微珩启元（微珩科技）在短短一个月时间接连完成两轮融资，资本集中押注这家主打异构内存架构的 AI 推理芯片企业，公司核心目标就是攻克大模型推理场景的内存墙痛点，传统冯诺依曼架构里算力单元和内存分开，大模型跑起来大部分能耗和时间都浪费在数据来回搬运上，就算 AI 芯片算力再强，也会被内存带宽拖慢速度，微珩启元不走单纯堆算力的路线，而是把存储、计算、互联一体化设计，靠 3D 堆叠 DRAM、近存计算、SRAM 存算加上 RISC-V 异构调度组合方案，减少数据搬运距离，提升带宽同时压低推理功耗，团队源自 Nano Labs，浙大博士带队，主打 LPU 语言处理单元推理芯片，面向边缘、端侧、小型推理服务器市场，两轮资金主要用于流片验证、架构迭代和配套软件栈开发，目前产品还处在研发验证阶段，没有大规模量产交付。下面把融资情况、内存墙原理、技术路线、产品定位、竞争差异拆开整理清楚。
一、本轮融资核心信息清单
- 主体公司：杭州微珩启元科技有限公司（对外也叫微珩科技，品牌 NanoTrix）
- 融资节奏：一个月内连续两轮，Pre-A 轮、Pre-A + 轮
- 投资方：TCL 创投、翌马资本、杭州科创集团等机构参与
- 资金用途：LPU 推理芯片流片、3D DRAM 近存架构验证、AI 编译器与模型适配软件栈研发
- 团队背景：Nano Labs 分拆团队，核心成员浙大博士，拥有多年高性能芯片、先进封装经验
- 赛道定位：专注 AI 推理，不做大模型训练芯片
二、什么是 AI 领域的内存墙
传统芯片架构中，计算核心和 DRAM 内存相互独立，计算的时候需要不断从内存读取权重、KV 缓存。大模型上下文越长、并发越多，需要搬运的数据量就越大，算力芯片经常处于等数据的闲置状态，算力利用率很低，同时数据搬运带来极高功耗，这个瓶颈就是业内常说的内存墙。在端侧、边缘推理场景，内存墙问题比云端训练场景更加突出。
三、微珩启元三大核心技术路线表
| 技术方向 | 实现方式 | 解决的问题 |
|---|---|---|
| 3D DRAM 近存计算 | DRAM 垂直堆叠，高密度互联，存储靠近计算单元 | 拉高内存带宽、缩短数据传输距离，降低延迟和功耗 |
| SRAM 存算一体阵列 | 在片上 SRAM 里直接完成矩阵运算 | 加速时延敏感的核心算子，减少对外存访问频次 |
| RISC-V 异构调度 | 自研异构互联架构，配套 AI 编译器 | 统一调度不同存算单元，适配主流大模型量化、KV 缓存需求 |
四、自研 LPU 芯片产品说明
LPU 全称语言处理单元，是微珩启元面向大模型推理设计的专用芯片，和通用 GPU 不一样：
- 硬件电路专门针对 Transformer 推理、KV 缓存、向量检索优化，砍掉训练相关冗余电路
- 原生搭配自研异构 3D 内存架构，优先保障带宽，而不是单纯堆 TOPS 算力
- 配套完整软件栈，支持 PyTorch 模型导入、自动量化、算子融合，方便客户部署开源大模型
- 目标场景：边缘 AI 盒子、本地私有化推理节点、智能终端算力卡
五、路线对比：和 HBM、普通存算一体方案差别
- 对比 HBM 方案：HBM 成本高、依赖高端封装，微珩启元方案主打适合边缘场景的性价比路线，追求供应链可控
- 对比单纯存算一体：纯存算一体通用性弱，微珩是近存 + 存算 + RISC-V 异构组合，兼顾能效和模型适配灵活性
六、当前项目风险清单
❌ 芯片还在流片验证阶段，暂无正式量产芯片落地，性能指标还没有大规模实测数据
❌ 近存、3D 堆叠封装工艺难度高，良率、成本控制存在不确定性
❌ 赛道玩家多，国内多家企业同步布局近存、存算一体推理芯片，竞争激烈
❌ 大模型框架迭代快，软件栈适配、生态建设需要持续投入
【相关 FAQ】
问题 1：微珩启元一月完成两轮融资，核心是想用什么方案攻克内存墙？
回答 1：微珩启元一月两轮融资，依靠 3D DRAM 近存计算搭配 SRAM 存算、RISC-V 异构调度的一体化架构攻克内存墙，缩短数据搬运距离，提升大模型推理带宽、降低能耗。
问题 2：微珩启元主攻内存墙，它的 LPU 芯片和 GPU 有什么区别？
回答 2：微珩启元 LPU 芯片是面向大模型推理的语言处理单元，不支持模型训练，硬件针对 KV 缓存、Transformer 推理算子优化，核心设计目标就是缓解内存墙瓶颈，和兼顾训练推理的 GPU 定位不同。
问题 3：微珩启元一月两轮融资拿到的资金，主要投入到攻克内存墙的哪些环节？
回答 3：融资资金主要投入 LPU 推理芯片流片验证、3D DRAM 近存架构测试，还有 AI 编译器、模型部署软件栈的开发，用来支撑内存墙方案落地。
问题 4：微珩启元用来解决内存墙的近存计算，和大家常听说的存算一体是一回事吗？
回答 4：不完全等同，微珩启元方案是近存计算为主、搭配 SRAM 存算阵列，近存侧重把计算放到内存旁边减少搬运，纯存算一体是直接在存储单元内部做运算，二者技术路径有区别。
【参考资料】
[2026-11-05]（微珩启元一月内完成两轮融资，浙大博士团队以 3D DRAM + 近存计算破局 AI 推理 “内存墙”）36 氪
[2026-11-04]（一个月两轮融资！微珩启元瞄准 AI 推理内存墙，推出 LPU 近存芯片）国际电子商情
[2026-10-08]（微珩科技获 TCL 创投投资，自研 LPU 芯片解决大模型内存墙痛点）智和岛
[2026-09-28]（微珩科技完成新一轮融资，加速 3D 近存 AI 推理芯片研发）财联社
[2025-10-23]（微珩科技完成数千万 Pre-A 轮融资，加速 AI 推理芯片及国产 HBM 研发）36 氪
【免责声明】
本文仅为创投与芯片行业公开资讯整理，不构成股权投资、芯片采购选型建议。微珩启元用于攻克内存墙的 LPU 芯片尚处于研发流片阶段，最终性能、良率、量产时间存在较大不确定性；近存计算、3D 堆叠架构技术难度高，商业化落地周期长，赛道技术路线迭代快。所有技术描述、融资信息以微珩启元官方披露为准。