破解智算拥塞的行业难题，这家成立两年的公司拿下近亿元融资

2026年8月，AI智算网络互联芯片设计企业成都恒瀚微电子有限公司（以下简称“恒瀚微”）宣布完成近亿元天使轮融资。本轮投资方包括北京国泰、成都科创投、成都高新创投和中信聚信投资，资金将用于产品迭代、人才引进和市场拓展。

大模型正在把GPU集群越做越大，GPU之间的数据传输效率也开始影响算力利用率。负责服务器高速通信的RDMA智能网卡，是智算集群的关键连接设备。

但高性能RDMA智能网卡长期由海外厂商主导。行业资料显示，英伟达ConnectX系列网卡在AI智算场景中的市场份额达到95%；受出口管制影响，以CX7为代表的高端产品对华供货周期已延长至平均6个月，国产替代需求日益迫切。

成立于2024年的恒瀚微，瞄准的正是这一国产替代缺口。

其首款400G RDMA智能网卡已完成送样和验证，并拿到正式订单。产品通过自研RDMA架构和主动拥塞管理方案，在大量数据集中涌入前提前控制流量。恒瀚微创始人兼CEO胡超博表示，在部分测试场景中，首款400G RDMA智能网卡的动态时延远低于英伟达同类产品（CX-7)。

锚定AI算力刚需，打造RDMA网卡

胡超博是科班出身，专业学的就是芯片，在海外学成归来，一直做网络芯片研发，曾在中兴微电子、奕行智能工作。胡超博一直有自己创业的想法，一边工作攒经验，一边寻找行业内创业的机会。

胡超博

芯片行业，信奉的是长期主义。胡超博抱着这样的心态，寻找着一个属于自己的创业机会，一等就是四年。

他曾研究过2020年大火的DPU（Data Processing Units数据处理器）。当时，英伟达把DPU、CPU、GPU统称为“未来计算三大支柱”，国内也迅速掀起一轮DPU创业浪潮。DPU专门接管服务器的网络、存储、加密等杂活，帮CPU减负，让算力更多留给业务运算，主要用于云计算场景。

但最后，胡超博没有下场做DPU。

原因在于，不同云计算客户对DPU的需求差异较大，产品往往需要定制，同一款DPU能够覆盖的客户有限。“而芯片或者以芯片为核心的产品一定要有比较强的通用性，销售量要足够大。因为做流片需要很多资金，需要极大的出货量去摊薄成本，公司才会真正有利润。”胡超博说。

真正促使胡超博创业的，是大模型出现后算力端发生的变化。

2022年之后，GPT-3引发的大模型涌现。随着大模型参数量的飙升，大模型训练和推理所需要的GPU也在指数级飙升。胡超博表示，随着GPU卡的数量增加，网络带宽和延迟的痛点，会极大限制GPU之间的数据传输效率，从而影响算力。

大模型训练过程，每一张GPU并不是单兵作战的。大模型训练会把任务进行拆分，每个GPU都会领取各自的计算任务，完成后将计算出的数据传输给下游的GPU，进行后续计算。只要一部分数据没有按时到达，下游的其他GPU就要等待。

因此，GPU之间数据传输效率，也成为了限制算力的因素之一。

而RDMA（远程直接内存访问）智能网卡则是解决这一问题的设备。其中，RDMA是一种服务器高速通信技术，可以让一台服务器的数据更直接地进入另一台服务器的内存，减少数据搬运造成的等待。RDMA智能网卡安装在GPU服务器中，负责将本机GPU产生的数据发送到其他服务器，同时接收其他GPU传送来的数据。

胡超博认为，RDMA智能网卡正是那个适合自己的机会点，有两方面的考量。

一是市场需求分析，智能网卡需求本身就很大，GPU和智能网卡配置是1：1，而如今GPU集群正在扩容，这本身就会带来相应的大量智能网卡需求。另一方面，供给侧存在缺口。从2022年起，大模型和GPU集群快速发展，但400G以上的RDMA智能网卡仍主要由海外厂商提供。RDMA智能网卡存在着国产替代的迫切需求。

二是产品角度分析，RDMA智能网卡是一个技术壁垒较高的标准化产品。网卡本质上都是解决高带宽、低时延和流量管控问题。但是RDMA智能网卡起步就要做到400Gbps，在带宽、时延和流量管控都要做到极致，其技术壁垒相对较高。

而胡超博自己一直从事的都是网络芯片研发工作，本身就积累了不少相关的研发经验。

同时，他还联系了曾经的老同事，组成一支15人的初始团队。这些人也一直从事网络芯片相关的工作，分别来自中兴微电子、华为海思、阿里巴巴、腾讯等头部科技企业的一线。有了他们的加入，团队具备全链条能力，覆盖芯片架构设计、芯片实现、网卡开发、产品工程化、商业化等环节。

2024年，胡超博创办恒瀚微电子，瞄准RDMA智能网卡创业。

自研拥塞管理，400G网卡实现性能突破

历经一年多的打磨，恒瀚微于2025年就推出首款产品400G带宽RDMA智能网卡。

400G RDMA智能网卡

恒瀚微之所起步就做400G，是因为400G是目前AI智算中心跨服务器通信的主流带宽规格之一，可以快速进入已经形成需求的市场。胡超博表示，从2022年开始，400G网卡已经大范围应用于GPU集群，相关GPU、交换机和客户测试环境都较为成熟。

恒瀚微首款产品的差异性，还体现在解决了拥塞状态下的带宽稳定和动态时延等问题，这都是业内长期存在的痛点。

因为大模型训练过程中，常常会出现GPU“多打一”现象，即多张GPU可能同时向一张GPU发送数据。大量流量集中进入接收端，网络会出现拥塞。数据开始排队后，传输时延上升，带宽发生波动，等待数据的GPU也无法继续计算。

围绕这一问题，恒瀚微自研了RDMA架构，并将其与credit-based主动拥塞管理方案结合。

其中，Credit可以理解为接收端向发送端发放的数据传输额度。发送数据前，发送端先向接收端提出请求；接收端根据自身能够处理的数据量，向发送端发放相应额度；发送端获得额度后，再开始传输数据。

这是恒瀚微与传统方案的最大区别。

传统方案通常在网络已经出现拥塞后再进行调节。恒瀚微的方案则将流量管理提前到拥塞发生之前，由接收端决定允许多少数据进入。“这相当于提前做管控，避免大规模拥塞。”胡超博说。

这个方案，让恒瀚微的产品具有两重功能优越性：一是提高拥塞场景下的带宽稳定性。接收端提前控制进入的流量，可以减少大量数据同时涌入造成的排队和波动。

二是降低动态时延。动态时延是指网络负载不断变化时，数据从一端传输到另一端实际需要的时间。胡超博透露，在部分测试场景中，恒瀚微400Gbps网卡的动态时延可以达到英伟达同类产品的1/2至1/3。

除此之外，恒瀚微还在网卡中加入了可编程队列。队列是网卡内部等待处理的数据通道，可编程意味着客户可以根据不同任务，调整部分流量的处理方式。对智算中心的运维人员而言，这意味着他们能够实现更可控的网络管理，观察不同任务的数据流量，并定位网络拥塞和性能异常发生在哪个环节。

在产品实现上，恒瀚微采用FPGA。FPGA是一种可以反复编程、调整功能的芯片，开发和修改速度较快。客户提出新需求后，研发团队可以直接调整部分功能，缩短产品适配周期。“我们希望能够快速切入市场，先锁定一些客户。”胡超博表示。在客户验证过程中，团队也能进一步了解真实业务需求，再针对这些需求设计后续的产品。

首款产品拿下订单

布局下一代智算互联生态

目前，恒瀚微400G RDMA智能网卡已经完成了送样和验证，拿到了正式订单。

第一批客户主要是中小规模的模型训练、模型推理企业，以及AI Token工厂。这些企业会直接采购网卡，将其安装在GPU服务器中，主要用于Scale-up网络业务场景。

从送样到PoC，恒瀚微用了三个月时间。测试规模从双卡逐步增加到4卡、8卡、32卡和128卡，包括产品功能测试，以及复杂流量下的稳定性测试。经过这一过程，恒瀚微实现从研发到订单的商业闭环。

对恒瀚微来说，这只是商业化的第一步。更难的是，如何让现有产品抓住市场需求，又让下一代产品在需求切换之前完成研发。

AI网卡需要与GPU、交换机以及智算中心的建设周期相匹配，一代网卡产品的市场周期大约为3-4年。以400Gbps网卡为例，其从2022年开始大规模应用，到2026年仍有大量的市场需求。

但网卡用的芯片研发必须走在市场前面。“从芯片行业来说，要提前一代去研发。因为研发预期和市场会有差异，所以要留够足够的buffer（研发进度与市场需求之间预留的缓冲时间）。”胡超博表示，“我认为buffer刚好可以卡在半代到一代的时间点上。”

因此，恒瀚微将一代产品的研发周期控制在1.5年左右。

在首款400G网卡产品的研发上，胡超博采取加速切入市场的策略，并没采取自研ASIC芯片，而是先采用可以反复编程、快速调整功能的FPGA方案，希望用400G网卡快速切入市场，拓展不同类型的客户，形成更为多元的客户结构。

在二代产品800G和1.6T网卡上，恒瀚微将采用自研的ASIC芯片。ASIC是针对特定功能设计的专用芯片，研发投入更大、周期更长，但在性能、功耗和成本方面更适合规模化量产。“我们把目光放得更远，800G网卡和1.6T网卡才是未来。”胡超博说。

在胡超博的设想中，恒瀚微将网卡产品做到逐步从Scale-up场景向Scale-out场景延伸。其中，Scale-up是先把几十颗GPU组成一台“超级计算机”，Scale-out是再把许多台“超级计算机”连成算力集群。

未来3-5年，胡超博希望在400G网卡取得市场突破的基础上，进一步推出更高带宽的下一代产品800Gbps和1.6Tbps网卡，抢占AI智算Scale-out互联市场。其中，800G网卡产品主要面向国内市场，1.6T网卡产品计划进入东南亚等海外智算中心。

在此基础上，胡超博和恒瀚微还会探索Scale-mix场景，尝试用一套融合架构连接Scale-up和Scale-out两层，让GPU内部组网与集群之间的网络能够在同一套架构下协同。

“未来我们会构建Scale-mix的新生态。”胡超博说，他希望用一套架构兼顾GPU之间和算力集群之间的连接，减少不同网络之间的适配，让算力扩容和管理变得更高效、更简单。