Tenstorrent 15 亿美元 E 轮深度解析:62 亿估值的 RISC-V 芯片,凭什么挑战 NVIDIA 推理霸权?

Wed, 21 Oct 2026 00:00:00 +0000

摘要

2026 年 10 月，AI 芯片公司 Tenstorrent 完成 15 亿美元 E 轮融资，估值从 2024 年的 26 亿美元升至 62 亿美元。本轮由 Trace Capital 与 Innovation X 共同领投，Agostinelli Group、Sandisk、Tether Investments、T. Rowe Price、Cadence Ventures 参投，老股东 Ark Invest 与 Fidelity 继续跟投。

比融资数字更值得研究的是它的技术路线。Tenstorrent 在三个关键位置上与主流选择相反:用 GDDR6 而不是 HBM，用标准以太网而不是私有互联，用风冷而不是液冷。旗舰产品 Galaxy Blackhole 以 11 万美元的单机价格、每百万 token 约 6 美元的推理成本，直接把矛头对准了 GB300 约 30 美元的水平。

本文从硬件架构、互联与散热取舍、软件栈成熟度和商业化进度四个层面，评估这套“反主流”方案的真实可行性——以及 62 亿美元估值里，有多少是技术，有多少是 Jim Keller 的个人溢价。

事件背景

Tenstorrent 由 CEO Jim Keller 执掌。Keller 的履历横跨 AMD、Apple、Intel 与 Tesla，是少数在 CPU 架构领域有连续成功记录的工程师。公司主打 RISC-V 指令集与自研 Tensix 计算核心的组合，目标不是训练，而是推理。

这轮 15 亿美元的融资有一个容易被忽略的背景:据彭博社报道，Tenstorrent 今年曾与 Intel、Qualcomm 接触，洽谈潜在的收购事宜。融资与收购谈判并行，通常意味着公司在为自己争取更好的定价筹码，也说明大型半导体厂商已经意识到“推理专用架构”这条路线不能被忽视。

投资方结构也值得注意。领投方之一的 Trace Capital 由 Quiet Capital 联合创始人 Ben Mahdavi 于今年创立，属于典型的新锐基金;参投名单里同时出现了 Sandisk(Cadence Ventures 背后的存储与 IP 生态)、Tether Investments(加密稳定币发行方)和 T. Rowe Price(传统资管)。这种组合说明资金看重的不只是 AI 训练热潮，而是“推理成本长期下降”这个更长的周期。

核心技术解析

技术架构

Galaxy Blackhole 是一台 6U 风冷机箱，内部集成 32 颗 Blackhole ASIC，已于 2026 年 4 月 28 日量产发货，单机售价 11 万美元;四台组成的超级集群报价 44 万美元。

单颗 Blackhole 芯片的关键参数如下:

组件	规格
计算核心	140 个 Tensix++ 核心
控制核心	16 颗 SiFive X280 RISC-V + 752 颗 baby RISC-V
制程	TSMC 6nm
显存	32GB GDDR6
片间互联	10 × 400GbE，约 1TB/s
算力	745 TFLOPS(FP8)

整机层面，Galaxy 提供 23 PFLOPS Block FP8 算力、6.2GB SRAM(带宽 2.9PB/s)、1TB GDDR6(带宽 16TB/s)、32TB/s 片内 fabric，对外最多 56 个 800GbE 端口，整机功耗 8 至 10kW，峰值 12kW。

  graph TD
    A[Blackhole ASIC: 140 Tensix++ 核心] --> B[单芯片 32GB GDDR6 + 745 TFLOPS FP8]
    B --> C[10 x 400GbE 片间互联 约 1TB/s]
    C --> D[Galaxy 整机: 32 颗 ASIC 6U 风冷]
    D --> E[23 PFLOPS Block FP8 / 6.2GB SRAM]
    E --> F[四机超集群 44 万美元]
    F --> G[标准以太网横向扩展 最多 56 x 800GbE]
    G --> H[TT-Forge 编译器 + TT-Metalium + TT-NN 开源栈]
    H --> I[客户: Cirrascale Equinix OrionVM 等]

关键创新点

第一，用 GDDR6 替代 HBM。 HBM 是当前高端 AI 加速卡的标配，但供应紧张、价格高昂，且封装复杂。Tenstorrent 选择 GDDR6，牺牲了部分带宽密度，换来更低的物料成本、更稳定的供应链和更容易的板卡设计。对推理负载来说，权重读取的局部性远好于训练，带宽并非唯一瓶颈。

第二，用标准以太网替代私有互联。 NVLink 生态的锁定效应极强，一旦采用就很难脱离 NVIDIA 的整机体系。Tenstorrent 用 400GbE/800GbE 做 scale-out，好处是可以用现成的交换机和运维体系，坏处是延迟和集合通信效率需要靠软件弥补。

第三，坚持风冷。 8 至 10kW 的整机功耗用风冷解决，意味着客户不需要改造机房的水冷设施。这对中小型数据中心和边缘部署是实质性优势，也直接降低了交付周期。

第四，软件栈全开源。 TT-Forge 是基于 MLIR 的编译器，TT-Metalium 提供底层编程模型，TT-NN 提供算子库。Tenstorrent 宣称约 90% 的 HuggingFace 模型可以直接跑起来。对一个挑战生态霸主的后来者，开源是唯一现实的破局方式——但“能跑”和“跑得好”之间仍有巨大距离。

性能评测

Tenstorrent 公布的实测数据集中在推理场景:

场景	实测结果
DeepSeek-R1 0528 671B 解码	约 350 tok/s/user(实测约 308)，支持 128k 上下文
四节点 100k prompt 首 token	低于 4 秒
720p、81 帧视频处理	约 2.4 秒
推理成本	约 6 美元/百万 token，对比 GB300 约 30 美元

需要说明的是，这些数字由厂商提供，缺少独立第三方的大规模复现。但以 11 万美元的整机价格和 350 tok/s/user 的解码速度计算，单位 token 成本的优势在算术上是成立的:同等预算下可以部署更多并发实例，用数量换吞吐。

真正的考验在软件。MoE 模型的专家路由、长上下文下的 KV cache 管理、多机集合通信，这些都需要编译器与运行时深度优化。如果 TT-Forge 在这些路径上的效率只有 CUDA 生态的六七成，硬件成本优势会被软件效率部分抵消。

行业影响

对市场的影响

推理算力正在成为 AI 基础设施的主战场。训练是一次性投入，推理是持续性支出，企业对“每百万 token 成本”的敏感度远高于对峰值算力的追求。Tenstorrent 用 6 美元对 30 美元的对比，实际上是在重新定义竞争的度量单位——不是比谁的卡更快，而是比谁能让客户把同样的业务跑得更便宜。

这也解释了为什么 Intel 和 Qualcomm 会在今年接触 Tenstorrent:如果推理专用架构真的能把成本压到五分之一，通用 GPU 的溢价逻辑就会被削弱。

对开发者的意义

开源软件栈是 Tenstorrent 对开发者最友好的部分。基于 MLIR 的编译器意味着模型接入不必依赖厂商私有算子;TT-Metalium 允许开发者直接控制数据在 Tensix 核心上的流动。对于需要做极致优化的团队，这是比 CUDA 更透明的层级。

但代价是生态成熟度。CUDA 积累了十余年的库、调试工具和社区答案，TT-Forge 目前还处在“主流模型能跑，边缘算子要自己补”的阶段。对绝大多数团队而言，迁移成本依然高于硬件省下的钱。

商业化前景

已公开的客户与伙伴覆盖了算力租赁、云服务、金融和生成式 AI 创业公司:Cirrascale、Equinix、日本的 ai&、OrionVM、BetterBrain、Virtu Financial、Turiyam、Prodia Labs。这些名字说明它已经跨过了“只有 demo”的阶段，进入真实付费部署。

62 亿美元估值对应的是一个尚未规模化的收入基数，溢价主要来自三个预期:推理需求长期增长、开源路线能撬动生态、以及 Jim Keller 团队的执行力。风险同样明确——如果 NVIDIA 在下一代产品上大幅降低每 token 成本，Tenstorrent 的价格护城河会被压缩。

实际体验

使用场景演示

设想一家中型云服务商要部署 671B 级别的 MoE 模型对外提供 API。采用 GB300 方案，单机成本高、交付周期长，还需要评估液冷改造;采用 Galaxy 方案，四机超集群 44 万美元即可获得 23 PFLOPS × 4 的 Block FP8 算力，风冷上架，用标准以太网接到现有 spine-leaf 网络。

推理侧的表现是这套方案的说服力所在:350 tok/s/user 的解码速度足以支撑交互式应用，128k 上下文覆盖了大多数文档问答场景，100k prompt 的首 token 延迟低于 4 秒，意味着长文档摘要类业务不会卡在预填充阶段。

真正的落地摩擦点在于模型适配。团队需要确认自己的模型结构是否在 TT-Forge 的支持列表内，量化方案是否匹配 Block FP8，以及自定义算子要不要用 TT-Metalium 重写。这些工作量目前无法用“90% 的 HuggingFace 模型可直接运行”这句话完全覆盖。

Jim Keller 在发布时的表述颇具意味:“这个行业里的每家公司都在结对，去造加速器的加速器的加速器。”这句话既是自嘲，也是对行业层层堆叠抽象、不断推高成本的批评——Tenstorrent 的整套设计，本质上是在做减法。

优势与不足

优势:

单机 11 万美元、四机 44 万美元的定价，显著低于同级 GPU 方案
GDDR6 供应链稳定，交付周期短
风冷设计，机房改造成本低
标准以太网扩展，摆脱私有互联锁定
软件栈全开源，优化空间透明

不足:

缺少第三方大规模复现，性能数据以厂商口径为主
GDDR6 带宽密度不及 HBM，对带宽敏感负载不利
以太网集合通信效率依赖软件优化，成熟度待验证
编译器生态与 CUDA 差距明显，迁移成本高
62 亿美元估值对应收入规模仍小，溢价依赖预期

总结与展望

Tenstorrent 这轮 15 亿美元融资，本质上是一次对“推理成本曲线”的下注。它的技术选择没有一项是行业首创，但组合起来形成了一个自洽的工程方案:用成熟器件、标准网络和风冷，把推理集群的每 token 成本压到主流方案的五分之一。

接下来需要验证三件事:TT-Forge 在真实 MoE 负载上的效率能否接近宣称水平;已签约客户能否转化为规模化复购;以及在 NVIDIA 下一代产品降价后，这套成本优势是否仍然成立。如果这三关都能过，62 亿美元可能只是一个中间站。

参考来源:

TCO on 有鱼智界 | 森林有鱼