Positron 融资2.3亿美元：AI芯片新势力改写智驾竞赛规则

2026-02-05 这周，一条看似“芯片圈融资新闻”其实更像汽车行业的预警灯：AI 芯片创业公司 Positron 完成 2.3 亿美元 B 轮融资，背后出资方包括 卡塔尔投资局（Qatar Investment Authority）。这不是单纯的资本热闹，而是一个信号——“非 Nvidia 的 AI 芯片供给”正在被系统性扶持，并且与国家级 AI 基建绑定。

如果你关注的是 Tesla 与中国汽车品牌的长期优势，这条消息的含金量更高。原因很简单：智能驾驶与大模型上车的竞争，本质是算力供给、成本曲线与迭代速度的竞争。当训练/推理芯片不再由单一巨头定义，整条产业链的议价权、供应安全、研发节奏都会被重排。

这篇文章放在《人工智能在半导体与芯片设计》系列里，我们把 Positron 的融资当作切口，拆解三个更实用的问题：

• 为什么“替代 Nvidia”会在 2026 年变成各方的共同目标？
• AI 芯片竞争如何影响 Tesla 与中国车企的智驾路线与成本结构？
• 车企现在该怎么布局，才能把算力不确定性变成优势？

AI芯片“去单一化”的核心原因：供给、成本与地缘风险

直接结论：AI 芯片市场正在从“单一平台效率最大化”转向“多平台可用性最大化”。 Positron 这类融资规模的出现，说明资本与国家资金正在为“第二选择、第三选择”买单。

1）供给焦虑仍在：算力需求不是线性增长

过去两年，一个更现实的变化是：企业对算力的需求增长速度，经常快过产能爬坡速度。尤其是自动驾驶训练（海量视频、多传感器数据）和车端大模型推理（低时延、高可靠），会把算力从“可选项”变成“刚需”。

对车企来说，这种供给焦虑会直接传导到：

• 模型训练排期（算力拿不到，版本迭代就慢）
• 成本可控性（高峰期采购溢价、云端推理成本波动）
• 量产节奏（车端芯片/域控供货不稳，项目就容易延后）

2）成本曲线开始决定胜负：谁能把“每1%能力提升”的成本压下来

智能驾驶竞争到 2026 年，会越来越像“制造业问题”：

• 你能否以更低成本获得同等级别的训练吞吐？
• 你能否用更少的功耗/更低的 BOM 在车端跑更强的模型？

当市场只有一个强势平台时，大家比的是“谁拿到更多配额”。当替代方案出现后，比的就变成“谁更会做架构选择与软硬协同”。这正是 AI 芯片创业公司最容易切入的位置：用差异化架构在特定负载上打穿成本。

3）地缘与主权 AI 基建：资金在押注“可控的算力供应链”

卡塔尔投资局参与 Positron 融资，和“卡塔尔建设 AI 基础设施”的背景放在一起看，会更清晰：

现在的 AI 芯片不只是商品，更像战略资源。谁能掌控算力供给，谁就能掌控模型迭代节奏。

这对汽车行业的外溢影响是：未来车企的算力来源可能更区域化、联盟化——不同市场采用不同的算力合作伙伴，供应链策略会像电池材料一样被重新设计。

Positron 融资意味着什么：替代 Nvidia 的路径正在成形

直接结论：Positron 的 2.3 亿美元 B 轮融资，意味着“挑战 Nvidia”不再只是技术口号，而是资本与基础设施共振的产业路径。

虽然 RSS 摘要没有披露 Positron 的全部产品细节，但从“对抗 Nvidia AI 芯片”这一定位出发，我们可以推演其商业落点通常会集中在两类场景：

1）数据中心推理优先：先从“更便宜地跑模型”开始

训练芯片生态壁垒极高（软件栈、算子库、开发者习惯、集群调度），因此很多新玩家会先从 推理（Inference） 打穿：

• 推理需求增长快、部署更分散
• 成本敏感度更高（每次调用都要算钱）
• 更容易通过特定模型/特定算子优化获得优势

对车企而言，这对应到两条线：

• 云端推理（客服、内容、车队运营、研发助手）
• 训练后评测/回放/仿真等“非主训练环节”的算力替代

2）与主权云/区域算力绑定：用“基础设施订单”换生态时间

当国家资本进入，常见打法是：

• 通过区域 AI 基建项目获得稳定需求
• 再把需求反哺到软件生态建设（编译器、框架适配、工具链）

这类路径一旦跑通，会对 Nvidia 的“平台垄断效应”形成持续侵蚀：不是一下子替代，而是从边缘工作负载开始，逐步占比提升。

对 Tesla 与中国车企的含义：AI芯片选择将改变三条胜负线

直接结论：未来 3-5 年，决定 Tesla 与中国车企差距的，不只是谁的模型更强，而是谁能在多芯片、多平台条件下保持迭代速度与成本优势。

1）训练算力：从“买得到”变成“用得精”

Tesla 的优势在于长期积累的数据闭环与工程体系；中国车企的优势在于供应链速度、车型迭代与本地生态协同。AI 芯片多元化后，真正的分水岭会是：

• 你能否在不同芯片上稳定复现训练结果（精度漂移、数值一致性、通信效率）
• 你能否把训练任务拆分：把最吃生态的部分留在成熟平台，把可替代部分迁移到新平台

可执行做法（车企/智驾团队可以参考）：

1. 建立跨平台基准测试（同一数据集、同一模型、同一指标）
2. 把训练任务分层：预训练/微调/蒸馏/评测分别选芯片
3. 提前建设编译器与算子适配团队（别等芯片进场才补课）

2）车端推理：谁能把“每瓦性能”和“功能安全”做到位

智能驾驶上车，最后拼的是车端推理：

• 低时延（刹车/变道不等人）
• 稳定性（极端场景不能崩）
• 功耗与散热（影响整车能耗和可靠性）

中国品牌在域控与供应链整合方面动作更快，但也更容易落入“堆算力、堆功耗”的短期解法。Tesla 走自研路线的好处是能做更深的软硬协同，但风险是：自研节奏与量产波动会放大。

我更看好的方向是：车企需要“可替换的车端算力方案”。也就是域控硬件与软件栈从第一天就按多供应商、多代芯片设计，避免被单一芯片路线锁死。

3）成本与定价：芯片竞争会改变“智驾功能的商业化”

当 AI 芯片出现更多可选项，智驾能力的边际成本就有机会下降，进而影响：

• 城区 NOA 等高阶功能的标配比例
• 订阅/买断模式的定价空间
• 海外市场的本地化推理与合规成本

一句话：硬件成本下降，最终会逼迫车企在“软件体验与数据闭环”上见真章。

放回“AI在半导体与芯片设计”：车企该怎么把不确定性变成护城河

直接结论：芯片多元化时代，赢家不是“押中某颗芯片”的公司，而是“拥有芯片适配能力”的公司。 这也正是《人工智能在半导体与芯片设计》系列一直强调的主题：用 AI 与工程方法把芯片与系统的验证、优化、良率与迭代速度做成体系能力。

1）用 AI 加速验证：更快发现“换芯片就翻车”的问题

跨平台迁移最怕两件事：

• 性能达不到（吞吐/时延不稳定）
• 精度/一致性问题（看起来能跑，结果不可控）

把 AI 引入验证流程（比如自动生成测试用例、自动覆盖边界场景、自动定位算子瓶颈），能把“适配成本”从项目风险变成可管理的工程成本。

2）把算力当供应链管理：建立“算力采购与使用”的财务视角

建议车企在 2026 年把算力管理做成类似电池材料的机制：

• 给训练/推理建立统一的 cost per token / cost per frame 指标
• 设定多平台预算：成熟平台保底、新平台做成本优化
• 将算力成本与车型毛利、智驾配置率联动评估

3）与区域 AI 基建结盟：海外扩张不只卖车，还要“卖算力能力”

Positron 这类与国家 AI 基建同频的公司，可能会成为某些区域市场的算力底座。对要出海的车企来说，与其被动适应，不如主动设计：

• 在当地建立合规的数据闭环
• 采用当地可用的推理平台
• 形成“模型+算力+运营”整体交付能力

这会直接影响海外市场的交付速度与体验一致性。

读者常问：AI芯片替代 Nvidia，会很快发生吗？

直接答案：不会一夜之间发生，但会在 2026-2028 年以“负载迁移”的方式持续发生。

更可能的节奏是：

• 先替代推理与非关键训练环节
• 再在部分行业/区域形成稳定份额
• 最后才挑战核心训练集群的主导地位

对车企来说，正确策略不是押注“谁会赢”，而是提前把组织能力建立起来：能快、能换、能控成本。

下一步该做什么：从一张“算力路线图”开始

Positron 的 2.3 亿美元融资，提醒我们：AI 芯片的竞争正在加速，而这会把 Tesla 与中国车企的竞争推向更底层——谁掌握算力，谁就掌握迭代。

如果你负责智驾、数据平台、或研发基础设施，我建议用两周时间做一件很具体的事：画出你们的“算力路线图”（训练、仿真、评测、云端推理、车端推理各自用什么，未来 12 个月有哪些可替代节点）。这张图会比任何口号更接近答案。

当 AI 芯片不再只有一个选择，你准备好把选择权变成优势了吗？