻四倍：FuriosaAI 拿 6.2 亿美元，一张 180 瓦的卡明年要产 4 万张

10 月 28 日，韩国 FuriosaAI 宣布完成 6.2 亿美元 D 轮，投后估值 29 亿美元，一年翻四倍。它只做推理——用一张 180 瓦、靠风扇散热的 PCIe 卡，去抢英伟达最赚钱的那部分生意。

⚡ 一句话结论

AI 芯片的战场正在从「谁训练得更快」转向「谁跑得更省」。训练一个模型只做一次，把它跑起来却要做几十亿次——这中间的账，才是数据中心真正的天花板。

🔍 3分钟看懂：到底发生了什么

10 月 28 日，FuriosaAI 在官方博客和新闻稿里宣布完成 6.2 亿美元 D 轮融资，投后估值 29 亿美元。这家公司 2017 年在首尔成立，创始团队是在 AlphaGo 击败李世石之后决定做 AI 芯片的。

钱主要来自三处：

• 韩国政府的 National Growth Fund 出资 3700 亿韩元（约 2.8 亿美元），是最大单一投资方
• 国际投资方合计约 1.1 亿美元，以美国基金 Infinitum 为首，Jericho Capital、Worldline Capital、思科投资、阿布扎比 NeoFort Holding、新加坡 QUDA Capital 跟投
• 老股东追加约 1.25 亿美元，包括 NAVER、DSC Investment、KDB Capital；韩国进出口银行首次直接投资创业公司

估值曲线是这件事最直观的部分：去年那一轮它的估值是 7.35 亿美元，现在是 29 亿美元。在 AI 硬件普遍被英伟达压着的市场里，这个涨幅说明资本开始把「推理专用芯片」当成一门独立生意，而不是大厂产品的边角料。

🔧 这颗卡是什么：180 瓦、风冷、插进现有服务器

FuriosaAI 目前只有一颗量产芯片 RNGD（读作 renegade），2026 年 1 月进入量产。它的产品形态有两种：

这三个数字放在一起才有意义。市面上主流的训练卡单卡功耗在 700 瓦到 1000 瓦以上，一套 8 卡机器往往要专门做液冷。RNGD 走的是相反的路：功率压到 180 瓦，靠空气散热，不需要重建机房——这是它对企业客户最实际的卖点。

架构上，FuriosaAI 用的是自研的 TCP（Tensor Contraction Processor）。通俗讲，普通 GPU 把模型计算拆成一堆二维矩阵乘法，而 TCP 把更高维的「张量收缩」直接作为硬件和软件的基本单位，再配合确定性执行来减少数据搬运——数据搬得少，电就省下来了。

📊 数字怎么看：2 万张、4 万张，和一句「对标 RTX PRO 6000」

融资公告里最硬的产能数字是：RNGD 今年产出 2 万张（彭博社报道称由台积电代工），公司已经锁定存储和晶圆产能，2027 年要超过 4 万张。

性能方面，公司给了两个对标口径，都需要加一句「厂商自测」：

• 在相同卡数下，RNGD 的吞吐与英伟达 RTX PRO 6000 相当
• 每千瓦电力能服务的用户数是后者的两倍

这两个说法目前没有第三方复测数据公开，测试条件（模型、上下文长度、并发数、batch 大小）也未完整披露。真正有价值的是它自己划定的目标区间：RNGD 面向「每个用户每秒约 100 token」这一类企业推理场景，官方点名跑得好的是 Gemma 4、Qwen 3.8-27B 这类中等规模开源模型。这不是给万亿参数前沿模型准备的卡，认清这一点比记住倍数更重要。

软件侧的进展同样关键：今年已发布四个大版本 SDK，2026.4 版在 18 个模型上提升了每瓦 token 产出，其中 gpt-oss-120B 提升 138%；新增了混合批处理（把预填充和解码混在一批）、前缀缓存、原生 Kubernetes 支持。今年 10 月的 PyTorch 开发者大会上，它还演示了「像在 GPU 上一样部署 PyTorch」的路径。

💡 为什么这件事重要：训练只做一次，推理要做几十亿次

一个模型训练一次就结束了，但上线之后每天要被调用几十亿次。这意味着推理的成本结构里，电费、机柜、制冷、运维的权重远远高于训练。

FuriosaAI 反复强调的就是这个逻辑：数据中心真正的天花板不是芯片算力，而是电力。同一栋楼里，如果一张卡能用一半的电跑出同样的吞吐，你能塞进去的卡就翻倍，能服务的用户也翻倍。

这也是为什么 2026 年这一波融资里，做推理专用芯片的公司估值涨得最快。8 月，同样做推理芯片的 Etched 在一轮融资中拿到 210 亿美元估值；FuriosaAI 这轮 29 亿美元，虽然规模小一个量级，但路径一样——不跟英伟达拼通用训练，而是把「单位电力的 token 产出」做到极致。

✅ 适用场景：谁现在就该关注

• 要在自己机房里跑大模型的企业：法律、医疗、政务、金融这类数据不能出院的行业，最在意「机柜改不改得动」。180 瓦风冷意味着不用重建机房
• 主权 AI 项目：韩国政府基金领投本身就是信号，这类项目要的是本国供应链和可控算力
• AI 云服务商：Samsung SDS 已在 7 月上线基于 RNGD 的 NPU-as-a-Service，LG 集团把它放进私有混合云跑自研 EXAONE 模型，韩国 AI 公司 Upstage 用它做搜索摘要
• 找第二供应商的采购方：当你的推理账单有一半交给一家厂商时，任何能跑通主流开源模型的替代方案都值得做一次影子测试

地理上它已经在首尔之外铺开：7 月与 Equinix 在里斯本落地欧洲节点，并与 I-ONX、Velox 合作在瑞典建 15 兆瓦的 AI 数据中心，新加坡设了亚太枢纽。

🚫 不适用场景：别指望它替代训练集群

• 训练：RNGD 是为推理设计的，没有 NVLink 级别的超大带宽互联，也没有为万亿参数训练准备的内存体系。想训基础模型，这不是选项
• 超大模型单机部署：384GB HBM3 的整机装不下几千亿参数的模型，官方定位就是中等到百亿级
• 必须用 CUDA 的团队：PyTorch 可以直接跑，但自定义算子、冷门框架、特定推理引擎的适配仍要自己趟
• 急着大规模上量：今年 2 万张的产量分到全球客户手里并不多，交期是现实问题

⚠️ 避坑：看到这类对标数据该问什么

1. 口径是什么——单卡吞吐、整机吞吐，还是每瓦 token？三者差一倍很正常
2. 测试条件写了吗——模型版本、上下文长度、并发数、输出长度，缺一个就不可比
3. 「对标 RTX PRO 6000」是同卡数还是同价格、同功耗——官方说的是同卡数，不是同价位
4. 客户名单能不能验证——Samsung SDS、LG、Upstage 都点名了，可以顺着查实际业务规模
5. 供给能不能跟上——公司说锁定了 2027 年的存储产能，但全行业都在抢 HBM，美光预计内存紧张会持续到 2028 年

💰 成本与时间：这笔账怎么算

假设你要为一个 27B 级别的模型搭私有推理集群，日请求量中等。下面是一个粗略框架（不是报价，只为说明思路）：

一个务实的验证周期是 4 到 8 周：先拿流量最大的一两个模型做影子部署，跑完一个完整业务周期，把实际 token 成本、故障率和运维工时都记下来，再谈规模化。

🎯 行动建议：下一步可以做什么

1. 先确认模型清单：你的主力模型在不在对方的已验证清单里（官方点名 Gemma 4、Qwen 3.8-27B 这一类）。不在的话，适配周期要重新估
2. 要一份完整的测试条件说明：而不是结论那一行的倍数，重点看上下文长度和并发设置
3. 把「电」算进总账：如果机房供电已经到顶，180 瓦带来的扩容空间可能比性能差异更值钱
4. 盯第三代产品节奏：官方说 Gen 3 与 Broadcom 合作，用 2nm 多 die 设计加 HBM4/4E，目标是前沿 Agent 模型的大集群。那一代才是往上打的产品，这一代是抢企业私有化推理的窗口期

📝 写在最后

这轮融资真正值得记的不是 6.2 亿美元这个数字，而是它出现的时点：当所有人都在讨论谁家的训练集群更大时，一家韩国公司靠一张 180 瓦的卡和一条「每瓦 token」的叙事，把估值做到了 29 亿美元。

推理芯片的护城河不在峰值算力，而在软件栈的成熟度和交付能力。FuriosaAI 今年发了四个 SDK 大版本，说明它清楚自己最薄的那块板在哪。这条路能不能走通，2027 年 4 万张的交付是一个可以验证的节点。

对普通读者来说，实用价值很直接：如果你所在的公司正在为私有化部署选卡，桌面上多了一个不要求你重建机房的选项。这在两年前是不存在的。

🔗 参考来源