商汤分拆的GPU公司曦望再融20亿元 四个月估值接近翻倍至200亿元

《科创板日报》8月28日讯，市场消息显示，近日，AI推理GPU企业浙江曦望智能科技股份有限公司（下称“曦望Sunrise”）完成新一轮20亿元融资，投后估值约200亿元。

本轮投资方包括人保股权、建信股权、东方国际资产、Janchor Partners、中科创星、同创伟业、进化论资本、临芯投资、毅达资本、湖畔基金、弘晖基金等投资机构，以及正大集团、九安医疗、盈峰环境、三七互娱和同程旅行等产业资本。

今年4月，曦望刚刚完成由杭州资本领投的超10亿元融资，投后估值超过100亿元。不到半年，其估值已接近翻倍。粗略计算，自2024年底从商汤科技分拆独立以来，曦望累计融资金额已接近60亿元。

对于此次融资消息，曦望此前向媒体表示，暂不便作进一步评论。

曦望总部位于杭州，其前身为商汤科技大芯片部门。2024年底，商汤推进“1+X”组织架构调整，将芯片等高投入、长周期业务分拆为独立运营的生态企业，曦望由此开始引入外部资本。

团队方面，曦望董事长徐冰为商汤科技联合创始人；联席CEO王勇曾在AMD、百度昆仑芯等从事芯片研发，2020年加入商汤并负责芯片业务；另一名联席CEO王湛曾任百度高级副总裁，参与搭建百度搜索推广系统“凤巢”，目前主要负责曦望的产品化和商业化。

公开资料显示，目前曦望团队规模约400人，研发人员占比超过80%。公司主要聚焦AI推理GPU及配套软件栈，已形成S1、S2、S3三代产品。

其中，启望S1主要面向计算机视觉和云边多模态推理。据公司披露，该芯片已实现量产，主要应用于智慧城市、智慧交通及其他视觉分析场景。

S2主要面向大模型推理，支持主流AI框架和大模型，并已实现量产。曦望方面此前披露，S1、S2两代芯片均一次流片成功，但相关说法主要来自公司自身，具体出货规模和客户结构尚未获得完整公开披露。

2026年1月，曦望发布新一代启望S3推理GPU，并同步推出面向大模型推理的超节点方案。与强调训练和推理兼容的通用GPU不同，S3将更多芯片面积及功耗预算用于推理计算，并采用LPDDR内存路线，试图降低大模型和智能体应用中的单位Token成本。

训练和推理对算力芯片的要求并不完全相同。训练通常更重视峰值计算性能、芯片间高速互联和高带宽内存；推理除了关注计算能力，还要考虑模型加载、KV Cache访问、响应延迟、能耗和持续运行成本。随着大模型调用量增加，采购方对每百万Token的算力成本和系统吞吐量也更加敏感。

曦望选择LPDDR而非高端训练GPU普遍使用的HBM，主要是为了在容量、成本和供应链之间取得平衡。LPDDR单颗内存的带宽通常低于HBM，但价格相对较低、供应范围更广，也更容易扩大显存容量。其代价是芯片需要通过计算架构、缓存、低精度计算和软件调度等方式弥补带宽差距。

曦望方面称，S3目标将单位Token推理成本较当前主流方案降低90%，并提出“百万Token一分钱”的成本目标。但这一指标目前仍属于产品设计目标，其实际效果还需通过量产后的客户部署、持续负载和完整系统成本进行验证。

此次融资发生在国内AI算力需求由训练向训练、推理并重转变的背景下。随着大模型API调用、AI Coding、智能体和多模态生成应用增加，一次用户任务可能触发多轮模型调用和工具执行，推理计算由间歇性需求逐渐转变为持续性算力消耗。

不过，推理市场扩大并不意味着推理GPU可以自然获得订单。国内AI芯片竞争已经由单卡参数逐步转向系统交付能力，除芯片性能外，软件生态、模型适配、集群稳定性、供应能力和总体使用成本都将影响客户采购。

目前，国内AI算力芯片企业的产品路线主要包括通用GPU、AI加速器、数据中心专用处理器和客户定制ASIC等。寒武纪、海光信息、摩尔线程、沐曦、壁仞、燧原和昆仑芯等厂商，分别在产品定位、指令集、软件生态和目标客户方面采取不同路径。

其中，寒武纪2025年实现营业收入64.97亿元，同比增长453.21%；归母净利润20.59亿元，首次实现年度盈利。其云端产品线收入为64.77亿元，成为收入增长的主要来源。寒武纪的增长说明国产AI加速卡需求正在释放，但公司收入仍高度集中于云端产品，后续还需观察客户结构及增长持续性。

海光信息2025年实现营业收入143.77亿元，同比增长56.92%。公司同时布局通用CPU和DCU，产品主要通过服务器厂商进入电信、金融、互联网等行业。截至2025年11月，海光对深算三号的公开表述仍为“产品进展顺利”，尚不足以认定其已于2025年完成全面商用。

摩尔线程则基于第四代MUSA架构推出PH100芯片及MTT S5000训推一体智算卡。公司披露，MTT S5000的稠密计算能力最高为1000TFLOPS，配备80GB显存，并适配PyTorch、Megatron-LM、vLLM和SGLang等框架。其产品路线更强调训练与推理兼容，与曦望集中押注推理效率的策略存在差异。

除了GPU和通用AI加速器，云服务商及大型科技企业也在增加定制ASIC投入。Omdia预计，到2028年，全球AI ASIC出货量将达到1050万颗，略高于GPU的1010万颗。不过，从收入规模看，GPU预计仍将领先至2032年，GPU与ASIC之间的收入差距可能从2029年开始逐渐缩小。

ASIC通常针对特定模型或计算负载进行优化，在规模足够大的情况下可以获得更好的成本和能效；GPU则在可编程性、软件生态和不同模型适配方面更具优势。对于曦望而言，如何在保持GPU可编程能力的同时获得接近专用芯片的推理效率，是其产品路线能否成立的关键。

另一个行业变化是AI服务器由单卡竞争逐渐转向整机柜及集群竞争。随着模型参数、上下文长度和并发调用量增加，单颗芯片已难以独立满足大型模型推理需求，芯片间互联、内存容量、网络通信、供电散热和集群调度的重要性随之上升。

中金公司预计，随着算力卡供给、模型参数及推理需求等条件逐渐成熟，国内超节点有望于2027年进入放量阶段。但目前国内超节点仍处于产品发布、客户验证和初期部署阶段，相关放量节奏仍取决于芯片供给、互联能力、软件适配和客户资本开支。

政策层面，多地“十五五”产业规划均将高性能算力芯片、通用处理器、互联芯片、EDA及先进封装列为重点发展方向。上海近期发布的相关规划提出，推进高性能算力芯片、通用处理器芯片、存储芯片和互联芯片发展，并加强EDA、IP、先进封装及三维堆叠等环节的技术攻关。

总体而言，推理需求增加为国产AI芯片提供了新的市场窗口，但行业也已进入由产品发布转向规模交付的验证阶段。曦望前两代芯片为其积累了流片和量产经验，S3则选择了推理专用架构和LPDDR内存的差异化路线。

完成本轮融资后，曦望接下来需要回答的问题是，S3能否按计划实现规模量产，其单位Token成本优势能否在真实业务负载下兑现，以及公司能否在国产AI芯片日趋激烈的竞争中建立稳定的软件生态、客户结构和商业收入。