ARTICLE · 1300089
DensityAI 深度解析:Dojo 天团出走,要把 AI 算力「密度」做到极致
一、这家公司什么来头？
DensityAI 于 2024 年成立于美国加州山景城，创始人 Ganesh Venkataramanan 是前特斯拉硅片负责人、Dojo 超算项目的灵魂人物。2025 年 8 月特斯拉收缩 Dojo 项目后，超过 20 名 Dojo 核心工程师跟随老领导集体出走，其中包括联合创始人 Bill Chang（Dojo 首席系统架构师，曾主导全球首个量产级晶圆级封装技术）和 Ben Floering。
- 定位：面向机器人、自动驾驶和大规模 AI 推理/训练的数据中心 AI 计算基础设施
- 规模：71 人左右的精干团队，尚无公开产品（stealth 模式）
- 资本：投资方包括 imec.xpand、Dolby Family Ventures 等；2026 年 9 月传出正洽谈接近 100 亿美元估值 的新一轮融资
- 传闻：2026 年 4 月特斯拉披露的「最高 20 亿美元收购一家 AI 硬件公司」交易，业界普遍猜测对象就是 DensityAI（未获官方确认）
一句话总结：这不是一家「AI 应用公司」，而是一家从芯片到数据中心垂直整合的算力基础设施公司。
二、产品与技术：核心是「带宽」和「密度」
DensityAI 的技术路线可以概括为一个判断：AI 算力的瓶颈已经不是算力本身（FLOPS），而是数据搬运（带宽与内存墙）。参考 Dojo D1 芯片的设计理念，他们把火力集中在三处：
1. 新型内存架构
针对大模型推理中「权重搬运耗电、耗带宽」的痛点，DensityAI 围绕一种全新的内存架构设计 AI 加速器，目标是让数据在计算单元附近的驻留时间最大化，减少 HBM 与计算核心之间的无效往返。
2. 3D 堆叠与先进封装
延续晶圆级封装的工程经验，采用 3D stacking（三维堆叠） 把计算与存储在物理距离上压到极限——这就是「高密度」名字的由来。
3. 光互连（Optical Interconnect）
公开专利显示，DensityAI 正在布局微 LED 光互连与多层波导结构的光互连网络。当电互连在带宽密度和能效上逼近物理极限，芯片间/机柜间用「光」替代「铜」是业界共识方向，DensityAI 显然打算把这一层也做进自研体系。
三、优点与短板（理性看）
✅ 优点
⚠️ 短板与风险
四、性能跑分对比：为什么没有数字？
坦率地说：目前没有任何可信的公开 benchmark。公司处于 stealth 阶段，没有 MLPerf 提交记录、没有公开白皮书。
但这不妨碍我们做一张「路线对比图」——用架构理念对标同赛道玩家：
公司 | 核心路线 | 代表指标（公开数据） | 与 DensityAI 的关系 |
|---|---|---|---|
NVIDIA（GB200） | 通用 GPU + HBM + NVLink | Blackwell 机柜级 ~120 PFLOPS FP8 算力、~13.4 TB/s HBM 带宽 | DensityAI 要抢的「假想敌」，赢在生态 |
Cerebras | 晶圆级引擎（WSE-3） | 单晶圆 4T 晶体管、21 PB/s 片上带宽 | DensityAI 创始团队的「前作路线」直接继承者，最像的同类 |
Groq | 确定性数据流 LPU | 数百 token/s 级推理时延优势，HBM 用量极小 | 同样用「近存计算」思路绕开内存墙 |
Dojo D1（前作） | 晶圆级训练芯片 | 单芯片 362 TFLOPS BF16，片内带宽远超 HBM 方案 | DensityAI 团队亲手做过，相当于「Dojo 2.0 民间正统续作」 |
给读者的建议：对这类公司，与其盯着不存在的跑分，不如盯三个里程碑信号——① 首次流片/点亮公告；② 首个付费客户或 pilot 部署；③ MLPerf 或第三方复现的能效比数据。
五、工程师能从 DensityAI 学到什么？
即使不买它的芯片，这家公司的技术叙事也值得每个做 AI 系统的工程师咀嚼：
- 内存墙是新的主战场。大模型推理成本 ≈ 搬数据成本，学会算「每 token 的字节搬运量」比背 FLOPS 更重要。
- 近存计算的权衡艺术：SRAM 大、HBM 小、数据流确定的架构（Dojo/LPU 一脉）提示我们——硬件拓扑应当从「目标算子的数据流」反推，而不是先造芯片再适配模型。
- 光互连的工程化思路：微 LED + 波导不是实验室玩具，关注其专利中的封装集成方式（共封装光学 CPO 是必经之路）。
- 晶圆级设计的系统工程观：良率、供电、散热、测试在超大封装上是数量级更难的问题，垂直整合团队的意义正在于此。
- benchmark 方法论：未来判断这类芯片，用「每瓦 token 数（tokens/s/W）」「每美元 token 数」代替峰值算力，才不容易被 PPT 忽悠。
六、应用与采购注意点
如果你来自车企、机器人公司或数据中心，未来评估 DensityAI（或任何自研加速器厂商）时，请把这份清单贴在会议室墙上：
- 软件迁移成本：现有 PyTorch 模型能否零改动跑通？自研编译器对自定义算子的支持度如何？
- 精度和数值格式：是否原生支持 BF16/FP8？量化精度的损失有没有第三方验证？
- 供货与交付能力：晶圆级/3D 封装的产能爬坡周期极长，合同里要写清交付违约条款。
- 能效比实测：要求用你自己的模型、你自己的数据现场压测，只看「tokens/s/W 实测值」。
- 生态锁定风险：专有编译器 + 专有硬件 = 深度绑定，议价权会随时间流向厂商。
- 地缘政治与出口管制：团队成员与产线涉及美国出口管制（EAR/ITAR）相关岗位，跨境部署需提前做合规评估。
结语
DensityAI 的故事，本质上是「Dojo 团队不甘心」的故事：他们不相信 AI 基础设施只能靠堆更多 HBM 和 GPU 解决，于是用自己的名字向行业宣战——未来的算力竞赛，比的是密度，不是面积。
产品何时落地、跑分能否兑现，现在下结论都为时过早。但有一点可以确定：当一支亲手造过 exaFLOP 级晶圆级系统的队伍决定再来一次，整个数据中心行业都该认真听一听。
