「原粒半导体」3个月融资超12亿元，资本看中的不只是芯片
过去的计算机围绕人类设计，而新一代的计算平台，需要围绕AI Agent设计。
“历史上的每一次计算主体、计算逻辑的切换，都会带来全新的硬件、全新的软件生态，Agent的时代也不例外。”
“我们（原粒半导体）真正关心的是，当AI开始替人工作后，在下一代的计算机里，它应该长什么样？”
在7月初的公开演讲中，原粒半导体创始人兼CEO方绍峡抛出了这样一个问题。
答案是“Agent Computer”——毫无疑问，这也是2026上半年AI产业最热门的话题之一。
7月24日，原粒半导体宣布完成超7亿元A轮融资。 本轮融资吸引多家产业资本与专业机构共同参与，由九安医疗、汤臣倍健、绿茵生态等上市公司及北洋海棠基金、仁爱基金等一线投资机构联合投资，IDG资本、武岳峰科创、英诺、一维创投等老股东持续加注。
这距离原粒半导体上一轮超5亿元Pre-A轮融资披露，仅仅过去了3个月。
不同于传统端侧NPU，原粒将自身产品定位为“端侧生产力AI芯片” ：面向长期运行、持续执行任务的生产力Agent。据36氪了解，原粒半导体目前已完成首款芯片工程验证，并启动了生产力级端侧算力产品落地，产品面向企业办公、行业Agent、工业智能和本地大模型部署等场景。
3个月、2轮融资、超过12亿元资金加注——原粒半导体获得的不仅是资本支持，更是来自产业方与投资机构对于下一代计算平台方向的共同下注。
这背后体现出AI产业一次重要的风向转变：
Agent Computer有望成为下一代计算平台形态，而其背后将催生面向智能体重新设计的端侧硅基底座。
Agent Computer，
计算平台正在从人转向Agent
如果你关注AI，Agent Computer绝对是近半年来绕不开的话题。
2026年以来，围绕Agent终端和本地AI计算的探索持续升温。年初，“龙虾”爆火，苹果Mac mini卖到脱销；AMD、英伟达等行业巨头应声而动；4月，原粒半导体宣布完成超5亿元Pre-A轮融资；5月，英伟达发布RTX Spark，瞄准Agent Computer；7月，原粒再获超7亿元A轮融资。
与传统PC主要服务于人类不同，Agent Computer关注的是：当AI成为长期运行的数字劳动力后，计算平台是否需要重新设计？
举个例子，过去，计算机屏幕负责呈现，键盘和鼠标负责输入，操作系统把软件、文件和窗口摆在人面前，等待点击。
但AI不需要这些。
AI需要的，是不断规划、推理、执行和检查，是长期的算力与模型内存占用，是7x24小时长期运行 ——尤其在多环节、长上下文任务中，Agent的资源消耗惊人。
与此同时，数据安全问题也更加突出。一个真正能干活的Agent，迟早要接触邮件、代码、财务数据、客户资料、企业知识库等高价值数据。它拥有的权限越高，泄露和误操作风险就越大。
今年5月，海外独立安全研究员Aonan Guan就曾数次披露了Anthropic旗下AI编程工具Claude Code的网络沙箱存在严重绕过漏洞，导致隐私泄露和数据窃取风险。Agent的本地化，尤为重要。
此外，Agent与传统PC在交互逻辑上也存在差异。一个真正可用的数字员工，不应只在人打开电脑时工作，也不应因为人类交互结束而停止。它需要持续监听任务、保持状态、处理异常并等待下一步指令。
更深层次的问题在于，传统操作系统和传统PC的默认服务对象是人，而不是AI。传统OS围绕窗口、鼠标、键盘、文件和人类交互设计；Agent则需要任务编排、状态管理、权限控制、异常恢复和长期运行机制。
因此，无论从安全、计算资源分配、功耗，还是系统交互层面， Agent Computer都不仅仅是“让Agent本地运行”， 而是一套围绕“数字员工”的从芯片架构、互联调度到软硬件协同的全面重构。
原粒如何为“数字员工”
重新设计芯片？
与传统端侧AI芯片不同， 原粒半导体提出“端侧生产力AI芯片”定位 。这并非简单的把NPU放大，或把GPU缩小，而是围绕数字员工长期运行需求，重新设计端侧计算、存储、互联和调度体系。
业内普遍认为，面向Agent的计算平台需要解决几个关键问题：更大的本地模型承载能力、更高的数据访问效率、更长上下文支持、低功耗持续运行以及可信的数据边界。
而围绕这一思路，原粒半导体从底层重构了一套面向Agent负载的架构，核心由三部分组成：CalcuMex、CalcuGrid、CalcuKit。
首先是CalcuMex。其核心目标， 是解决大模型推理场景的“内存墙”制约。
众所周知，AI大模型计算瓶颈早已不是单个计算单元的TOPS问题，而是在计算过程中，需要耗费大量时间在数据搬运上。
例如，模型在推理时，每生成一个Token，都要从高带宽内存读取模型权重和不断增长的KV Cache。解码阶段，计算单元经常等待数据，内存带宽成为关键瓶颈。而日益增长的长上下文则会导致内存带宽压力飙升，传统端侧AI芯片难以适应这种工作负载。
为突破“内存墙”问题，CalcuMex构建了以片上SRAM为核心的混合自适应数据流架构。 区别于静态数据流方案，CalcuMex采用“确定性计算主干+细粒度运行时调度”的协同机制，不是将模型执行路径固化于编译阶段，而是以确定性数据流承载规则计算，以运行时自适应调度处理动态负载，适配MoE专家路由、不规则算子及复杂任务执行，从而兼顾高执行效率与真实Agent业务负载所需的灵活性。
在存储侧，CalcuMex也并非单纯依靠扩大SRAM容量承载模型，而是将片上SRAM、DRAM工作存储、Flash容量存储及系统级扩展组织为统一调度的多介质分层存储体系，根据权重、KV Cache和专家数据的访问热度及生命周期，动态完成数据放置、预取和迁移，在保持热点数据低时延访问的同时，扩展可承载的生产力模型规模、上下文长度和专家数量。
其次是CalcuGrid，这是一项与AI Chiplet强相关的芯片技术。
其通过将不同数量、不同功能的芯片模块进行按需灵活组合，协同计算，从而应对复杂、多变、负载不确定性极大的Agent工作需求——需要更大模型，就扩展存储，需要更快速度，就增加计算和带宽。 CalcuGrid并不是普通芯粒之间的物理连接，而是面向AI推理数据流设计的弹性互联体系。 它通过专用通信协处理器、弹性互联协议和链路可靠性机制，实现算力、带宽与存储资源的高效协同和灵活扩展，为超大规模生产力模型的本地部署提供可扩展底座。
最后是CalcuKit， 一套与底层芯片架构共同设计的硬件感知编译与智能调度系统。
在AI Chiplet技术中，多颗芯粒如何分工？模型怎样切分？数据往哪里走？每种路径都会直接影响芯片的实际性能。CalcuKit能够根据模型结构、芯粒类型与数量、互联方式和功耗限制进行智能调度，自动规划任务，完成多芯粒协同调度。
简单来说，CalcuMex解决如何算得更高效；CalcuGrid解决多芯粒如何构成一个可扩展系统；CalcuKit解决如何让多芯粒系统对用户透明并高效运行。
而这套架构的设计逻辑，正好满足Agent时代对于长上下文、持续运行、本地数据安全以及不同场景下资源弹性扩展的核心需求。
原粒半导体拿到的12亿融资，本质上是资本对这套底层重构的投票。