摘要：過去的計算機圍繞人類設計，而新一代的計算平臺，需要圍繞AI Agent設計。

“歷史上的每一次計算主體、計算邏輯的切換，都會帶來全新的硬件、全新的軟件生態，Agent的時代也不例外。”

“我們（原粒半導體）真正關心的是，當AI開始替人工作后，在下一代的計算機里，它應該長什么樣？”

在7月初的公開演講中，原粒半導體創始人兼CEO方紹峽拋出了這樣一個問題。

答案是“Agent Computer”——毫無疑問，這也是2026上半年AI產業最熱門的話題之一。

7月24日，原粒半導體宣布完成超7億元A輪融資。本輪融資吸引多家產業資本與專業機構共同參與，由九安醫療、湯臣倍健、綠茵生態等上市公司及北洋海棠基金、仁愛基金等一線投資機構聯合投資，IDG資本、武岳峰科創、英諾、一維創投等老股東持續加注。

這距離原粒半導體上一輪超5億元Pre-A輪融資披露，僅僅過去了3個月。

不同于傳統端側NPU，原粒將自身產品定位為“端側生產力AI芯片”：面向長期運行、持續執行任務的生產力Agent。據36氪了解，原粒半導體目前已完成首款芯片工程驗證，并啟動了生產力級端側算力產品落地，產品面向企業辦公、行業 Agent、工業智能和本地大模型部署等場景。

3個月、2輪融資、超過12億元資金加注——原粒半導體獲得的不僅是資本支持，更是來自產業方與投資機構對于下一代計算平臺方向的共同下注。

這背后體現出AI產業一次重要的風向轉變：

Agent Computer有望成為下一代計算平臺形態，而其背后將催生面向智能體重新設計的端側硅基底座。

一、Agent Computer，計算平臺正在從人轉向Agent

如果你關注AI，Agent Computer絕對是近半年來繞不開的話題。

2026年以來，圍繞Agent終端和本地AI計算的探索持續升溫。年初，“龍蝦”爆火，蘋果Mac mini賣到脫銷；AMD、英偉達等行業巨頭應聲而動；4月，原粒半導體宣布完成超5億元Pre-A輪融資；5月，英偉達發布RTX Spark，瞄準Agent Computer；7月，原粒再獲超7億元A輪融資。

與傳統PC主要服務于人類不同，Agent Computer關注的是：當AI成為長期運行的數字勞動力后，計算平臺是否需要重新設計？

舉個例子，過去，計算機屏幕負責呈現，鍵盤和鼠標負責輸入，操作系統把軟件、文件和窗口擺在人面前，等待點擊。

但AI不需要這些。

AI需要的，是不斷規劃、推理、執行和檢查，是長期的算力與模型內存占用，是7x24小時長期運行——尤其在多環節、長上下文任務中，Agent的資源消耗驚人。

與此同時，數據安全問題也更加突出。一個真正能干活的Agent，遲早要接觸郵件、代碼、財務數據、客戶資料、企業知識庫等高價值數據。它擁有的權限越高，泄露和誤操作風險就越大。

今年5月，海外獨立安全研究員Aonan Guan就曾數次披露了Anthropic旗下AI編程工具Claude Code的網絡沙箱存在嚴重繞過漏洞，導致隱私泄露和數據竊取風險。Agent的本地化，尤為重要。

此外，Agent與傳統PC在交互邏輯上也存在差異。一個真正可用的數字員工，不應只在人打開電腦時工作，也不應因為人類交互結束而停止。它需要持續監聽任務、保持狀態、處理異常并等待下一步指令。

更深層次的問題在于，傳統操作系統和傳統PC的默認服務對象是人，而不是AI。傳統OS圍繞窗口、鼠標、鍵盤、文件和人類交互設計；Agent 則需要任務編排、狀態管理、權限控制、異常恢復和長期運行機制。

因此，無論從安全、計算資源分配、功耗，還是系統交互層面，Agent Computer都不僅僅是“讓Agent本地運行”，而是一套圍繞“數字員工”的從芯片架構、互聯調度到軟硬件協同的全面重構。

二、原粒如何為“數字員工”重新設計芯片？

與傳統端側AI芯片不同，原粒半導體提出“端側生產力AI芯片”定位。這并非簡單的把NPU放大，或把GPU縮小，而是圍繞數字員工長期運行需求，重新設計端側計算、存儲、互聯和調度體系。

業內普遍認為，面向Agent的計算平臺需要解決幾個關鍵問題：更大的本地模型承載能力、更高的數據訪問效率、更長上下文支持、低功耗持續運行以及可信的數據邊界。

而圍繞這一思路，原粒半導體從底層重構了一套面向Agent負載的架構，核心由三部分組成：CalcuMex、CalcuGrid、CalcuKit。

首先是CalcuMex。其核心目標，是解決大模型推理場景的“內存墻”制約。

眾所周知，AI大模型計算瓶頸早已不是單個計算單元的TOPS問題，而是在計算過程中，需要耗費大量時間在數據搬運上。

例如，模型在推理時，每生成一個Token，都要從高帶寬內存讀取模型權重和不斷增長的KV Cache。解碼階段，計算單元經常等待數據，內存帶寬成為關鍵瓶頸。而日益增長的長上下文則會導致內存帶寬壓力飆升，傳統端側AI芯片難以適應這種工作負載。

為突破 “內存墻”問題，CalcuMex 構建了以片上 SRAM 為核心的混合自適應數據流架構。區別于靜態數據流方案，CalcuMex 采用“確定性計算主干 + 細粒度運行時調度”的協同機制，不是將模型執行路徑固化于編譯階段，而是以確定性數據流承載規則計算，以運行時自適應調度處理動態負載，適配 MoE 專家路由、不規則算子及復雜任務執行，從而兼顧高執行效率與真實Agent業務負載所需的靈活性。

在存儲側，CalcuMex 也并非單純依靠擴大SRAM 容量承載模型，而是將片上 SRAM、DRAM 工作存儲、Flash 容量存儲及系統級擴展組織為統一調度的多介質分層存儲體系，根據權重、KV Cache和專家數據的訪問熱度及生命周期，動態完成數據放置、預取和遷移，在保持熱點數據低時延訪問的同時，擴展可承載的生產力模型規模、上下文長度和專家數量。

其次是CalcuGrid，這是一項與AI Chiplet強相關的芯片技術。

其通過將不同數量、不同功能的芯片模塊進行按需靈活組合，協同計算，從而應對復雜、多變、負載不確定性極大的Agent工作需求——需要更大模型，就擴展存儲，需要更快速度，就增加計算和帶寬。CalcuGrid并不是普通芯粒之間的物理連接，而是面向AI推理數據流設計的彈性互聯體系。它通過專用通信協處理器、彈性互聯協議和鏈路可靠性機制，實現算力、帶寬與存儲資源的高效協同和靈活擴展，為超大規模生產力模型的本地部署提供可擴展底座。

最后是CalcuKit，一套與底層芯片架構共同設計的硬件感知編譯與智能調度系統。

在AI Chiplet技術中，多顆芯粒如何分工？模型怎樣切分？數據往哪里走？每種路徑都會直接影響芯片的實際性能。CalcuKit能夠根據模型結構、芯粒類型與數量、互聯方式和功耗限制進行智能調度，自動規劃任務，完成多芯粒協同調度。

簡單來說，CalcuMex解決如何算得更高效；CalcuGrid解決多芯粒如何構成一個可擴展系統；CalcuKit解決如何讓多芯粒系統對用戶透明并高效運行。

而這套架構的設計邏輯，正好滿足Agent時代對于長上下文、持續運行、本地數據安全以及不同場景下資源彈性擴展的核心需求。

原粒半導體拿到的12億融資，本質上是資本對這套底層重構的投票。

三、資本為什么押注Agent Computer？

在芯片產業，即便是成熟的賽道與品類，設計一款新品的周期通常都在2年以上——如果涉及AI芯片、Chiplet這種前沿技術，周期往往還要更長。

因此，芯片行業的規律向來是“提前布局者得天下”。

2010年前后，資本扎堆投手機SoC，賭的是移動互聯網十年的爆發；2018年開始，資金密集涌入GPU集群賽道，押的是AI訓練的算力缺口。現在AI Agent時代的 “硅基底座”，剛好到了需要定標準、建生態的關鍵節點，資本愿意提前下注，邏輯一脈相承。

進一步拆解原粒融資結構，可以看到市場對于Agent Computer方向正在從技術判斷走向產業探索。

上一輪超5億元Pre-A輪融資中，IDG資本、武岳峰科創、國新基金等頭部機構參與投資，體現資本市場對于AI Chiplet技術路徑以及下一代計算平臺方向的認可。

而本輪超7億元A輪融資，則進一步引入了九安醫療、湯臣倍健、綠茵生態等產業資本。相比專業投資機構更關心技術路線、市場空間和團隊能力，產業資本往往更加關注技術能否進入真實業務場景。

醫療健康需要處理病歷和專業知識，企業辦公涉及大量內部文檔，工業智能強調穩定運行和數據閉環。

行業不同，底層需求卻有相似之處：數據敏感、流程復雜、任務持續。

當前，Agent Computer形態尚未成熟，但在芯片產業中，底層架構的定義和生態建設往往發生在市場規模爆發之前。端側Agent一旦成為穩定的生產力單元，新的計算需求便會持續噴涌。

就像ARM成為了移動終端芯片的主導，英偉達定義了云計算的AI算力標準，現在Agent時代的硅基底座，剛剛到了重新洗牌的節點。

此時恰恰是產業提前布局的最佳時機。

產業資本所看中的，未必是直接進入芯片產業鏈，而是押注Agent Computer未來可能成為各行各業AI應用的“端側硅基底座”，提前卡位生態。等未來Agent滲透到千行百業時，底層的算力底座，則早已筑好地基。

四、Agent時代的“硅基底座”

如果說過去十年，移動互聯網的底層設備是智能手機，云計算和大模型訓練的底層設備是GPU集群，那么Agent時代同樣需要新一代本地計算基礎設施。

這個基礎設施不一定是傳統PC，也不只是手機里的NPU。它可能是一臺桌面AI盒子，一個企業私域AI節點，一套行業Agent主機，或者一種嵌入到辦公、醫療、工業和終端設備中的本地智能算力底座。

這是一片處在傳統端側NPU和云端GPU集群之間的，正在快速擴張的、巨大的空白市場。它既需要接近服務器級的智能承載能力，又要求具備端側設備的體積、成本和數據邊界。

今天，企業希望“數字員工”自動處理文檔、代碼、知識庫、客戶服務和業務流程；個人希望“數字員工”理解文件、郵件、會議和任務；行業客戶希望“數字員工”形成可控、可審計、可長期運行的智能體；圍繞Agent運行的新型計算需求正在逐漸形成。

3個月，超12億元人民幣，產業、機構等一大批明星資本入局，其背后折射出的不只是對一顆AI芯片的認可，而是整個科技產業在提前轉向，押注計算主體從“人”轉向“AI Agent”，押注新一代本地智能基礎設施。

如果說過去端側AI芯片主要解決“模型能不能跑”，那么原粒希望進一步解決Agent時代“生產力模型如何真正長期運行”。隨著模型持續向更大規模、更長上下文和更復雜任務演進，只有面向智能體運行方式重新設計芯片底層架構，端側設備才有機會真正承載下一代生產力智能。

接下來，原粒半導體還需要進一步完成從芯片到產品、再到場景的連續驗證。而一旦跑通，它所爭取的就不只是芯片市場份額——

而是成為Agent時代的端側“硅基底座”。

關鍵詞：