成立时间 01
2019 [CO001] 尽调报告
d-Matrix
差异化推理芯片，融资与生态信号强，但公开运营证明有限。
d-Matrix 拥有差异化的推理平台，融资势头也可信，但公开证据仍不足以评估其当前收入质量、客户深度或资本充足性。
覆盖范围与披露说明
公开来源支持平台架构、融资历程和战略合作，但未披露当前收入、利润率、现金跑道或客户集中度。
封面要素
公司概况
d-Matrix 是一家总部位于 Santa Clara、2019 年成立的 AI 推理芯片公司，销售覆盖 Corsair 加速器、JetStream 网络和 Aviator 软件的全栈平台。公司据报道已融资 $450 million，估值达到 $2 billion；但公开证据仍未披露收入、毛利率、现金跑道、客户集中度和资本表经济条款。
- 创始人
- Sid Sheth, Sudeep Bhoja
- 总部
- Santa Clara, California
- 产品
- 公司销售全栈 AI 推理平台，将 Corsair 加速卡、JetStream 网络和 Aviator 软件结合，用于数据中心部署。
- 客户
- 超大规模、企业和主权数据中心买家
- 商业模式
- 通过硬件与平台销售，并辅以软件和部署层；独立的经常性软件收入经济学尚未公开披露。
- 阶段
- late-stage private
- 融资情况
- 2025 年 11 月 Series C 融资 $275 million，据报道估值 $2 billion；据报道累计融资 $450 million。
执行摘要
主要优势
- 基于 DIMC 的差异化推理架构，硬件与软件产品叙事完整。
- 融资和战略支持可信，据报道 Series C 估值达 $2 billion。
- 明确聚焦超大规模、企业和主权数据中心推理市场。
主要风险
- 当前收入、ARR、毛利率、现金余额、烧钱速度和现金 runway 仍未披露。
- 客户数量、留存、续约节奏和客户集中度仍无法通过公开信息核实。
- 资本密集度、封装与良率执行，以及对生态的依赖，都可能压缩回报。
未决问题
- 经审计的收入或 ARR、毛利率、定价、现金 runway 和已实现的单位经济性仍未披露。
- 公开来源仍缺少具名生产部署、活跃客户数、重复下单节奏、留存和集中度指标。
- 资本表条款、清算优先权、二级交易或 409A 估值，以及董事会控制权的经济安排均未公开。
- JetStream 爬坡和 3DIMC 到 Raptor 的路线图，其生产良率、成本曲线和交付时间仍缺乏充分证据。
- SOC 2、ISO 27001、信任中心文档以及具体出口管制风险分析等公开安全与合规材料仍不完整。
目录
01公司概览
1.1 身份与运营版图
d-Matrix 成立于 2019 年，并在 2025 年 11 月融资公告中将 Santa Clara, California 列为总部。公司称其全栈推理平台覆盖 Corsair 加速卡、JetStream 网络和 Aviator 软件，采用以内存为中心的计算，旨在减少推理时的数据搬运。这是一家聚焦 AI 基础设施的企业，而非通用模型厂商。截至 2025 年 11 月，公司报告全球员工超过 250 人，除 Santa Clara 外还在 Toronto、Sydney、Bangalore 和 Belgrade 设有办公室。这些规模数据是公司发布的快照，并非独立审计的当前人数。2025 年 1 月的一次创始人访谈称，d-Matrix 在此前两年已产生收入，但未提供收入、ARR、客户数或利润率数据。[CO001, CO002, CO003, CO009, CO010]
| 指标 | 数值或状态 | 截至 | 信心 | 缺口或限定 |
|---|---|---|---|---|
| 成立时间 | 2019 | 2025-11-12 公司事实表 | 高 | 稳定的身份事实 |
| 总部 | 加利福尼亚州圣克拉拉 | 2025-11-12 | 高 | 没有更新的指定来源改变该地点 |
| 产品模式 | Corsair 加速器 + JetStream 网络 + Aviator 软件 | 2026-10-10 主页访问 | 中 | 性能和经济性仍为公司口径 |
| 最新披露融资 | 2.75 亿美元 C 轮 | 2025-11-12 | 高 | 证券条款未公开 |
| 估值 | $2.0B | 2025-11-12 | 高 | 投前/投后基础未披露 |
| 累计融资额 | $450M | 2025-11-12 | 高 | 融资额不等于可用现金 |
| 员工与地点 | 全球 250+ 人；圣克拉拉以及多伦多、悉尼、班加罗尔和贝尔格莱德 | 2025-11-12 | 中 | 公司发布的快照；没有独立的当前人数 |
| 收入 / ARR | 声称已产生收入；金额未披露 | 2025-01-22 | 低 | 没有经审计的收入、ARR、利润率或现金续航期数据 |
| 客户数量 | 2026-10-10 证据审查 | 低 | 指定来源池中没有可支持的公开数量 |
数值保留来源期间和指标名称；融资额不等于手头现金，null 表示指定的预取证据不支持相应数量。
[CO001, CO002, CO003, CO006, CO007, CO008, CO009, CO010]1.2 创始人主导的领导层与治理集中度
公开领导层证据集中在两位联合创始人：首席执行官 Sid Sheth 和首席技术官 Sudeep Bhoja。他们共同的 Inphi 经历构成创始人与市场的匹配基础：公司称，两人在创办 d-Matrix 前的工作让他们接触到大型云服务商的数据中心互联需求。但这也使资本形成、产品战略和架构都明显集中于关键人物。本部分证据没有列出完整高管团队、董事会、观察员权利、继任计划或授权运营职责。因此，投资者应把创始人持续任职和治理深度视为待核查事项，不应因融资银团规模而推断公司已有制度化控制。[CO004, CO005]
1.3 资本基础与利益相关方结构
d-Matrix 于 2025 年 11 月宣布完成 $275 million 的 Series C，估值 $2 billion，使公司报告的累计融资达到 $450 million。独立报道重复了轮次规模、估值和累计融资，但本证据集的公开记录未披露该估值是投前还是投后、证券条款、清算优先权、持股比例、债务、老股转让或董事会权利。BullhoundCapital、Triatomic Capital 和 Temasek 共同领投；QIA 与 EDBI 作为新参与者加入，M12 及其他现有投资者跟投。2026 年 10 月，GuruFocus 报道计划中的 Nvidia 投资，而 d-Matrix 首页宣布了 NVLink Fusion 合作；这笔计划投资的金额、证券和治理影响仍未披露。[CO006, CO007, CO008, CO011, CO016]
| 利益相关方 | 披露角色 | 经济或控制相关性 | 尽调要求 |
|---|---|---|---|
| BullhoundCapital | C 轮联合领投方 | 重要融资参与者；持股和权利未披露 | 获取证券、持股、董事会和否决权条款 |
| Triatomic Capital | C 轮联合领投方 | 重要融资参与者；持股和权利未披露 | 确认配额、治理权和后续投资储备 |
| Temasek | C 轮联合领投方 | 重复投资的机构支持者；持股和权利未披露 | 确认按比例投资权、信息权和控制权 |
| QIA 与 EDBI | 新的 C 轮参与者 | 主权关联资本扩大了地域利益相关方基础 | 检验战略义务、审批和附函 |
| M12 / Microsoft | 后续 C 轮投资者 | 战略投资者关系可能有助于生态系统准入 | 将投资权利与任何商业承诺分开 |
| Nvidia | 据报道的计划投资者；已宣布 NVLink Fusion 关系 | 潜在的互操作性和生态系统意义 | 核实交割、金额、工具和商业依赖关系 |
公开点名的重要利益相关方样本，不是股权结构表；参与并不确立持股、控制权、客户身份或具有约束力的商业承诺。
[CO006, CO007, CO008, CO011, CO016]1.4 执行历程与已披露的脆弱点
运营历程显示，公司经历了多次技术和融资转向，而不是线性产品路径。创始人回忆称，他们在 2020 年打造第一颗芯片时一度距离现金耗尽只剩两周，随后于 2021 年获得 $40 million 的 Series A。他们描述公司在 2022 年转向生成式 Transformer 工作负载和 Corsair 架构，之后于 2023 年完成 $110 million 的 Series B。后续 Series C 和据报道的 Nvidia 兴趣改善了战略选择，但都不能证明重复生产需求或持久经济性。本章可获得的不利记录主要来自公司自身回顾性披露；不利搜索未返回分配结果，因此不能把缺少独立事故来源理解为不存在法律、监管、可靠性或客户问题。[CO012, CO013, CO014, CO015, CO016]
时间线将产品转向与资本事件并置，并保留公司对 2020 年流动性压力的自述。
仅精确到年份的日期，反映创始人时间线所能提供的精度；融资和当前发展日期采用保留来源的发布时期。
首颗芯片落地 [CO012]
现金濒临耗尽 [CO012]
4,000 万美元 Series A [CO013]
生成式 AI 架构转向 [CO014]
1.1 亿美元 Series B [CO015]
披露已产生收入但未披露金额 [CO010]
2.75 亿美元 Series C，估值 20 亿美元 [CO006, CO007, CO008]
Nvidia 投资进展见报 [CO016]
1.5 展示项
02市场分析
2.1 市场边界、计入支出与现状替代方案
AI 推理加速器市场由生产级机器学习部署的基本架构需求界定，而不是前沿模型预训练。d-Matrix 将可服务市场边界定义在运行生成式 AI 和 transformer 推理的企业及云数据中心服务器机架。计入的支出包括专用 PCIe 加速卡、基于 chiplet 的数字内存计算模块、专用机架级 scale-up 互联网络以及推理编译软件许可。相反，市场不包括只为模型训练优化的通用 GPU 集群、消费级边缘设备，以及不运行大规模 transformer 工作负载的通用 CPU 企业托管。现状替代方案仍是密集的 NVIDIA H100 和 Blackwell GPU 集群；尽管交互式 token 生成面临极高能耗和内存墙瓶颈，它们仍占据现有数据中心配置。d-Matrix 通过提供计算密集型加速器，让运营方在单个服务器机架内运行最高 100 billion 参数的模型，目标是在标准企业数据中心中切出专门的 decode 层。[CM006, CM008, CM013]
| 细分市场 | 纳入支出 | 排除支出 | 主要买方 | 战略相关性 |
|---|---|---|---|---|
| 数据中心 AI 推理加速器 | PCIe 和机架级专用解码芯片、数字存内计算卡以及加速器芯粒模块 | 通用 GPU 训练集群、边缘微控制器和客户端 PC 芯片 | 云服务提供商与企业数据中心 | d-Matrix Corsair 卡和面向交互式 token 服务的下一代 Raptor XPU 的核心重点 |
| 异构扩展互连 | 专有芯粒链路、NVLink Fusion 接口托盘以及光纤/PCIe Gen5 网络结构 | 现货机顶以太网交换机和广域电信线路 | 超大规模系统架构师与 OEM 服务器集成商 | 支持 GPU 预填充与专用解码芯片之间的内存池化和低延迟解耦 |
| 推理优化软件 | 编译器工具链、量化压缩器、模型切片运行时引擎和 Triton DSL 内核 | 通用操作系统许可、训练编排框架和 SaaS 应用代码 | 机器学习平台工程师与基础设施负责人 | Aviator 软件栈确保与 PyTorch 和开放模型兼容，无需手动重写组装代码 |
| 智能体与实时 token 服务 | 高交互性 API token 交付基础设施、推测解码流水线和企业 LLM 托管 | 批量离线分析、冷存储归档和传统关系数据库处理 | 前沿 AI 实验室与企业应用开发者 | 推动对亚 10 毫秒交互响应时间的需求，在此类场景中以内存为中心的架构优于 GPU |
市场定义将 d-Matrix 解决方案所针对的核心支出领域分类，同时明确区分纳入的推理基础设施与排除的训练和通用企业 IT 托管。
[CM006, CM008, CM013]2.2 市场规模口径、TAM 预测与细分市场预测
评估 d-Matrix 的市场机会需要采用多种规模口径，因为各研究方法对 AI 芯片的分类差异很大。根据 Futurum Group 的 1H 2026 AI 芯片预测，以 agent 和 reasoning 为先的推理芯片支出预计从 2025 年的 $35.9 billion 增至 2030 年的 $546.0 billion，并在 2027 年超过预训练，成为最大的数据中心工作负载类别。在这一更大市场中，d-Matrix 竞争的专用 XPU 子市场预计将在同一五年窗口内从 $37.4 billion 增至 $237.2 billion。StartEngine 的独立投资披露引用基准预测，预计 AI 芯片总市场到 2030 年达到 $323.1 billion；Tokenring 和 Chronicle Journal 更保守的硬件行业预测则给出 2030 年 $76.7 billion、2035 年 $231.8 billion 的可服务硬件基础。d-Matrix 的可服务市场聚焦于需要低延迟 decode 加速的异构数据中心机架；下一代 Raptor XPU 计划通过 NVIDIA MGX 参考系统于 2027 年第四季度进入商业供应。[CM001, CM002, CM003, CM004, CM005, CM014]
| 规模估算视角 | 发布方 / 来源 | 年份 / 期限 | 地域 | 市场价值 | 增长率（CAGR） | 方法与基础 | 局限与信心 |
|---|---|---|---|---|---|---|---|
| 智能体与推理 TAM | Futurum Group（SM001） | 2025–2030 | 全球 | 2030 年 5,460 亿美元 | 72.4%（2025 年为 359 亿美元） | 按预填充与推理优先解码工作负载细分的服务器加速器芯片自下而上跟踪 | 高信心；假定 token 生成量和超大规模云厂商资本支出持续增长 |
| 专用推理 XPU SAM | Futurum Group（SM001） | 2025–2030 | 全球 | 2030 年 2,372 亿美元 | 44.7%（2025 年为 374 亿美元） | 非 GPU 定制芯片、存内计算和特定领域推理加速器的可服务子集 | 中等信心；取决于第三方芯片能否成功克服 CUDA 软件生态锁定 |
| 通用 AI 半导体 TAM | StartEngine / 披露（SM003） | 2024–2030 | 全球 | 2030 年 3,231 亿美元 | 28.5%（以 2024 年为基数） | 对涵盖训练、推理、边缘和云数据中心的分立 AI 加速器进行广泛行业综合 | 中等信心；汇总了不同芯片架构，未隔离数据中心解码插槽 |
| 全球 AI 硬件基线 | Chronicle Journal / Tokenring（SM006） | 2025–2035 | 全球 | 2030 年 767 亿美元 / 2035 年 2,318 亿美元 | 长期轨迹 24.7% | 聚焦实体服务器部署和企业数据中心系统的保守硬件支出模型 | 中低信心；排除软件价值捕获，并预计企业基础设施周转速度较慢 |
规模估算视角反映了专用推理 XPU、更广泛的 AI 半导体市场和实体数据中心硬件部署之间不同的分析范围边界。
[CM001, CM002, CM003, CM004, CM005]市场规模从 AI 硬件总支出逐层收窄，直至 d-Matrix 可服务的解码阶段推理市场。
各层宽度仅表示层级，不代表数值比例。
预测综合 Futurum Group 2025–2030 年预测数据、StartEngine 市场披露以及 Tokenring / Chronicle Journal 硬件估算； 自下而上的 SOM 反映受容量约束的解码加速部署能力。
[CM001, CM002, CM004, CM014]2.3 买方细分、预算归属与采用路径
专用推理硬件的商业化路径覆盖三类主要买家：二线云和 neocloud 服务商、前沿人工智能研究实验室，以及大型企业数据中心运营方。云服务商和前沿实验室最早采用，原因是服务 agentic 工作流和交互式 reasoning 模型的运营开支不断上升。在这些组织中，采购预算通常由基础设施工程和云运营副总裁掌控，硬件主要按每 token 总拥有成本和交互延迟门槛评估。Gimlet Labs 在 2026 年将 Corsair 加速器部署到 Gimlet Cloud，用于把 speculative decoding 从 GPU 卸载，从而实现显著延迟和效率提升，证明了这一路径的商业效果。2026 年末，NVIDIA 计划中的股权投资和 NVLink Fusion 合作进一步提供战略验证，建立互操作桥梁，让超大规模和企业买家无需重新设计标准数据中心机架，便可将 d-Matrix decode 托盘与 NVIDIA Vera CPU 及网络设备并用。[CM007, CM008, CM009]
| 市场细分 | 目标买方 | 最终用户 | 预算负责人 | 目标工作流 | 采用触发因素 | 采购障碍 |
|---|---|---|---|---|---|---|
| 二线云与新型云基础设施 | 云基础设施负责人 / 工程副总裁 | AI SaaS 开发者与企业租户 | 云资本支出与数据中心运营 | 推测解码、多租户 LLM token 托管和高并发 API 服务 | GPU 严重短缺以及标准 H100/Blackwell 实例的高小时租用成本 | 供应商认证周期，以及证明客户软件跨多框架兼容性的要求 |
| 前沿 AI 实验室与模型构建者 | 计算副总裁 / 首席技术官 | 模型研究科学家与推理工程师 | 核心研究与前沿计算预算 | 极低延迟交互式推理、100B+ 参数模型解码和智能体评估 | 前沿 100 万 token 上下文窗口中的内存带宽瓶颈导致 GPU 利用率停滞 | 不愿将部署代码库从主要训练集群架构中分叉 |
| 企业数据中心 IT | 首席信息官 / 企业架构副总裁 | 企业内部应用用户与数据团队 | 企业 IT 基础设施预算 | 本地企业搜索、私有客户服务智能体和本地文档处理 | 数据中心功率上限，以及必须在现有风冷 PCIe 服务器机架内部署 AI 的要求 | 保守的采购周期、内部缺乏 ML 编译器专业知识，以及偏好交钥匙 OEM 系统 |
| 主权与区域云服务提供商 | 国家数字基础设施总监 | 区域政府与商业实体 | 主权云资本基础设施基金 | 遵守国内数据主权和出口限制的本地化生成式 AI 服务 | 美国出口管制和贸易限制，限制获得顶级商用 GPU 硬件 | 严格的合规要求和漫长的公共采购招标周期 |
买方图谱概述了评估替代性推理芯片的主要客户细分市场的运营重点、关键采购角色和采用障碍。
[CM007, CM008, CM009, CM010, CM011, CM012]2.4 采用驱动、电力约束与 ROI 瓶颈
生成式 AI token 需求带来强劲顺风，但推理加速器市场受到严峻的物理和经济约束。最紧迫的结构性驱动是数据中心电力可得性；Gartner 研究警告，到 2027 年最多 40% 的运营中 AI 数据中心可能面临严重电力约束，能源高效架构将成为持续扩容的必要条件。但宏观经济和生态摩擦抑制了采用。d-Matrix 管理层明确指出，出资方正在审视商业软件回报缓慢的问题，并担心 AI 基础设施泡沫；需要更广泛的下游应用采用，才能释放企业硬件预算。此外，监管限制和美国出口管制压缩了对中国大规模数据中心需求的触达，使可服务机会集中在西方超大规模客户、主权云项目和合规地区企业。要克服软件栈惯性，并证明异构部署中的长期硬件可靠性，仍是新兴芯片供应商的关键难题。[CM010, CM011, CM012]
2.5 展示项
03竞争者
3.1 AI 推理竞争格局：直接同业、既有厂商与替代方案
人工智能推理芯片的商业格局，核心是既有 GPU 架构与专用推理加速器之间不断加剧的竞争。Nvidia 依靠无处不在的 CUDA 软件平台和完整系统封装，在企业及超大规模数据中心保持压倒性地位。在此背景下，专注解决推理延迟和成本瓶颈的硬件初创公司不断出现。直接挑战者包括 Groq，其 Tensor Streaming Processor 架构强调确定性的低延迟 token 交付；以及 Cerebras Systems，其巨型晶圆级引擎绕开芯片间通信限制。此外，Fractile、Oxmiq 和 XCENA 等早期内存计算初创公司探索模拟或数字内存处理。同时，大型云超大规模厂商部署自有 ASIC，例如 Google TPU 和 AWS Inferentia，承接内部高容量工作负载，也成为第三方商用加速器的现状替代方案。[CP001, CP002, CP004]
| 竞争者 / 平台 | 类别 | 规模 / 融资 | 目标细分市场 | 核心差异化 | 关键局限 / 脆弱性 |
|---|---|---|---|---|---|
| Nvidia | 现有 GPU 巨头 | 市值 >5 万亿美元；上市公司 | 广泛的企业、云和超大规模 AI | 占主导地位的 CUDA 软件平台和全面的数据中心网络生态 | 系统价格高、热负荷大，并且交互式推理期间 HBM 内存带宽受限 |
| Groq | 直接的专用挑战者 | 风投支持；融资约 10 亿美元以上 | 超大规模云和 API 开发者推理 | 确定性的 Tensor Streaming Processor（LPU）架构，实现极高 token 生成速度 | 片上 SRAM 容量受限，需要大型多芯片拓扑来承载大型前沿模型 |
| Cerebras Systems | 直接的专用挑战者 | 风投支持；IPO 保密申报者 | 前沿模型训练和超大规模推理 | Wafer-Scale Engine（WSE-3）将内存和计算集成到单片整体晶圆上 | 专有液冷服务器机箱，需要专用数据中心基础设施和高资本成本 |
| Fractile | 新兴存内计算同行 | 早期风投支持 | 边缘和数据中心中的 Transformer 推理 | 专为降低 Transformer 模型延迟而设计的新型存内计算架构 | 处于商业化早期，量产良率未经验证，开发者工具有限 |
| 超大规模云内部 ASIC（TPU/Trainium） | 现状替代方案 / 内部构建 | 数十亿美元级内部研发规模 | 封闭云基础设施工作负载 | 深度垂直整合至封闭云服务，外部供应商硬件利润为零 | 仅可在封闭云中使用，跨私有和主权数据中心的部署灵活性受限 |
竞争者概况综合自 Tracxn 行业登记、TechStartups 风投分析和企业披露。封闭的超大规模云项目不包括商业化商用供应。
[CP001, CP002, CP004]3.2 架构与能力权衡：内存计算、GPU 与 ASIC
评估推理加速器需要分析物理内存层级和计算基底。Nvidia Hopper、Blackwell 等传统 GPU 架构遵循经典冯·诺依曼原则，高速计算核心持续在外部高带宽内存（HBM）之间搬运权重和激活值。HBM 虽提供很高的总带宽，但交互式 token 生成中的外部内存搬运会带来严重的散热和能耗代价。d-Matrix 以数字内存计算（DIMC）处理这一物理瓶颈，把计算逻辑直接放在多芯片封装内的高密度 SRAM 模块旁。d-Matrix 还刻意绕开受限的 HBM 供应链，以避免由一线 GPU 厂商主导的配给和溢价。软件生态则不同：既有厂商依赖 CUDA 等深度固化的专有生态，d-Matrix 则围绕 PyTorch、MLIR 和 Triton DSL 等开放标准组织 Aviator SDK，支持模型编译，无需开发者重写核心模型定义。[CP005, CP006, CP007, CP008]
| 采购标准 / 维度 | d-Matrix Corsair 平台 | Nvidia GPU（H100/B200） | Groq LPU 系统 | 超大规模云 ASIC（TPU/Trainium） |
|---|---|---|---|---|
| 主要计算架构 | 采用模块化芯粒设计的数字存内计算（DIMC） | 单片 SIMT 流式多处理器 | 确定性空间 Tensor Streaming Processor（TSP） | 定制脉动阵列和矩阵乘法 ASIC |
| 内存子系统与层级 | 共置片上 SRAM 存内计算与大容量 DRAM 相结合 | 通过中介层互连的外部高带宽内存（HBM3/HBM3e） | 不带外部动态 RAM 的纯片上 SRAM 内存 | 集成高带宽内存或系统 DDR 内存 |
| 互连与系统扩展 | 兼容 NVLink Fusion 生态，并配备 PCIe 和 JetStream NIC | 专有 NVLink、NVSwitch 和 InfiniBand 网络结构 | 专有确定性芯片间铜互连链路 | 专有机架间云互连（例如 Google ICI、AWS NeuronLink） |
| 目标工作负载专长 | 交互式 LLM 生成、智能体推理模型和实时视频 | 前沿模型训练、密集批量推理和通用 HPC | 超低延迟单批次 token 生成 | 封闭云应用推理和内部基础模型训练 |
| 软件工具与可移植性 | 支持 PyTorch、MLIR 和 Triton DSL 的 Aviator SDK | CUDA 生态、TensorRT-LLM 和广泛的库支持 | 支持 PyTorch 和 ONNX 模型的 Groq 编译器工具链 | 专有编译器工具链（例如 XLA、AWS Neuron SDK） |
架构和工具比较源自技术文档、高管访谈和官方产品公告。性能指标反映架构专长，而非标准化的第三方基准测试。
[CP005, CP006, CP007, CP008]3.3 封装、互联与部署经济性
企业和云数据中心采用硬件，很大程度取决于封装形态、功耗范围和互联兼容性。d-Matrix 将旗舰 Corsair 加速器设计为标准 600-watt PCIe 卡，可安装在 Supermicro、Dell 和 HPE 等 OEM 制造的行业标准服务器中。与专用液冷设备或定制服务器机箱相比，这种 brownfield 封装策略可减少数据中心设施改造支出。但各竞争者的商业定价模式仍高度异质且不透明。GroqCloud 等云 token 服务商公布每百万 token 的透明 API 价格，商用 GPU 也以透明的二级系统溢价交易，而 d-Matrix 的目录价格和实际折扣仍属私有信息。资本为初始企业试点扩张提供了跑道，其中包括总计 $450 million 的融资，以及 2025 年末完成的 $275 million Series C。[CP009, CP010, CP011]
| 平台 / 竞争者 | 定价与商业模式 | 封装与外形规格 | 已知折扣或不透明要素 | 采购影响 |
|---|---|---|---|---|
| d-Matrix Corsair | 目录价格未公开披露；硬件销售与 Aviator SDK 捆绑 | 600 瓦标准 PCIe 加速卡；SquadRack 参考架构 | 实际批量折扣、试点优惠和毛利率目标仍未披露 | 无需设施重新设计即可直接安装到行业标准企业服务器机箱中 |
| Nvidia 加速系统 | 目录价格高（每卡 $30,000–$40,000+）；完整机架级系统定价 | PCIe 卡、SXM 模块和高密度 NVL72 液冷机架级设备 | 超大规模云厂商批量折扣幅度很大；软件企业许可捆绑方式各异 | 高资本承诺要求，且在需求高峰期硬件交付周期延长 |
| Groq | GroqCloud 按每百万 token 的 API 消耗计费，并销售本地机架硬件 | 容纳多卡 LPU 集群的高密度机架级服务器设备 | 企业批量阶梯折扣和专用硬件托管合同不透明 | 云 token API 消耗没有硬件门槛；专用本地机架资本密集 |
| 超大规模云 ASIC | 按小时租用虚拟实例，并提供承诺使用和竞价折扣选项 | 集成式云服务器基础设施（仅限封闭云部署） | 混合云捆绑掩盖了芯片层面的制造和基础设施利润率 | 消除资本支出，但造成严格的云供应商平台锁定 |
商业定价结构和封装选项汇编自公开云定价表、风投报道和经纪商市场概况。d-Matrix 商业单元目录价格未公开发布， 代表尚未解决的尽调缺口。
[CP009, CP010, CP011]3.4 护城河持久性、生态切换壁垒与既有厂商竞合
商用半导体市场要维持长期护城河，必须抵御既有厂商持续吸收功能和软件锁定。BCG 增长份额矩阵等成熟组合框架表明，挑战者硬件产品必须先在交互式 agentic reasoning、实时生成等高增长细分市场取得可防守份额，才能避免既有厂商规模经济把利润率商品化。d-Matrix 没有与 Nvidia 进行全面系统替换，而是采取战略竞合。通过把 Nvidia 的 NVLink Fusion 互联纳入产品路线图，d-Matrix 让其加速器可以在异构机架架构中与 Nvidia CPU、网络卡和 DPU 并行连接。但客户切换成本仍很高：已经优化 CUDA 生产推理栈的企业，只有在看到有说服力的吞吐量和总拥有成本优势后，才会采用多硬件部署架构。[CP003, CP012, CP013, CP014]
以序数方式对 AI 推理方案进行定位，比较计算与内存整合程度以及数据中心部署灵活性。
| 条目 | X (2–9) | Y (3–9) | 说明 |
|---|---|---|---|
| 1. d-Matrix Corsair | 8.5 | 7.5 | DIMC 存算高度整合，支持开放标准 PCIe 存量环境部署 |
| 2. Nvidia GPU（H100 / B200） | 4.5 | 9 | 外置 HBM 架构，拥有主导性的 CUDA 生态和广泛的云端可用性 |
| 3. Groq LPU | 8 | 5.5 | 片上 SRAM 高度整合，但需要专用设备密度或云 API |
| 4. Cerebras CS-3 | 9 | 3.5 | 晶圆级计算与内存整合，但受专用液冷机箱限制 |
| 5. 超大规模云厂商 ASIC（TPU / Trainium） | 5 | 4 | 为封闭云实例优化的定制芯片，不具备本地部署灵活性 |
| 6. Fractile（早期 DIMC） | 7.5 | 3 | 存内计算概念，商业化和封装成熟度仍处早期 |
| 7. 现有服务器 CPU | 2 | 6 | 冯·诺依曼架构，可普遍部署于数据中心，但推理吞吐能力较弱 |
坐标基于公开架构披露和标准数据中心封装兼容性，对 1–10 量表进行定性序数定位，而非第三方基准分数。
[CP012, CP013]3.5 展示项
04财务
4.1 收入模式在产品层可见，而非合同层
商业方案将 Corsair 推理加速器、JetStream 网络和 Aviator 软件结合，但留存证据未显示这些组件之间如何分配对价。公开材料描述了全栈平台和大规模部署，却未披露价目表、计费单位、合同期限或收入确认政策。Corsair 采用行业标准 PCIe 形态，硬件销售具有合理性；Aviator 也可能只是捆绑的启用支持，而不是独立经常性软件收入。两种判断都不能视为已报告的收入结构。在合同、发票和会计政策明确客户购买内容及收入确认时点前，投资判断不应赋予其 SaaS 式经常性收入或软件利润率。[CI001, CI012, CI016]
| 来源或组成部分 | 公开描述的机制 | 单位 | 当前价值或状态 | 收入质量评估 | 尽调要求 |
|---|---|---|---|---|---|
| Corsair 加速器 | 全栈平台中的推理硬件 | 产品形态为 PCIe 卡；计费单位未披露 | 商业价格和已确认收入均未公开 | 硬件收入存在可能，但没有证据证明其已作为报告口径中的收入构成披露 | 提供发票、平均售价、出货量、退货及保修条款 |
| JetStream 网络 | 集成平台中的高速网络 | 计费和封装单位未披露 | 没有公开的独立收入金额 | 可能与系统打包销售；单独经济性未知 | 提供物料清单、搭载率、转移定价及合作伙伴经济性 |
| Aviator 软件 | 面向推理优化的软件和 SDK 层 | 许可、订阅或捆绑权益未披露 | 没有公开的独立 ARR 或价格 | 目前没有依据将其按经常性软件收入处理 | 提供合同条款、续约条件、递延收入及独立 ARR |
| 大规模部署 | 面向超大规模云厂商、企业及主权客户的集成平台部署 | 部署、机架、容量或服务单位未披露 | 多个部署项目曾被宣布为 Series C 募资款用途 | 不能从计划中的部署反推积压订单和收入确认 | 提供已签署的积压订单、验收节点、取消权及客户集中度 |
产品组件和目标细分来自公司发布的资料；计费机制、收入构成和金额仍未披露，不能当作估计值。
[CI001, CI002, CI010, CI016]| 产品 | 价格、单位或合同 | 标价与实际价格 | 折扣或未知项 | 有来源支撑的结论 |
|---|---|---|---|---|
| Corsair | 未披露 | 留存证据中没有公开标价或实际价格 | 数量阶梯、评估单元、返利及保修准备金均未知 | 公开价格不能用于收入模型 |
| JetStream | 未披露 | 独立定价还是捆绑定价未知 | 搭载率及第三方组件经济性未知 | 尚未建立独立的网络收入流 |
| Aviator | 未披露 | 独立许可还是硬件权益未知 | 续约、支持和用量收费均未知 | 没有公开 ARR，也未建立经常性收入分类 |
| 集成部署 | 未披露 | 合同金额和验收进度未知 | 客户专属折扣、服务及取消权均未知 | 部署公告不能证明已确认收入 |
留存来源披露了产品描述，但没有价目表或客户合同；每个 null 都是公开证据缺口，不是零值。
[CI012, CI016]4.2 销售主张具有经济性，但经济数据仍是公司口径
d-Matrix 称平台面向超大规模、企业和主权客户，意味着这是一笔集中且技术要求高的基础设施销售，而非自助式交易。公司声称性能提升十倍、成本降低三倍、能效较 GPU 系统提升三至五倍。这些主张解释了买方价值，如果在客户工作负载中持续成立，或可支撑硬件溢价；但证据集没有实际平均售价、销售周期、概念验证转化率、渠道抽成、支持负担或客户级总成本分析。因此，从工作负载价值到收入和毛利的桥接仍是尽调框架，而非量化预测。[CI002, CI011, CI016]
公开记录确认了产品层和买方层，但合同定价、确认收入和毛利仍属非公开信息。
| 节点 / 连接 | 节点 / 起点 | 终点 | 说明 |
|---|---|---|---|
| 节点 1 | 客户推理工作负载 [buyer-workload] | 需求来源；工作负载规模和持续时间未披露 | |
| 节点 2 | 超大规模、企业或主权买方 [target-segment] | 公司识别出的客户群；客户构成未披露 | |
| 节点 3 | Corsair 加速 [corsair] | 采用行业标准 PCIe 外形规格的硬件层 | |
| 节点 4 | JetStream 网络 [jetstream] | 网络层；独立变现方式未披露 | |
| 节点 5 | Aviator 软件 [aviator] | 软件层；许可或捆绑方式未披露 | |
| 节点 6 | 宣称的性能与能效价值 [efficiency-value] | 公司宣称的价值，不是本证据集中的客户实际节省 | |
| 节点 7 | 合同价值 [contract-value] | 价格、期限、折扣和验收条件未披露 | |
| 节点 8 | 确认收入 [recognized-revenue] | 当前收入和收入确认政策未披露 | |
| 节点 9 | 毛利 [gross-profit] | 销售成本和毛利率未披露 |
仅为按顺序排列的概念流程；不包含估计转化率、货币金额、利润率或暗示的比例宽度。
[CI001, CI002, CI011, CI016]4.3 融资规模可观，但资本充足性仍未证实
最强的公开财务事件是 2025 年 11 月 Series C：多个来源报告融资 $275 million，估值 $2 billion。公司发布的公告称累计融资达到 $450 million，新资金将支持路线图、全球扩张和多项大规模部署。但两个市场数据来源分别报告 $476 million 和约 $500 million，因此即使累计融资这一分母也需要资本表核对。更重要的是，已融资额不等于可用现金。留存来源没有披露现金余额、月度烧钱、承诺中的晶圆厂或封装付款、收购对价、债务、营运资金需求或跑道。融资可以支持执行，但本身不能证明公司能撑过商业盈亏平衡点。[CI006, CI007, CI008, CI009, CI010]
| 指标 | 公开价值或状态 | 期间与分母 | 置信度 | 重要性 | 尽调要求 |
|---|---|---|---|---|---|
| 收入 | 预计低于 $10 million | 公司对日历年 2023 的预测，发表于 2023 年 9 月 | 中；历史管理层预测 | 展示商业化前基线，而非当前牵引力 | 将预测与经审计的 2023 年实际收入核对 |
| 年收入目标 | 高于 $70 million 至 $75 million | 2023 年 9 月报告后两年内的目标 | 中；历史管理层目标 | 目标未达成或达成，都会实质改变商业化风险 | 提供目标年份的经审计实际收入及当前收入运行率 |
| 盈亏平衡目标 | 预计两年内实现 | 目标发表于 2023 年 9 月；利润口径未定义 | 低；分母和会计基础未说明 | 会计盈亏平衡不能等同于现金盈亏平衡 | 分别定义 EBITDA、营业利润和自由现金流盈亏平衡 |
| Series C 融资 | $275 million，估值 $2 billion | 轮次于 2025 年 11 月宣布 | 高；由公司发布及独立来源报道 | 设定融资基准，但不代表当前现金 | 提供投后股权结构表、优先权、费用及净募资额 |
| 累计融资 | 公司发布为 $450 million；其他来源报道为 $476 million 及约 $500 million | 截至 2025 年 11 月 Series C 的累计金额 | 中；定义或记录相互冲突 | 影响实缴资本和稀释分析 | 核对新股、老股交易、债务及收购相关金额 |
| 当前收入、ARR 和毛利率 | 留存证据中未披露 | 截至 2026-10-10 研究日期 | 低 | 阻碍评估收入质量和利润率路径 | 按产品提供经审计收入、积压订单转化、COGS 及毛利率 |
| 现金、烧钱速度、现金跑道和义务 | 留存证据中未披露 | 截至 2026-10-10 研究日期 | 低 | 阻碍评估资本充足性和下一轮融资时点 | 提供现金余额、月度烧钱、债务、晶圆厂承诺及 24 个月预测 |
预测仍标注为预测；已募融资不按可用现金处理，缺失的经营指标保持未披露，不作估计。
[CI003, CI004, CI005, CI006, CI007, CI008, CI009, CI016]4.4 财务结论：价值主张有吸引力，但投资判断数据不足
一份归因于管理层的 2023 年报告预测当年收入低于 $10 million，并以两年内年收入超过 $70 million 至 $75 million、同时达到盈亏平衡为目标。这些是历史预测，不能证明任一里程碑已实现。当前留存来源没有披露确认收入、ARR、毛利率、现金消耗或跑道。EquityZen 还提示资本需求高，以及与资产负债表和开发者生态大得多的既有厂商竞争。如果生产部署能以可防守利润率转化为重复订单，投资逻辑可能改善；但当前公开证据不足以支持收入质量、利润路径或资本充足性结论。[CI003, CI004, CI005, CI013, CI016]
4.5 展示项
05产品与技术
5.1 产品组合、硬件加速器与商业形态
d-Matrix 提供专用 AI 推理计算平台，面向标准企业和超大规模数据中心中的生成式 AI 工作负载。硬件组合以 Corsair 为核心：这是一张全高全长（FHFL）PCIe Gen5 x16 加速卡，在有机基板上以八个模块化 chiplet 承载 3,200 mm² 芯片。为支持可扩展数据中心部署而无需特殊液冷设施，Corsair 面向标准风冷服务器机箱设计，热设计功耗为 600W。对更大模型，d-Matrix 通过顶部安装的 DMX Bridge 卡连接两张 Corsair，组成双卡配置，将 16 个 chiplet 集成为统一加速器复合体。服务器机箱和机架顶部叶交换机之间的横向扩展连接由 d-Matrix 的 JetStream 网卡处理；它们通过标准数据中心 Ethernet 传输模型激活值，无需专用 InfiniBand 网络。[CE001, CE002, CE003, CE004, CE007, CE012]
| 产品 / 模块 | 主要功能 | 目标用户 / 工作负载 | 成熟度与部署状态 | 技术差异化 | 尽调与验证缺口 |
|---|---|---|---|---|---|
| Corsair PCIe 加速器 | 双基板 PCIe Gen5 x16 卡，搭载 8 个芯粒、2 GB 片上 SRAM 性能内存（150 TB/s），以及最高 256 GB LPDDR5 容量内存 | 超大规模云厂商与企业的低延迟关键 LLM 解码 | 商业化生产 / OEM 认证 | 数字存内计算（DIMC），将算术运算集成进 SRAM 位单元 | 持续 600W TDP 下的实际客户机架良率和生产功耗 |
| Dual-Corsair 子系统 | 两张合并的 PCIe 卡，通过 DMX Bridge 连接 16 个芯粒，配备 4 GB SRAM（300 TB/s）和最高 512 GB 容量内存 | 单节点中的大模型推理（最高 100B 参数） | 可采用服务器配置（例如 Supermicro X14） | 全互联 DMX Link 拓扑，实现 19.2 PFLOPs MXINT4 密集计算 | 规模扩大后的卡间互连延迟和同步开销 |
| JetStream NIC 网络结构 | 高速 PCIe 网卡，支持跨机箱以及连接机顶交换机叶交换机的横向扩展以太网通信 | 数据中心横向扩展推理集群 | 与 SquadRack 合作伙伴进行商业部署 | 无需外部 InfiniBand 的原生推理优化以太网流式传输 | 突发流量下的实际拥塞处理能力和网络丢包韧性 |
| Aviator 软件 SDK | 联合设计的编译器、运行时和量化工具链，支持 PyTorch 接口及自定义内核执行 | AI 基础设施开发者和模型部署工程师 | 支持 Corsair 的生产软件栈 | 自动块浮点（MXINT8/MXINT4）量化和图执行 | 公开开发者社区指标、API 稳定性及自定义内核文档 |
硬件规格、内存带宽和计算密度来自 d-Matrix 技术白皮书及 Series C 披露；客户生产良率、持续负载下的实际功耗及软件生态遥测数据仍需通过 NDA 验证。
[CE001, CE002, CE003, CE004, CE005, CE006, CE012]5.2 数字内存计算架构与双层内存子系统
Corsair 平台的架构核心是数字内存计算（DIMC），用于处理传统冯·诺依曼加速器架构固有的内存墙。d-Matrix 不依赖通过昂贵硅中介层连接的独立高带宽内存（HBM）堆栈，而是采用标准 TSMC CMOS 逻辑工艺，将算术乘加逻辑直接嵌入 64x64 SRAM bitcell 阵列。这种紧密物理耦合使每张卡拥有 2 GB 集成 Performance Memory，总内存带宽达 150 TB/s，比传统 HBM3 实现高一个数量级。纯 SRAM 存放数十亿参数权重的成本过高，因此 Corsair 在计算裸片旁放置最高 256 GB 的板级 LPDDR5 Capacity Memory，形成双层内存层级。通过 Aviator 软件运行时，工作负载可在延迟敏感的 decode 阶段使用 Performance Mode，也可在面向吞吐量的批量推理中使用 Capacity Mode。[CE001, CE002, CE003, CE006, CE008]
| 运营任务 | 传统 GPU 工作流 | d-Matrix 平台方案 | 声称的运营收益 | 运营限制与尽调风险 |
|---|---|---|---|---|
| 交互式 LLM 令牌生成 | 高成本 HBM GPU（H100/B200）执行受内存带宽限制的解码循环 | Corsair DIMC 性能内存以 150 TB/s 从片上 SRAM 提供权重 | 令牌生成速度最高提升 10x，70B 模型每个令牌耗时 2ms | 每张卡 2 GB SRAM 限制片上完整执行只能覆盖较小模型，或需要大量卡 |
| 解耦推理（预填充与解码） | 单一 GPU 架构同时处理计算受限的预填充和带宽受限的解码，利用率低 | NVIDIA GPU 负责计算密集型预填充；Corsair 或 Raptor XPU 通过 NVLink Fusion 负责延迟关键型解码 | 让硬件架构匹配特定推理阶段需求，从而优化 TCO | 跨厂商流水线编排复杂，系统间 PCIe/NVLink 数据传输存在延迟 |
| 高吞吐离线批处理 | 大型通用 GPU 集群处理大批量队列，功耗较高 | Corsair 以容量模式运行，使用最高 256 GB 板载 LPDDR5 内存 | 成本性能最高降低 3x，能效较传统 GPU 提升 3-5x | LPDDR5 内存带宽显著低于 SRAM，会牺牲超低令牌延迟 |
| 智能体 AI 与实时语音服务 | GPU 服务器难以应对无规律的突发请求、严格的交互式 SLA 及多租户上下文切换 | SquadRack 和 MGX 机架级模块化托盘将低延迟解码引擎部署在网络设备附近 | 亚人类响应延迟支持流畅的多轮语音智能体和实时编程助手 | 需要通过 Aviator 编译自定义模型；无法与 CUDA 生态实现即插即用的同等兼容 |
工作负载优化和令牌速度指标反映厂商声称的性能特征；解耦预填充 / 解码需要接入主机 GPU 基础设施，并经过验证的调度运行时支持。
[CE001, CE003, CE007, CE008, CE009, CE011]六层架构层级覆盖定制 DIMC 芯片、双层内存子系统、芯片间和机架级互连、Aviator 运行时编译器以及企业应用接口。
- 企业应用与智能体工作流
- 实时代码助手、对话式语音智能体以及高交互企业 LLM
- Aviator 编译器与运行时工具链
- PyTorch 集成、图编译、自定义内核调度以及 OCP MXINT8 / MXINT4 量化
- 网络与横向扩展互连层
- JetStream PCIe NIC、机架顶端以太网叶交换机以及 NVIDIA NVLink Fusion 机架级互连
- 双层内存层级子系统
- 2 GB 片上 SRAM 性能内存（150 TB/s），搭配最高 256 GB 片外 LPDDR5 容量内存
- Chiplet 封装与 DMX Link 互连
- 每张 PCIe 卡搭载八个 Chiplet，位于有机基板上，并采用全互连 DMX Link 芯片间网状拓扑
- 数字存内计算（DIMC）核心芯片
- 每个 Chiplet 集成 256 个 DIMC 核心，将算术逻辑直接嵌入标准 CMOS 的 64×64 SRAM 位单元
层级综合了 d-Matrix 技术白皮书和 NVIDIA MGX 合作公告中记录的硬件、固件及软件规格。
[CE001, CE002, CE003, CE004, CE005, CE006, CE010, CE012]5.3 Aviator 软件 SDK、块浮点与 NVLink Fusion 机架整合
软件协同设计和生态兼容性决定加速器在现代数据中心环境中的可行性。Aviator 软件 SDK 是平台的主要软件接口，提供兼容 PyTorch 的抽象、底层图编译和自定义 kernel 调度，以降低开发者上手摩擦。为提高算术密度并缩小内存占用，Corsair 原生支持 Open Compute Project（OCP）Microscaling（MX）Block Floating Point 数值格式，每张卡的峰值密集计算能力为 MXINT8 2,400 TFLOPs、MXINT4 9,600 TFLOPs。2026 年 9 月，d-Matrix 宣布与 NVIDIA 的多年整合路线图：通过 NVLink Fusion，将下一代推理处理器接入 NVIDIA MGX rackscale 架构。该机架级架构包含 NVIDIA Vera CPU、BlueField-4 DPU、ConnectX-9 SuperNIC 和 Astera Labs PCIe retimer，支持异构拆分：NVIDIA GPU 处理计算密集型 prefill 阶段，d-Matrix XPU 处理延迟敏感的 token decode。[CE005, CE006, CE009, CE010, CE011, CE013]
| 架构子系统 | 主要技术角色 | 关键硬件 / 软件依赖 | 主要失效模式与尽调风险 |
|---|---|---|---|
| 数字存内计算（DIMC） | 将算术 MAC 逻辑直接编织进 64x64 SRAM 位单元 | 标准 CMOS 逻辑晶圆厂工艺（TSMC） | SRAM 扩展停滞、硅晶圆面积开销（每张卡 3,200 mm²）及光罩极限约束 |
| DMX Link Die-to-Die 互连 | 有机基板封装内的低延迟全互联芯粒通信 | 基于 OCP ODSA 标准的定制物理层 | 芯粒间路由拥塞、封装良率损失，以及超过 8 个芯粒后扩展的延迟惩罚 |
| Raptor 3DIMC 堆叠子系统 | 面向下一代 XPU，通过 TSV 将 DRAM 裸片垂直堆叠在 SRAM 逻辑裸片上 | 先进 3D 封装晶圆厂集成及定制 DRAM 晶圆供应 | 有源内存堆叠在逻辑裸片上方造成热热点；流片可能推迟至 2026 年之后，并带来 2027 年第四季度交付风险 |
| NVLink Fusion 与 MGX 机架集成 | 将 d-Matrix XPU 与 Vera CPU 一起接入 NVIDIA 机架基础设施的纵向扩展接口 | NVIDIA NVLink Fusion 生态、Astera Labs 重定时器及 NVIDIA MGX 模块化托盘标准 | 平台依赖 NVIDIA 路线图时点和专有接口许可，并可能与合作伙伴渠道发生冲突 |
子系统依赖和路线图里程碑反映 NVIDIA 于 2026 年 9 月发布的官方 NVLink Fusion 披露及技术白皮书文件；热性能和良率仍未获独立实验室认证。
[CE001, CE004, CE009, CE010, CE011, CE013, CE014]5.4 技术差异化、扩展边界与尽调缺口
d-Matrix 报告了显著能效优势——芯片上 SRAM 计算每 bit 为 0.3 picojoule，而基于 HBM 的 GPU 为 3.0 picojoule——但仍有多项工程、良率和部署边界需要严格尽调。SRAM bitcell 的物理扩展停滞把每卡片上内存限制在 2 GB，迫使运行 70B+ 参数模型的超大规模客户部署多卡集群，或接受 LPDDR5 容量内存的性能损失。此外，d-Matrix 下一代 Raptor 处理器依赖通过硅通孔（TSV）实现的垂直 3D DRAM-over-logic 堆叠，在目标于 2027 年第四季度商业供应前带来严重散热挑战和先进封装良率不确定性。关键是，当前公开性能指标完全依赖厂商白皮书和模拟预测；独立第三方 MLPerf 基准审计、多租户企业 SOC 2 合规认证和生产客户可靠性数据仍未验证。[CE008, CE010, CE014]
5.5 展示项
06客户
6.1 客户细分与目标买家
d-Matrix 面向三类主要客户：面临大规模生成式 AI 推理运营和经济瓶颈的企业 IT 与私有数据中心运营商、超大规模及二线云服务商，以及主权 AI 基础设施项目。各细分市场的核心价值主张，都是解决生成式 token 生成中的内存墙约束。d-Matrix 将数字矩阵计算直接放在内存互联上，在相比传统 GPU 集群显著降低功耗和机架空间的同时，实现极低交互延迟。 企业数据中心买家优先考虑可预测的总拥有成本（TCO）和标准服务器机箱内的即插即用整合。Corsair 加速卡配合 Aviator SDK，支持 PCIe 形态部署，避免定制数据中心设施改造。相反，超大规模客户和云服务商按批量吞吐量、多租户隔离和集群级网络互联评估推理加速器。与 NVIDIA 达成的战略协议，将即将推出的 Raptor XPU 接入 NVLink Fusion 和 MGX 模块化机架生态，是对超大规模采购惯例的重要对齐；云运营商可以部署专用推理计算，而无需拆除标准化机架架构。 [CU001, CU002, CU003, CU004, CU005]
| 客户细分 | 目标买方 / 用户 | 目标用例 | 目标规模 | 战略价值 | 主要尽调缺口 |
|---|---|---|---|---|---|
| 企业数据中心 | 基础设施副总裁 / 企业 ML 工程师 | 低延迟生成式 AI 推理和企业聊天机器人服务 | 单服务器至多节点 PCIe 机架 | 无需重建数据中心设施即可采用标准 PCIe 部署 | 缺少说明生产部署规模的公开案例研究 |
| 超大规模云厂商与二线 CSP | 云基础设施采购 / 容量架构师 | 高吞吐令牌生成和解耦服务 | 配备高速纵向扩展互连的多机架集群 | 以更低能耗 TCO 支持大规模并发推理容量 | 客户认证周期及多租户隔离验证 |
| 主权 AI 计划 | 国家基础设施基金与主权计算机构 | 国内 AI 模型服务和高能效数据中心集群 | 区域专用数据中心安装 | 吸引主权资本和政府支持的计算项目 | 已验证的采购合同及主权部署进度 |
| OEM 与系统集成商 | 硬件产品经理 / 服务器系统工程师 | 交钥匙 AI 推理服务器和参考机架集成 | 标准化服务器托盘和模块化机架架构 | 建立间接销售渠道和认证交付流程 | 长期 OEM 利润分成和硬件保修义务 |
客户细分和战略画像根据公司产品规格及生态部署公告分类。
[CU001, CU002, CU004, CU008]从初步评估到机架级扩展的客户采用生命周期。
阶段划分综合平台要求，反映数据中心硬件采购和认证的标准流程。
[CU001, CU002, CU003, CU008, CU011, CU012]6.2 采用轨迹与部署证明
d-Matrix 已公开验证的商业采用证据，显示出实际商业化势头，但披露边界严格。公司在 Series B 融资后开始交付初始推理处理器和商业硬件平台，联合创始人兼 CEO Sid Sheth 确认 d-Matrix 在过去两年成功产生商业收入。此外，全球银行合作方 J.P. Morgan Startup Banking 验证 d-Matrix 使用其跨境商业银行和资金管理基础设施，在五个全球站点及多个国际市场扩展运营。 硬件部署证明还来自关键 OEM 和参考架构合作。Super Micro Computer 已将 d-Matrix 加速器整合进企业服务器平台，为企业机器学习流水线提供认证硬件系统。此外，d-Matrix 与 Arista Networks、Broadcom 和 Supermicro 共同开发 SquadRack 开放标准参考架构，支持多加速器数据中心部署。不过，生产规模参考客户、持续在线生产中的具体客户 logo，以及下一代平台的批量交付计划仍是严格保密的私有公司数据。 [CU006, CU007, CU008, CU009, CU010]
| 采用指标 | 披露价值 | 观察日期 | 主要来源 | 置信度 | 战略含义 | 缺失分母 |
|---|---|---|---|---|---|---|
| 商业收入产生 | 连续 2 年产生收入 | 2025-01-22 | M12 Founders Feature Interview | 高 | 确认运营已从纯研发转向商业收入 | 具体美元 ARR、毛利率和收入增长百分比 |
| 全球办公地点与运营足迹 | 5 个全球办公地点共有 200+ 名员工 | 2025-01-22 | M12 Founders Feature Interview | 高 | 展示其在国际市场的技术和现场支持规模 | 面向客户的工程师与硅片研发人员的拆分 |
| 商业平台形态 | 配备 Aviator SDK 的 Corsair PCIe 加速器 | 2026-10-10 | d-Matrix 官方架构与平台规格 | 高 | 提供标准服务器兼容性，便于客户快速评估 | 向商业客户累计出货的加速器卡总数 |
| 参考机架架构 | 搭配 Arista、Broadcom、Supermicro 的 SquadRack | 2025-11-12 | d-Matrix Series C 新闻稿 | 高 | 验证多厂商数据中心集成生态 | 客户数据中心中生产 SquadRack 部署数量 |
| 下一代机架互连 | NVLink Fusion 与 MGX 生态集成 | 2026-09-10 | Remio AI Architecture Analysis | 中 | 将可触达市场扩展至采用 NVIDIA 标准的 AI 集群 | 2027 年第四季度前 Raptor 的流片良率和交付时间表 |
采用指标反映经验证的公司披露和合作伙伴声明；美元收入和客户数量仍属非公开信息。
[CU002, CU006, CU007, CU008, CU011]| 合作伙伴 / 交易对手 | 生态角色 | 部署与用例范围 | 生产与试点状态 | 已验证结果 / 里程碑 | 主要限制 / 尽调缺口 |
|---|---|---|---|---|---|
| Super Micro Computer | 硬件 OEM 合作伙伴 | 在服务器层集成 d-Matrix 推理加速器 | 生产集成 | 将 d-Matrix 芯片集成进商用企业服务器 | 终端客户销售量和硬件出货量未披露 |
| J.P. Morgan Startup Banking | 商业银行交易对手 | 全球商业银行、信贷及跨境资金管理 | 生产性银行关系 | 支持其在 5 个全球办公地点的扩张和银行运营 | 体现企业运营服务，而非技术采购 |
| NVIDIA | 机架基础设施与互连合作伙伴 | 面向 Raptor XPU 的 NVLink Fusion 与 MGX 机架级集成 | 路线图协议 / 商业化前 | 多年路线图将 Raptor 与 Vera CPU 及 Spectrum-X 连接起来 | 芯片尚待流片；商业可用性目标为 2027 年第四季度 |
| Microsoft (M12) | 战略投资者与风险投资伙伴 | 投资支持及探索性 AI 基础设施协同 | 风险投资 / 评估 | 参与 Series A、Series B（$110M）和 Series C 轮次 | 没有 Azure 生产部署的约束性公开承诺 |
公开披露边界限制了对未披露企业试点账户的了解；表中关系均代表已验证的交易对手。
[CU006, CU007, CU009, CU010, CU011, CU012]6.3 留存、扩张与集中度风险
d-Matrix 的客户持久性和扩张画像由数据中心半导体采购的独特经济性及认证周期决定。在硬件加速基础设施中，初始客户合作通常从开发者评估或小节点数试点部署开始。加速器一旦通过特定模型族认证，例如交互式 Llama 70B 服务，扩张便通过机架级基础设施订单实现。Aviator 软件层经过协同设计，通过兼容 PyTorch 的编程接口和底层自定义 kernel 执行，降低切换摩擦。 但 d-Matrix 的商业化路径也有显著的平台集中风险。NVLink Fusion 协议为公司进入 NVIDIA 庞大机架生态提供直接分销渠道，同时也让公司高度依赖 NVIDIA 的专有互联标准和架构路线图。此外，Raptor 芯片计划于 2026 年底前完成流片，集成 MGX 系统目标在 2027 年第四季度首次供应，因此下一代系统的商业合作仍是前瞻性路线图承诺，而非已实现的生产收入。在缺少经审计的留存、客户集中度比率和订单储备披露时，投资者必须把批量商业化视为持续的尽调缺口。 [CU011, CU012, CU013, CU014, CU015, CU016]
6.4 展示项
07风险
7.1 监管、法律与公司结构风险
d-Matrix 以双实体运营：核心公司业务位于 Santa Clara, California，印度设有工程子公司 D-MATRIX INDIA PRIVATE LIMITED。这一分散的运营版图使公司面临跨境知识产权管理、外国子公司合规和多法域劳动法规风险。随着 d-Matrix 为国际企业及主权数据中心部署准备 Corsair 加速器和 JetStream 网络硬件，出口管制分类和高性能计算贸易限制成为关键监管检查点。虽然截至目前公司未出现公开专利诉讼或正式监管执法行动，但要在全球扩展先进 AI 芯片，必须严格遵守国际商业标准并主动监测合规情况。此外，外部自动化申报检索会受到学术矩阵补全文献的噪声干扰。[CR001, CR003, CR014, CR015]
| 风险领域 | 司法管辖区 | 状态 | 可能性 | 严重程度 | 缓释策略 | 剩余暴露 | 尽调路径 |
|---|---|---|---|---|---|---|---|
| 对先进计算的出口管制限制 | 美国 / 全球 | 持续合规监测 | 中 | 高 | 在获准的商用芯片性能参数内维持技术指标 | 中等 | 检查美国商务部 BIS 分类申报文件和出口法律顾问意见函 |
| 跨境子公司 IP 与转让定价 | 美国 / 印度 | 已注册并运营 | 低 | 中 | 在两实体之间正式签订公司间许可和转让定价协议 | 低 | 审查公司间协议及 D-Matrix India 年度法定审计报告 |
| 商业专利与 IP 侵权风险 | 美国 | 无活跃公开诉讼 | 中 | 高 | 持续推进存内计算专利申请，并开展防御性 IP 交叉许可 | 中等 | 围绕存储器计算架构开展全面的 FTO 专利版图审查 |
| 数据安全与可信合规认证 | 全球 / 企业 | 企业审查进行中 | 中 | 中 | 正在落实 SOC 2 Type II 和 ISO 27001 数据中心运营协议 | 中等 | 要求提供独立 SOC 2 审计报告和第三方安全评估审计 |
该示例风险登记表反映公开公司注册信息、跨境公司治理及出口管制分类。
[CR001, CR002, CR003, CR014]7.2 运营执行、供应链与技术可行性
将半导体硬件从试点芯片扩展到商业批量，带来严重运营和制造风险。d-Matrix 依赖先进晶圆厂封装和第三方半导体制造，把数字内存计算架构集成进标准 PCIe 加速卡。CEO Sid Sheth 报告称，公司在战略转向生成式 Transformer 模型后，前两年已产生商业收入；但公司仍需持续优化 Aviator 软件栈编译器，以克服围绕 Nvidia CUDA 的开发者锁定。硬件从多芯片原型验证过渡到高可靠、高可用的数据中心工作负载，需要持续验证密集机架级部署中的散热、芯片缺陷密度和互联可靠性。[CR004, CR010, CR012, CR013]
7.3 交易对手、生态与竞争集中度
d-Matrix 的市场进入策略与关键生态伙伴紧密相连，形成显著交易对手依赖。公司已将 SquadRack 参考架构与 Super Micro Computer、Arista 和 Broadcom 等服务器制造商及网络供应商整合。更重要的是，d-Matrix 已采用 Nvidia 的 NVLink Fusion 互联，把下一代 Raptor 处理器直接连接到 Nvidia AI 集群。该合作促进机架级互操作并缓解直接平台排斥，但也让 d-Matrix 的产品路线图受制于 Nvidia 的平台标准。此外，公司面临至少 34 家活跃数据中心 AI 芯片开发商的日益激烈竞争，其中包括资金充足、争夺有限客户试点预算的推理初创企业。[CR002, CR005, CR006, CR007, CR008]
| 依赖领域 | 交易对手 | 角色 | 集中度 | 失败情景 | 严重程度 | 缓释措施 | 剩余暴露 |
|---|---|---|---|---|---|---|---|
| 互连生态 | Nvidia | NVLink Fusion 接口提供商 | 高 | 协议弃用或被专有体系锁定 | 严重 | 保留 PCIe 备选方案，并支持基于标准的以太网 | 高 |
| 服务器系统集成 | Supermicro / Arista | SquadRack 参考架构 | 高 | OEM 供应受限或交付延迟 | 高 | 将 OEM 合作伙伴网络扩展至更多服务器厂商 | 中 |
| 银行与资金管理 | J.P. Morgan | Startup Banking 商业服务提供商 | 低 | 全球运营账户受阻 | 低 | 标准机构级商业银行服务 | 低 |
| 风险投资与治理 | Consortium / Temasek | Series C 轮主要财务投资方 | 中 | 资本联合体出现协调分歧 | 中 | 由主权财富基金参与的全球联合投资者基础 | 低 |
评估半导体晶圆厂、网络互连和服务器 OEM 渠道中的交易对手集中度。
[CR002, CR005, CR006, CR007]7.4 财务敞口、估值实现与论点失效触发点
d-Matrix 以 $2 billion 投后估值完成 $275 million Series C，累计筹得 $450 million，用于硬件开发和客户扩张。但据报道，公司在 2026 年寻求以 $5 billion 估值融资，已在收入规模得到验证前抬高了业绩预期。公开披露缺少经审计毛利率、单位生产成本、现金消耗率和客户续约数据。关键论点失效触发点包括晶圆厂合作伙伴严重的封装良率延迟、企业客户在初始生产试点期间流失，或 Nvidia 战略转向、限制第三方加速器进入 NVLink 生态集群。[CR001, CR009, CR011]
按影响严重程度、可能性、缓释成熟度和剩余暴露，对核心业务、技术和市场风险进行战略分类。
评估综合公开的公司里程碑、竞争对手动态和资本结构披露，属于定性判断。
[CR001, CR008, CR009, CR010, CR011]7.5 展示项
08估值
8.1 投资论点与反论点
d-Matrix 的核心投资论点，建立在数据中心 AI 推理工作负载的架构颠覆上。传统加速器架构面临严重内存墙：计算核心与内存之间持续搬运数据，消耗大量能源并限制吞吐量。d-Matrix 通过 Corsair 加速器中的数字内存计算芯片处理这一物理瓶颈，声称在大语言模型上性能最高提升 10x、成本降低 3x、能效提升 3-5x。公司还通过积极的战略收购，从纯芯片组件供应商转向一体化全栈数据中心平台。2026 年 4 月收购 GigaIO 的数据中心业务后，d-Matrix 获得 FabreX PCIe 内存互联和机架级互联工程；2026 年 8 月收购 Wallaroo.ai 又增加了即用型 AI 部署和模型编排软件。通过采用 Nvidia NVLink Fusion 互联，d-Matrix 也建立了与主流 GPU 部署共存的务实路径。 反论点则强调严峻的执行、竞争和估值阻力。推理芯片市场高度拥挤，Tracxn 记录了 34 家活跃竞争者，其中包括 Cerebras、Groq 和专用 ASIC 初创公司等 17 家已融资企业，它们都与 Nvidia 的主导平台竞争。作为全栈平台竞争，d-Matrix 必须直接面对 Nvidia 根深蒂固的 CUDA 和 Triton 开发者生态。四个月内完成两项收购，会带来严重的并购后整合风险、开发者分心以及 Wallaroo 既有账户潜在流失。最关键的是，尽管架构主张很有吸引力，公开记录缺少经验证的收入运行率、客户留存数据和单位利润率，因此 $2.0B 估值可能反映资本市场势头，而非持久的商业采用。[CV005, CV007, CV008, CV009, CV010, CV011]
| 分析支柱 | 核心论点 | 反论点 | 哪些事实会改变判断 |
|---|---|---|---|
| 芯片架构 | 数字存内计算（DIMC）压缩数据搬运，以 3–5 倍能效和低延迟取胜 | 超大规模云厂商可能更偏好已有通用 GPU 集群：其开发者软件生态成熟，而非小众芯片 | 独立第三方生产环境 MLPerf 基准验证持续的数据中心级能效 |
| 全栈平台并购 | 收购 GigaIO 和 Wallaroo 加快机架级部署，并补齐端到端软件能力 | 四个月内完成两起收购，可能造成严重的组织整合摩擦和软件开发者流失 | 证明软件团队留存良好，且 Aviator-Wallaroo 客户部署能够无缝统一 |
| 生态联盟 | 采用 NVLink Fusion 并与 Nvidia 展开投资洽谈，确立与行业标准共存的关键路径 | 互操作合作可能使 d-Matrix 从属于 Nvidia 的平台路线图，却无法建立独立定价权 | 披露商业 OEM 收入分成协议，并保证最低订货量 |
| 估值与财务纪律 | 快速增长的生成式 AI 推理支出，为高性价比芯片打开巨大的可服务市场 | 在 20 亿美元估值、商业收入尚未验证的情况下，入场价格体现的是 AI 热潮峰值，而非已实现的现金流 | 披露经审计的 ARR 超过 5,000 万美元，且毛利率可持续高于 60% |
将核心价值驱动因素与关键执行、技术和市场风险进行对照，并列出可量化的转向指标。
[CV005, CV007, CV008, CV009, CV010]8.2 融资背景、进入纪律与估值立场
d-Matrix 于 2025 年 11 月 12 日确立对外估值标记，完成 $275 million Series C；该轮融资给公司带来 $2.0 billion 投后估值，并使三轮累计机构股权融资达到 $450 million。Series C 银团体现出强劲的国际机构和主权支持，由 Bullhound Capital、Triatomic Capital 和 Temasek 共同领投，Qatar Investment Authority、新加坡 EDBI、Microsoft 的 M12 风投基金及现有风投支持者参与。该轮之后，The Information 于 2026 年 7 月的市场报道显示，d-Matrix 正探索目标估值 $5.0 billion 的新融资；随后 2026 年 10 月的报道披露，Nvidia 正计划围绕生态互操作性讨论少数股权投资。 从进入纪律看，我们认为当前 $2.0 billion 估值偏高，并认为传闻中的 $5.0 billion 目标缺乏锚定。虽然一线银团验证了公司的技术可行性，但公开来源没有披露经审计收入 收入运行率、年化经常性收入（ARR）、毛利率或活跃生产部署量。在收入生成得到证明前，支付 $2.0 billion 或更高估值，意味着在未经验证的企业客户商业进展上承受异常高的远期倍数。若超大规模客户评估停滞，或 GPU 竞争性折扣压缩半导体毛利率，在这些价位进入的投资者将面临严重的倍数压缩风险。在商业收入规模得到证实前，资本保全要求维持进入纪律。[CV001, CV002, CV003, CV004, CV012]
8.3 情景建模：乐观、基准与悲观情形
为量化 d-Matrix 在 24 个月期限内经风险调整的回报特征，我们基于现实的企业硬件采用周期和可比基础设施倍数，建模乐观、基准和悲观运营情景。在乐观情景（概率 20%）下，d-Matrix 成功将试点转化为至少两家超大规模云厂商和多家企业私有云的多兆瓦生产部署。Corsair 卡、JetStream 网络和集成的 Wallaroo 软件规模化后，ARR 超过 $150 million，毛利率超过 60%。按当前 AI 基础设施远期收入 15x 至 20x 的估值倍数，企业价值扩大至 $3.0B-$4.5B，相对于 C 轮投后估值带来颇具吸引力的 1.5x-2.25x 回报。 在基准情景（概率 55%）下，d-Matrix 在二线云服务商和企业私有数据中心取得适度商业进展，但超大规模云厂商的部署仍局限于专用评估集群。由于与 Wallaroo 和 GigaIO 的合并后整合挑战拉长交付周期，ARR 达到 $30 million 至 $60 million。按远期收入 8x 至 12x 的正常化硬件与软件倍数估值，估值稳定在 $1.5B 和 $2.2B 之间，相对于 C 轮入场价格，持有回报大致持平至小幅增长。在悲观情景（概率 25%）下，由于软件尚不成熟、传统 Wallaroo 客户流失，以及 Nvidia 加速推出低成本 GPU 产品，企业试点未能转化为批量采购承诺。现金续航期迅速缩短，迫使公司以 $500M-$800M 进行稀释性下轮融资或结构化资本重组，意味着 60% 至 75% 的资本损失。[CV001, CV004, CV011, CV013, CV014]
| 情景 | 核心运营假设 | 估值 / 回报逻辑 | 主要下行风险 | 概率信号 |
|---|---|---|---|---|
| 乐观情景 | 一线超大规模云厂商迅速转入生产；Wallaroo 软件推动 ARR 超过 $150M；Corsair / JetStream 获得广泛采用 | 15x-20x 远期倍数对应 $3.0B-$4.5B 估值（相对 Series C 基线有 1.5x-2.25x 回报潜力） | 晶圆厂产能分配受限，以及 Nvidia 激进的 GPU 竞争性降价 | 20% 概率；取决于确认超大规模云厂商的大额采购协议 |
| 基准情景 | 企业和二线云厂商选择性采用；ARR 达到 $30M-$60M；GigaIO / Wallaroo 整合出现中度延迟 | 8x-12x 远期倍数支撑 $1.5B-$2.2B 估值（1.0x-1.1x 回报潜力；持有价值） | 企业概念验证转化周期拉长，软件维护开销持续 | 55% 概率；反映当前市场条件和商业化速度 |
| 悲观情景 | 企业试点无法扩展为批量部署；Wallaroo 客户流失；Nvidia NVLink 生态将独立利润空间拒之门外 | 估值大幅下调至 $500M-$800M（相对 Series C 估值标记下跌 60%-75%） | 现金续航耗尽，需要稀释性重组或向传统硬件厂商低价出售平台 | 25% 概率；鉴于硬件烧钱规模大、私募估值目标激进，风险偏高 |
基于可比半导体和企业基础设施倍数，对未来 24 个月的情景假设进行建模。
[CV001, CV004, CV011, CV013, CV014]8.4 建议立场、尽调要求与论点破坏触发因素
综合我们的技术、战略和财务发现，我们对 d-Matrix 的投资建议为“进一步研究”，信心程度中等，风险评级高，估值立场偏高。d-Matrix 通过数字存内计算架构展现了真正的芯片创新，并通过并购整合了战略性的机架级和编排资产。此外，通过 NVLink Fusion 与 Nvidia 的生态对齐降低了近期平台过时风险。然而，完全缺乏可核实的收入 里程碑、生产部署数据和客户留存指标，使得以 $2.0B 投后估值投入资本具有投机性。当前潜在上行空间尚不足以抵御执行风险和竞争风险，无法提供足够的安全边际。 在将建议重新评估为积极买入立场之前，潜在投资者必须完成四项强制性尽调要求。第一，取得经审计的财务报表， 确认过去十二个月的商业收入、软件 ARR 以及按产品线划分的毛利率。第二，对传统 Wallaroo 企业客户和活跃的 Corsair 试点参与者进行客户参考核查，以量化留存率和工作负载满意度。第三，核实与 TSMC 的半导体供应协议 和晶圆代工分配，以确保交付能力。第四，审查股权结构表条款，确认清算优先权和二级交易定价。相反，明确的论点破坏性否决标准包括：关键创始技术领导层的任何流失；Wallaroo 整合后客户持续流失；Corsair 芯片在独立生产审计中未达到所称的 3x 能效；或出现低于 C 轮优先权的下轮融资证据。[CV006, CV010, CV012, CV013, CV014]
| 维度 | 评估 | 支持证据 | 投资含义 |
|---|---|---|---|
| 建议 | research-more | 差异化 DIMC 架构与未经验证的商业收入增长相结合 | 在生产遥测数据和客户续约得到验证前，暂缓直接股权投入 |
| 信心 | medium | 已确认公开融资轮次（$450M）和一线联合投资者，但财务指标仍未披露 | 足以形成技术与竞争判断，但不足以支持估值认可 |
| 风险评级 | high | 资本密集型硬件路线图、快速的并购整合节奏，以及与 Nvidia CUDA 生态的直接竞争 | 在入场前需要较大的安全边际和严格的论点失效约束 |
| 估值立场 | stretched | 20 亿美元 Series C 估值和据报 50 亿美元的目标价，明显领先于可验证的商业收入 | 若数据中心部署延迟或面临下轮融资压力，估值倍数压缩的下行空间很大 |
基于截至 2026 年 10 月的尽调基线，综合技术、战略和财务维度，提炼最终投资立场。
[CV001, CV004, CV012, CV013]按顺序串联技术架构、并购扩张、财务现实与最终建议的尽调决策链。
| 节点 / 连接 | 节点 / 起点 | 终点 | 说明 |
|---|---|---|---|
| 节点 1 | DIMC 架构具备差异化 [node-architecture] | 内存计算在 LLM 工作负载上实现 3-5x 能效和低延迟推理 | |
| 节点 2 | 全栈平台构建 [node-platform] | 收购 GigaIO 和 Wallaroo 后，公司获得了机架级网络和编排软件 | |
| 节点 3 | Nvidia NVLink 互操作性 [node-ecosystem] | 这一战略定位支持半定制集成，并能与主流 GPU 基础设施协同 | |
| 节点 4 | 商业验证未披露 [node-commercial] | 经审计的 ARR、毛利率、客户留存率和单位经济性仍未公开披露 | |
| 节点 5 | $2B+ 估值过高 [node-valuation] | Series C 定价和 $5B 传闻没有为运营执行偏差留下安全边际 | |
| 节点 6 | 继续研究立场 [node-recommendation] | 保持跟踪纪律；配置资本前，必须核实客户部署情况 | |
| 连接 1 | DIMC 架构具备差异化 [node-architecture] | 全栈平台构建 [node-platform] | |
| 连接 2 | 全栈平台构建 [node-platform] | Nvidia NVLink 互操作性 [node-ecosystem] | |
| 连接 3 | Nvidia NVLink 互操作性 [node-ecosystem] | 商业验证未披露 [node-commercial] | |
| 连接 4 | 商业验证未披露 [node-commercial] | $2B+ 估值过高 [node-valuation] | |
| 连接 5 | $2B+ 估值过高 [node-valuation] | 继续研究立场 [node-recommendation] |
8.5 图表附件
免责声明
本报告仅基于公开来源和已预先核验的来源。现有证据未披露私营公司财务数据、合同及资本结构表条款。
证据索引
| 编号 | 陈述 | 可信度 | 来源 |
|---|---|---|---|
| CO001 | d-Matrix was founded in 2019. | 高 | SO001, SO003, SO005, SO008 |
| CO002 | d-Matrix identified Santa Clara, California as its headquarters in November 2025. | 高 | SO001, SO003, SO004, SO008 |
| CO003 | d-Matrix markets a full-stack AI-inference platform comprising Corsair accelerators, JetStream networking and Aviator software. | 高 | SO001, SO003, SO006, SO008 |
| CO004 | d-Matrix identifies Sid Sheth as co-founder and CEO and Sudeep Bhoja as co-founder and CTO. | 高 | SO001, SO002, SO005, SO008 |
| CO005 | The founders state that they left Inphi to start d-Matrix after observing growing AI interconnect demand. | 高 | SO002, SO005 |
| CO006 | d-Matrix closed a $275 million Series C financing on November 12, 2025. | 高 | SO001, SO003, SO004, SO008 |
| CO007 | The November 2025 Series C valued d-Matrix at $2 billion. | 高 | SO001, SO003, SO004, SO008 |
| CO008 | d-Matrix reported $450 million in cumulative funding after the November 2025 Series C. | 高 | SO001, SO003, SO004, SO008 |
| CO009 | As of November 2025, d-Matrix reported more than 250 employees worldwide and offices in Toronto, Sydney, Bangalore and Belgrade in addition to Santa Clara. | 高 | SO001, SO008 |
| CO010 | In a January 2025 M12 interview, CEO Sid Sheth said d-Matrix had generated revenue during the preceding two years without disclosing an amount. | 中 | SO005 |
| CO011 | BullhoundCapital, Triatomic Capital and Temasek co-led the Series C, with new participation from QIA and EDBI and follow-on participation from M12 and other investors. | 高 | SO001, SO003, SO004, SO008 |
| CO012 | The founders state that d-Matrix built and packaged its first chip in 2020 but later came within two weeks of running out of cash. | 中 | SO002 |
| CO013 | d-Matrix states that Playground Global and M12 funded a $40 million Series A in 2021. | 高 | SO002, SO005 |
| CO014 | The founders state that d-Matrix redirected its 2022 product architecture toward generative Transformer inference, producing the Corsair concept. | 高 | SO002, SO005 |
| CO015 | d-Matrix states that it raised a $110 million Series B in 2023. | 高 | SO002, SO005 |
| CO016 | On October 9, 2026, GuruFocus reported Nvidia planned to invest in d-Matrix, while d-Matrix announced an NVLink Fusion relationship without disclosing investment terms. | 高 | SO006, SO007 |
| CM001 | Futurum Group projects agent- and reasoning-first AI inference silicon spending will expand from $35.9 billion in 2025 to $546.0 billion by 2030. | 中 | SM001 |
| CM002 | Futurum Group estimates the specialized XPU inference sub-market in which d-Matrix competes will grow from $37.4 billion in 2025 to $237.2 billion by 2030. | 中 | SM001 |
| CM003 | Industry analysts and market reports project AI inference spending will surpass AI model training budgets by 2026 as production deployments scale. | 中 | SM001, SM006 |
| CM004 | StartEngine offering documentation references third-party industry forecasts estimating the broader AI chip market will reach $323.1 billion by 2030. | 中 | SM003 |
| CM005 | Tokenring and Chronicle Journal reporting cites long-term hardware research projecting the global AI hardware market to reach $76.7 billion by 2030 and $231.8 billion by 2035. | 中 | SM006 |
| CM006 | d-Matrix targets datacenter machine learning inference with digital in-memory compute accelerators designed to relieve the Von Neumann memory wall. | 高 | SM005, SM008 |
| CM007 | d-Matrix and Gimlet Labs partnered to deploy Corsair accelerators in Gimlet Cloud during 2026 to accelerate latency-sensitive speculative decoding alongside GPUs. | 高 | SM001, SM004 |
| CM008 | In September 2026, d-Matrix joined NVIDIA NVLink Fusion to integrate next-generation Raptor XPUs into NVIDIA MGX rack reference architectures. | 中 | SM001, SM007 |
| CM009 | NVIDIA announced plans in October 2026 to invest in d-Matrix to expand server chip interoperability within its AI infrastructure ecosystem. | 中 | SM007, SM010 |
| CM010 | d-Matrix leadership publicly cited slow returns and investor bubble concerns as headwinds requiring broader enterprise AI adoption to unlock hardware capital. | 中 | SM002 |
| CM011 | U.S. regulatory export restrictions and geopolitical trade barriers have constrained American inference chipmakers from accessing Chinese datacenter demand. | 中 | SM002 |
| CM012 | Gartner research cited in industry coverage warns that 40% of operational AI data centers could face power availability constraints by 2027. | 中 | SM006 |
| CM013 | d-Matrix claims its compute-dense platform allows datacenter operators to run up to 100-billion-parameter models in a single rack. | 中 | SM009 |
| CM014 | First commercial availability of d-Matrix Raptor XPUs within NVIDIA MGX racks is scheduled for Q4 2027 following tape-out expected in late 2026. | 中 | SM001 |
| CP001 | d-Matrix competes against dominant GPU incumbent Nvidia and specialized accelerator startups including Groq and Cerebras in the rapidly growing artificial intelligence inference silicon market. | 高 | SP004, SP009 |
| CP002 | Nvidia dominates artificial intelligence accelerated compute infrastructure through its CUDA software platform and comprehensive GPU hardware ecosystem, creating formidable software switching costs for inference challengers. | 高 | SP003, SP008, SP009 |
| CP003 | Nvidia announced plans in October 2026 to invest in d-Matrix to expand AI infrastructure interoperability between its architecture and third-party accelerator chips. | 高 | SP003, SP007 |
| CP004 | Market data tracks 34 active competitors in d-Matrix's domain, including 17 funded ventures, identifying in-memory computing startups like Fractile, Oxmiq, and XCENA as emerging architectural peers. | 中 | SP004 |
| CP005 | d-Matrix's Corsair accelerator platform utilizes Digital In-Memory Compute (DIMC) technology and a chiplet-based architecture to co-locate compute and memory, aiming to eliminate von Neumann memory bottlenecks. | 中 | SP008, SP010 |
| CP006 | d-Matrix purposefully avoided reliance on High Bandwidth Memory (HBM) to protect its supply chain from incumbent-dominated allocation bottlenecks and preserve high memory bandwidth via integrated SRAM and 3D stacking. | 中 | SP008 |
| CP007 | d-Matrix claims its Corsair accelerator cards, JetStream networking, and Aviator software deliver up to 10x faster performance, 3x lower cost, and 3-5x better energy efficiency than conventional GPU-based systems on LLM inference. | 中 | SP006, SP007 |
| CP008 | The Aviator software stack is codesigned with open frameworks including PyTorch, MLIR, and Triton DSL to enable compilation and optimization without requiring developers to rewrite core model definitions. | 中 | SP002, SP005 |
| CP009 | d-Matrix packages Corsair as an industry-standard 600-watt PCIe accelerator card designed to integrate directly into existing enterprise and cloud server chassis from manufacturers such as Supermicro, Dell, and HPE. | 中 | SP006, SP008 |
| CP010 | Commercial list pricing and unit contract terms for d-Matrix Corsair hardware remain private, contrasting with published token-based cloud API pricing from alternatives like Groq and publicly quoted GPU server costs. | 中 | SP002, SP010 |
| CP011 | d-Matrix scaled its total capital raised to $450 million through a $275 million Series C round at a $2 billion valuation in November 2025, providing capitalization to fund commercial pilot deployments and silicon tape-outs. | 高 | SP004, SP006, SP009 |
| CP012 | Strategic portfolio frameworks like the BCG growth-share matrix highlight that emerging hardware challengers must secure high relative market share in specialized niches before incumbent scale advantages compress margins. | 中 | SP001 |
| CP013 | d-Matrix adopted Nvidia's NVLink Fusion interconnect to link next-generation d-Matrix processors directly with Nvidia AI platforms, joining partners including Arm, Qualcomm, Intel, and Synopsys. | 高 | SP005, SP007 |
| CP014 | Incumbent hyperscalers and GPU providers exercise formidable distribution leverage and captive cloud ecosystems, posing continuous risk of commoditizing merchant silicon startups that lack captive cloud workloads. | 中 | SP002, SP009 |
| CI001 | d-Matrix describes Corsair accelerators, JetStream networking, and Aviator software as components of its full-stack inference platform. | 高 | SI005, SI008 |
| CI002 | d-Matrix identifies hyperscale, enterprise, and sovereign organizations as target customers for large-scale platform deployments. | 中 | SI008 |
| CI003 | A September 2023 report said d-Matrix projected less than $10 million of revenue for 2023. | 中 | SI004 |
| CI004 | The same 2023 report attributed to d-Matrix a target of more than $70 million to $75 million in annual revenue within two years. | 中 | SI004 |
| CI005 | The 2023 report said d-Matrix expected to break even within two years without defining the accounting or cash-flow measure. | 低 | SI004 |
| CI006 | d-Matrix raised a $275 million Series C at a reported $2 billion valuation in November 2025. | 高 | SI003, SI007, SI008 |
| CI007 | The company-issued Series C release and Tracxn report $450 million of cumulative funding through the November 2025 round. | 高 | SI007, SI008 |
| CI008 | IPO CLUB reports about $500 million of total funding, which conflicts with the $450 million company-issued figure. | 中 | SI001 |
| CI009 | EquityZen lists $476 million of total funding, which also conflicts with the $450 million company-issued figure. | 中 | SI002 |
| CI010 | d-Matrix said the Series C proceeds would advance its roadmap, accelerate global expansion, and support multiple large-scale deployments. | 中 | SI008 |
| CI011 | d-Matrix claims its platform delivers tenfold faster performance, threefold lower cost, and three-to-fivefold better energy efficiency than GPU-based systems. | 高 | SI003, SI008 |
| CI012 | EquityZen's public page places d-Matrix revenue and financial details behind account and accreditation access rather than disclosing those values. | 中 | SI002 |
| CI013 | EquityZen identifies heavy capital requirements and competition from incumbents with large cash reserves and developer lock-in as financial risks. | 中 | SI002 |
| CI014 | GuruFocus reported on October 9, 2026 that Nvidia planned to invest in d-Matrix to improve technology interoperability. | 中 | SI006 |
| CI015 | IPO CLUB reports that d-Matrix is privately held, has no public ticker, and has not announced an IPO. | 中 | SI001 |
| CI016 | The retained public evidence does not disclose current recognized revenue, ARR, gross margin, cash balance, burn rate, or runway. | 中 | SI001, SI002, SI007 |
| CE001 | d-Matrix developed the Corsair accelerator platform based on a digital in-memory compute (DIMC) architecture that integrates multipliers directly into memory bitcells using a standard logic process. | 中 | SE003, SE004, SE007 |
| CE002 | A single Corsair PCIe accelerator card packages 3,200 mm² of silicon comprising eight chiplets with 2 GB of integrated on-chip SRAM performance memory delivering 150 TB/s of bandwidth. | 中 | SE003, SE004 |
| CE003 | Corsair accelerator cards support up to 256 GB of off-chip LPDDR5 capacity memory per card to hold large model weights during offline batched inference. | 中 | SE003, SE004 |
| CE004 | d-Matrix's dual-card Corsair configuration pairs 16 chiplets connected via DMX Link and bridge interfaces to provide 4 GB of SRAM at 300 TB/s bandwidth and up to 512 GB of capacity memory. | 中 | SE003, SE004 |
| CE005 | The Aviator software stack provides PyTorch-compatible high-level interfaces and lower-level custom kernel execution to optimize generative AI workloads across performance and capacity modes. | 高 | SE003, SE006 |
| CE006 | Corsair natively implements OCP Microscaling (MX) block floating point formats, supporting MXINT16, MXINT8, and MXINT4 with peak dense compute of 2,400 TFLOPs in MXINT8 and 9,600 TFLOPs in MXINT4 per card. | 中 | SE003 |
| CE007 | d-Matrix claims Corsair solutions can produce up to 30,000 tokens per second at 2 milliseconds per token on a Llama 70B model when operating in latency-critical decode configurations. | 中 | SE008 |
| CE008 | d-Matrix claims an energy efficiency of 0.3 picojoules per bit for SRAM-based computation, roughly 10 times lower than traditional HBM memory architectures operating at approximately 3 picojoules per bit. | 中 | SE004 |
| CE009 | In September 2026, d-Matrix announced a multi-year collaboration with NVIDIA to integrate next-generation d-Matrix inference XPUs into NVIDIA's MGX rackscale architecture via NVLink Fusion. | 高 | SE001, SE002 |
| CE010 | The next-generation d-Matrix Raptor XPU features 3D DRAM stacking that combines a DRAM memory die and an SRAM compute die into a single vertically stacked package. | 高 | SE001, SE002 |
| CE011 | Initial commercial availability of d-Matrix Raptor XPUs integrated into NVIDIA MGX rack systems is projected for the fourth quarter of 2027 following planned tape-out. | 中 | SE001, SE002 |
| CE012 | d-Matrix's JetStream network interface cards enable scale-out communication across server chassis and top-of-rack leaf switches within standard enterprise datacenter racks. | 中 | SE004, SE008 |
| CE013 | In October 2026, reports indicated NVIDIA planned an equity investment in d-Matrix to expand hardware interoperability across semi-custom datacenter accelerator ecosystems. | 中 | SE005, SE009 |
| CE014 | Independent third-party MLPerf benchmark audits, multi-tenant security certifications like SOC 2, and volume packaging thermal data for d-Matrix's 3D stacked silicon remain publicly unavailable. | 中 | SE004, SE006 |
| CU001 | d-Matrix designs Corsair accelerators and upcoming Raptor XPUs to overcome the datacenter inference memory bottleneck for hyperscale, enterprise, and sovereign customers. | 高 | SU001, SU003 |
| CU002 | The Corsair accelerator integrates digital in-memory compute on a standard PCIe form factor designed for drop-in server deployment. | 高 | SU001, SU006 |
| CU003 | d-Matrix's Aviator SDK provides PyTorch-compatible APIs and low-level kernel optimization to facilitate customer onboarding and reduce deployment friction. | 中 | SU001 |
| CU004 | d-Matrix claims its inference platform delivers up to 10x faster performance, 3x lower cost, and 3x to 5x better energy efficiency than GPU-based systems. | 中 | SU003, SU007 |
| CU005 | d-Matrix claims Corsair accelerators, JetStream NICs, and Aviator software achieve 30K tokens per second at 2ms per token on a Llama 70B model in a single compute-dense rack. | 中 | SU003 |
| CU006 | CEO Sid Sheth stated in an interview published by M12 that d-Matrix has scaled to over 200 team members across 5 sites globally and generated revenue over the last 2 years. | 中 | SU005 |
| CU007 | J.P. Morgan Startup Banking provides commercial banking and treasury infrastructure supporting d-Matrix's international operations across multiple global markets. | 中 | SU005 |
| CU008 | d-Matrix announced the SquadRack open-standards reference architecture in collaboration with Arista, Broadcom, and Supermicro to accelerate enterprise datacenter adoption. | 中 | SU003 |
| CU009 | Super Micro Computer has integrated d-Matrix inference processors into commercial server platforms to support enterprise generative AI workloads. | 中 | SU003 |
| CU010 | Microsoft's venture arm M12 has repeatedly participated in d-Matrix financing rounds, including the $44M Series A, $110M Series B, and $275M Series C. | 中 | SU002, SU003, SU006 |
| CU011 | d-Matrix announced an agreement to connect its future Raptor XPU to NVIDIA's NVLink Fusion fabric, Vera CPUs, ConnectX-9 SuperNICs, and MGX rack infrastructure. | 高 | SU001, SU004, SU007, SU008 |
| CU012 | NVIDIA announced plans in October 2026 to invest in d-Matrix to expand AI infrastructure interoperability with external accelerator designs. | 中 | SU004, SU007 |
| CU013 | Adopting NVLink Fusion allows d-Matrix to target disaggregated inference beside NVIDIA Vera Rubin systems without requiring customers to rebuild cooling, power, or server trays. | 中 | SU008 |
| CU014 | Raptor XPU tape-out is expected before the end of 2026, with integrated MGX systems initially slated for commercial availability in the fourth quarter of 2027. | 中 | SU008 |
| CU015 | Independent analysis underscores that the d-Matrix NVLink Fusion deal is currently a roadmap agreement rather than proof of production-scale customer performance. | 中 | SU008 |
| CU016 | Specific customer counts, dollar ARR figures, net retention rates, and churn metrics remain completely undisclosed across all public d-Matrix records. | 中 | SU002, SU003, SU008 |
| CR001 | d-Matrix closed $275 million in Series C funding in November 2025 valuing the company at $2 billion and bringing total capital raised to $450 million. | 高 | SR004, SR007 |
| CR002 | d-Matrix partnered with Nvidia to connect next-generation processors to the Nvidia AI platform using NVLink Fusion interconnect technology. | 高 | SR001, SR006 |
| CR003 | d-Matrix maintains a distributed global team exceeding 200 employees across five sites with corporate entities in the United States and India. | 高 | SR008, SR003 |
| CR004 | d-Matrix designs digital-in-memory compute architecture in Corsair accelerator cards designed to overcome datacenter memory bandwidth bottlenecks. | 中 | SR001, SR003 |
| CR005 | Reports in October 2026 stated Nvidia planned an equity investment into d-Matrix to expand server interoperability. | 中 | SR002, SR006 |
| CR006 | d-Matrix’s SquadRack open-standards reference architecture incorporates server and networking hardware from Arista, Broadcom, and Supermicro. | 中 | SR004, SR007 |
| CR007 | d-Matrix utilizes J.P. Morgan Startup Banking to manage commercial banking, treasury facilities, and liquidity as it expands globally. | 中 | SR005 |
| CR008 | d-Matrix competes against at least 34 active AI inference chip companies including funded startups Fractile, Oxmiq, and XCENA. | 中 | SR003 |
| CR009 | Media reports in July 2026 indicated that d-Matrix explored raising additional financing targeting a $5 billion valuation. | 中 | SR006 |
| CR010 | d-Matrix generated commercial revenue over the prior two years following its 2020 strategic pivot to generative Transformer models. | 中 | SR008 |
| CR011 | d-Matrix has not publicly disclosed audited gross margins, unit silicon manufacturing costs, cash burn rates, or customer retention metrics. | 中 | SR003, SR004 |
| CR012 | The Aviator SDK and compiler stack must provide ongoing compatibility with PyTorch to prevent developer attrition to established GPU toolchains. | 中 | SR001, SR002 |
| CR013 | d-Matrix’s multi-die Corsair packaging architecture depends on complex packaging capacity that is vulnerable to global supply bottlenecks. | 中 | SR004, SR007 |
| CR014 | Deploying high-performance compute hardware to sovereign and international datacenters creates ongoing export control compliance obligations. | 中 | SR004, SR005 |
| CR015 | Public literature search and automated filing retrieval encounter keyword collisions with academic matrix completion research. | 中 | SR009, SR010 |
| CV001 | d-Matrix raised $275 million in Series C funding on November 12, 2025, valuing the company at $2.0 billion post-money. | 高 | SV002, SV004 |
| CV002 | The Series C round brought total equity funding raised by d-Matrix across three institutional rounds to $450 million. | 高 | SV002, SV004 |
| CV003 | The Series C syndicate was co-led by Bullhound Capital, Triatomic Capital, and Temasek, with participation from Qatar Investment Authority and EDBI. | 中 | SV002, SV004 |
| CV004 | The Information reported in July 2026 that d-Matrix sought additional financing targeting a $5.0 billion valuation. | 中 | SV005 |
| CV005 | Nvidia announced plans in October 2026 to invest in d-Matrix to expand AI infrastructure interoperability and semi-custom chip compatibility. | 中 | SV005, SV007 |
| CV006 | d-Matrix adopted Nvidia's NVLink Fusion interconnect technology to connect its Raptor processors with Nvidia datacenter hardware. | 中 | SV005, SV006 |
| CV007 | d-Matrix acquired GigaIO's datacenter business in April 2026, integrating FabreX PCIe-based memory fabric and rack-scale interconnect engineering. | 高 | SV001, SV003 |
| CV008 | d-Matrix acquired AI deployment and orchestration software startup Wallaroo.ai in August 2026 to assemble an end-to-end inference software stack. | 中 | SV001 |
| CV009 | Acquiring Wallaroo.ai introduces customer retention risk during software integration while placing d-Matrix in direct competition with Nvidia's CUDA and Triton stacks. | 中 | SV001 |
| CV010 | d-Matrix claims its Corsair accelerator architecture delivers up to 10x faster performance, 3x lower cost, and 3-5x better energy efficiency than traditional GPU systems. | 中 | SV005, SV006 |
| CV011 | Tracxn records 34 active competitors in AI acceleration silicon and hardware for d-Matrix, including 17 funded startups. | 中 | SV008 |
| CV012 | Audited revenue run-rate, customer retention metrics, and gross margins remain undisclosed in public records, preventing independent verification of the $2.0 billion valuation. | 中 | SV002, SV005 |
| CV013 | An initial research-more stance with a stretched valuation assessment reflects the gap between architectural promise and audited commercial traction. | 中 | SV002, SV004 |
| CV014 | Future investment re-evaluation requires verified production deployments, disclosed gross margins, and clear evidence that Wallaroo software customer retention persists. | 中 | SV001, SV005 |
| 编号 | 出版方 | 标题 | 引文 |
|---|---|---|---|
| SO001 | d-Matrix | d-Matrix Raises $275 Million to Power the Age of AI Inference | Series C Funding: $275 million | Total Funding: $450 million | Valuation: $2B |
| SO002 | d-Matrix | Transforming AI: d-Matrix’s Pivotal Moments in Pursuit of Gen AI Inference At Scale | After much struggle, and coming within two weeks of running out of cash, we had an a-ha moment |
| SO003 | Data Center Dynamics | Chip startup d-Matrix raises $275m against $2bn valuation | Chip startup d-Matrix has closed a $275 million Series C funding round, valuing the company at $2 billion. |
| SO004 | TechStartups | AI chip startup d-Matrix raises $275M at $2B valuation to challenge Nvidia’s grip on AI inference | Early adopters haven’t been disclosed, but Microsoft’s involvement through its M12 venture fund has sparked speculation that Azure could become one of the first large-scale users. |
| SO005 | M12 | Founders Feature: d-Matrix | Today we now have 200+ team members across 5 sites globally and have generated revenue the last 2 years. |
| SO006 | d-Matrix | d-Matrix - Memory-Centric Compute for AI Inference | We’ve moved compute into memory. |
| SO007 | GuruFocus | Nvidia (NVDA) to Invest in AI Chipmaker d-Matrix, Enhancing Chip Compatibility | On October 09, 2026, Nvidia [NVDA](https://www.gurufocus.com/stock/NVDA/summary) announced plans to invest in d-Matrix, a company focused on artificial intelligence server chips. |
| SO008 | d-Matrix via PR Newswire | d-Matrix Raises $275 Million to Power the Age of AI Inference | Founded: 2019 | HQ: Santa Clara, CA |
| SM001 | The Futurum Group | d-Matrix Joins NVLink Fusion. Is It NVIDIA's Hedge on Groq? | Futurum’s 1H 2026 AI chipset forecast sizes the prize: agent- and reasoning-first inference silicon grows from $35.9 billion in 2025 to $546.0 billion by 2030, passing pre-training as the largest workload segment in 2027, while the XPU sub-market d-Matrix competes in expands from $37.4 billion to $237.2 billion over the same window. |
| SM002 | Nikkei Asia | D-Matrix founder says more AI adoption key to unlocking further investment | Greater AI adoption is needed to spur investment in new artificial intelligence technologies, particularly hardware, as financial backers fret over the slow pace of returns and fears of a bubble, according to the top executive at American chipmaker d-Matrix. |
| SM003 | StartEngine | Invest in Series d-Matrix (2025 Round) | StartEngine | With Corsair, d-Matrix is enhancing performance, energy efficiency, and cost savings for modern AI workflows. |
| SM004 | d-Matrix | d-Matrix and Gimlet Labs to Deliver 10x Speed Ups, Massive Power Efficiency for Frontier AI Workloads - d-Matrix | The companies plan to make their combined solution available to select customers through Gimlet Cloud in 2H 2026. |
| SM005 | d-Matrix | d-Matrix - Memory-Centric Compute for AI Inference | Traditional architectures keep compute far from memory. Others have moved it closer. d-Matrix brings compute directly into memory itself, fundamentally changing how data moves and intelligence gets delivered. |
| SM006 | The Chronicle Journal | d-Matrix Secures $275 Million, Claims 10x Faster AI Than Nvidia with Revolutionary In-Memory Compute | While AI model training often captures headlines, inference—the process of deploying trained models to generate responses—is rapidly becoming the dominant economic burden, with analysts projecting inference budgets to surpass training budgets by 2026. |
| SM007 | GuruFocus | Nvidia (NVDA) to Invest in AI Chipmaker d-Matrix, Enhancing Chip Compatibility | Nvidia’s planned investment in d-Matrix underscores its commitment to expanding its AI infrastructure ecosystem by fostering compatibility with other chip designers. d-Matrix specializes in AI server chips, a critical component in accelerating machine learning workloads. By investing in this company, Nvidia aims to enhance the synergy between its own GPU and CPU architectures and those of other players in the semiconductor space. |
| SM008 | Tracxn | d-Matrix - 2026 Company Profile, Team, Funding & Competitors | Developers of digital-in memory compute engine for efficient AI processing. It overcomes the memory wall and improves performance and efficiency. D-matrix has a holistic platform for AI compute. They target datacenters for deploying machine learning models. |
| SM009 | HPCwire | d-Matrix Closes $275M Series C Funding, Bringing Total Raised to $450M - HPCwire | The platform’s compute-dense design allows customers to run up to 100B-parameter models incredibly fast in a single rack. |
| SM010 | DataCenterDynamics | Report: Nvidia plans to invest in inference chip startup d-Matrix | First unveiled in May 2025 and known as NVLink Fusion, the interconnect technology allows partners to build semi-custom AI infrastructure linking non-Nvidia accelerators with Nvidia hardware. |
| SP001 | Investopedia | Master the BCG Growth Share Matrix for Better Business Strategy | The Boston Consulting Group (BCG) growth share matrix is a planning tool that uses graphical representations of a company’s products and services to help the company decide what it should keep, invest more money in, or sell. |
| SP002 | d-Matrix | Why optimizing every layer of AI workloads—from software to infrastructure—is now critical as apps take off | The simplest application you can vibe code in an hour is probably a chatbot powered by Nvidia GPUs—or some endpoint provider also using Nvidia GPUs like Baseten, Fireworks, or Together AI. |
| SP003 | GuruFocus | Nvidia (NVDA) to Invest in AI Chipmaker d-Matrix, Enhancing Chip Compatibility | Nvidia’s planned investment in d-Matrix underscores its commitment to expanding its AI infrastructure ecosystem by fostering compatibility with other chip designers. |
| SP004 | Tracxn | d-Matrix Company Profile and Competitors | The company has 34 active competitors, including 17 that are funded |
| SP005 | d-Matrix | d-Matrix - Memory-Centric Compute for AI Inference | NVLink Fusion to connect next-generation d-Matrix XPUs to NVIDIA AI platform Includes NVIDIA Vera, ConnectX-9, BlueField-4 DPU and Spectrum-X Ethernet |
| SP006 | d-Matrix via HPCwire | d-Matrix Closes $275M Series C Funding, Bringing Total Raised to $450M | Solutions powered by d-Matrix's Corsair inference accelerators, JetStream NICs and Aviator software can produce up to 30K tokens per second at 2ms per token on a Llama 70B model. |
| SP007 | DatacenterDynamics | Report: Nvidia plans to invest in inference chip startup d-Matrix | First unveiled in May 2025 and known as NVLink Fusion, the interconnect technology allows partners to build semi-custom AI infrastructure linking non-Nvidia accelerators with Nvidia hardware. Other NVLink Fusion partners include the likes of Arm, Fujitsu, Intel, MediaTek, Qualcomm, SiFive, and Synopsys. |
| SP008 | theCUBE | Sid Sheth, d-Matrix | We wanted to stay away from the HBM ecosystem, because the HBM ecosystem is heavily dominated by one big GPU vendor, and we would never get access to the best-in-class HBM memory, so we kind of wanted to find a way to get a solution that’s got capacity and high memory bandwidth that is not HBM. |
| SP009 | TechStartups | AI chip startup d-Matrix raises $275M at $2B valuation to challenge Nvidia's grip on AI inference | That shift has ignited a race to deliver more efficient inference architectures—and positioned startups like d-Matrix, Groq, and Cerebras as credible alternatives to Nvidia’s dominant GPUs. |
| SP010 | Forge Global | d-Matrix IPO Timeline and Financing Details - Forge | d-Matrix’s platform utilizes Digital In-Memory Compute (DIMC) technology and a chiplet-based architecture to provide high-efficiency, scalable inference for generative AI models. |
| SP011 | J.P. Morgan Commercial Banking | d-Matrix: Scaling AI Hardware Globally | Startup d-Matrix builds specialized chips designed to make AI faster and more sustainable. The company’s technology optimizes performance and energy efficiency for data centers, supporting the next wave of machine learning. |
| SI001 | IPO CLUB | d-Matrix Stock Price, Valuation & IPO Outlook 2026 | Its latest round was a $275 million Series C in November 2025, at a $2 billion valuation, bringing total funding to about $500 million. |
| SI002 | EquityZen | Invest In d-Matrix Stock | Buy Pre-IPO Shares | As d-Matrix scales commercial shipments for its Corsair and SquadRack solutions, it faces sustained threats from consolidating market dynamics and heavy capital requirements. |
| SI003 | Yahoo Finance | Microsoft-Backed d-Matrix Raises $275M At $2B Valuation, Claims 10X Faster AI Performance Than Nvidia's GPU Systems | d-Matrix secured Series C funding at a $2 billion valuation, with the round co-led by BullhoundCapital, Triatomic Capital, and Singapore's Temasek sovereign wealth fund. |
| SI004 | Open Data Science | AI Chip Startup d-Matrix Raises $110 Million From Investors | d-Matrix projects that it will receive under $10 million in revenue this year. They expect to generate more than $70 million to $75 million in annual revenue within two years and break even, according to Sheth. |
| SI005 | d-Matrix | d-Matrix - Memory-Centric Compute for AI Inference | Purpose-built for AI inference, Corsair brings high-bandwidth memory and compute together on the same fabric, with an inference-optimized compute engine, high-speed chip-to-chip connectivity, and an industry-standard PCIe form factor. |
| SI006 | GuruFocus | Nvidia (NVDA) to Invest in AI Chipmaker d-Matrix, Enhancing Chip Compatibility | On October 09, 2026, Nvidia [NVDA](https://www.gurufocus.com/stock/NVDA/summary) announced plans to invest in d-Matrix, a company focused on artificial intelligence server chips. |
| SI007 | Tracxn | d-Matrix | d-Matrix has raised a total funding of$450M over 3 round s. |
| SI008 | d-Matrix via HPCwire | d-Matrix Closes $275M Series C Funding, Bringing Total Raised to $450M | The new capital will advance the company’s roadmap, accelerate global expansion and support multiple large-scale deployments of the world’s highest performing, most efficient data center inference platform for hyperscale, enterprise, and sovereign customers. |
| SE001 | PR Newswire | d-Matrix Adopts NVIDIA NVLink Fusion Rackscale Infrastructure for Ultra-Low Latency AI Inference | The d-Matrix MGX rack system is designed for latency-sensitive applications such as AI coding assistants, real-time chatbots, and voice agents where interactivity is paramount and customers are willing to pay a premium for speed. |
| SE002 | HPCwire | d-Matrix and NVIDIA Plan NVLink Fusion Rack System for AI Inference - HPCwire | Through a first-of-its-kind 3D DRAM stacking approach, Raptor brings a DRAM memory chip and an SRAM compute chip together to form a single “two-story” package. |
| SE003 | d-Matrix | d-Matrix Corsair Redefines Performance and Efficiency for AI Inference at Scale | DMX Link™ is a custom die-to-die interconnect based on OCP Open Domain-Specific Architecture (ODSA), enabling error-free, low-latency, and low energy transmission. |
| SE004 | Vik's Newsletter | How d-Matrix's In-Memory Compute Tackles AI Inference Economics | Accessing data from SRAM means that d-Matrix chips provide a memory bandwidth up to 150 TB/s; much faster than the best-HBM based implementations which only achieve about 2 TB/s per chip, or up to 8 TB/s if four HBM die are packaged with the GPU on the interposer. |
| SE005 | GuruFocus | Nvidia (NVDA) to Invest in AI Chipmaker d-Matrix, Enhancing Chip Compatibility | Nvidia’s planned investment in d-Matrix underscores its commitment to expanding its AI infrastructure ecosystem by fostering compatibility with other chip designers. d-Matrix specializes in AI server chips, a critical component in accelerating machine learning workloads. |
| SE006 | d-Matrix | d-Matrix - Memory-Centric Compute for AI Inference | The Aviator SDK offers maximum flexibility in inference optimization. From PyTorch-like high level interfaces down to custom kernel execution, we’ve enabled Corsair to achieve the impossible in ultra low-latency, scalable AI inference. |
| SE007 | Tracxn | d-Matrix | Developers of digital-in memory compute engine for efficient AI processing. It overcomes the memory wall and improves performance and efficiency. |
| SE008 | HPCwire | d-Matrix Closes $275M Series C Funding, Bringing Total Raised to $450M - HPCwire | Solutions powered by d-Matrix’s Corsair inference accelerators, JetStream NICs and Aviator software can produce up to 30K tokens per second at 2ms per token on a Llama 70B model. The platform’s compute-dense design allows customers to run up to 100B-parameter models incredibly fast in a single rack. |
| SE009 | Data Center Dynamics | Report: Nvidia plans to invest in inference chip startup d-Matrix | First unveiled in May 2025 and known as NVLink Fusion, the interconnect technology allows partners to build semi-custom AI infrastructure linking non-Nvidia accelerators with Nvidia hardware. |
| SU001 | d-Matrix | d-Matrix - Memory-Centric Compute for AI Inference | Purpose-built for AI inference, Corsair brings high-bandwidth memory and compute together on the same fabric, with an inference-optimized compute engine, high-speed chip-to-chip connectivity, and an industry-standard PCIe form factor. |
| SU002 | Tracxn | d-Matrix | d-Matrix has raised a total funding of$450M over 3 round s.Its first funding round was on Apr 20, 2022.Its latest funding round was a Series C round on Nov 12, 2025 for $275M. |
| SU003 | HPCwire | d-Matrix Closes $275M Series C Funding, Bringing Total Raised to $450M - HPCwire | The new capital will advance the company’s roadmap, accelerate global expansion and support multiple large-scale deployments of the world’s highest performing, most efficient data center inference platform for hyperscale, enterprise, and sovereign customers. |
| SU004 | GuruFocus | Nvidia (NVDA) to Invest in AI Chipmaker d-Matrix, Enhancing Chip Compatibility | Nvidia’s planned investment in d-Matrix underscores its commitment to expanding its AI infrastructure ecosystem by fostering compatibility with other chip designers. d-Matrix specializes in AI server chips, a critical component in accelerating machine learning workloads. |
| SU005 | J.P. Morgan | d-Matrix: Scaling AI Hardware Globally | Our banking team’s high-velocity, high-touch approach really helped us grow across many global markets. |
| SU006 | Silicon Republic | Microsoft joins $110m fundraise of AI chip start-up d-Matrix | The start-up said the new funding will go towards Corsair, its latest chiplet-based inference compute platform. The company plans to launch this product in 2024 and claims it will position d-Matrix as the frontrunner in efficient AI inference. |
| SU007 | DataCenterDynamics | Report: Nvidia plans to invest in inference chip startup d-Matrix | The report comes a month after d-Matrix announced it would adopt Nvidia’s NVLink technology to connect its Raptor processors with the chip giant’s hardware in rack-scale solutions. |
| SU008 | Remio AI | d-Matrix NVLink Fusion Deal Puts Raptor Inside NVIDIA’s Rack Strategy | The decision arrives before Raptor becomes a commercial product. d-Matrix expects the chip to tape out before the end of 2026, with integrated MGX systems initially available in the fourth quarter of 2027. That schedule makes this a roadmap announcement, not evidence of production performance. |
| SR001 | d-Matrix | d-Matrix - Memory-Centric Compute for AI Inference | NVLink Fusion to connect next-generation d-Matrix XPUs to NVIDIA AI platform Includes NVIDIA Vera, ConnectX-9, BlueField-4 DPU and Spectrum-X Ethernet |
| SR002 | GuruFocus | Nvidia (NVDA) to Invest in AI Chipmaker d-Matrix, Enhancing Chip Compatibility | d-Matrix specializes in AI server chips, a critical component in accelerating machine learning workloads. By investing in this company, Nvidia aims to enhance the synergy between its own GPU and CPU architectures and those of other players in the semiconductor space. |
| SR003 | Tracxn | d-Matrix | Developers of digital-in memory compute engine for efficient AI processing. It overcomes the memory wall and improves performance and efficiency. D-matrix has a holistic platform for AI compute. They target datacenters for deploying machine learning models. |
| SR004 | HPCwire | d-Matrix Closes $275M Series C Funding, Bringing Total Raised to $450M - HPCwire | d-Matrix has closed $275 million in Series C funding, valuing the company at $2 billion and bringing the total raised to date to $450 million. |
| SR005 | J.P. Morgan | d-Matrix: Scaling AI Hardware Globally | Now a Series C company, d-Matrix is scaling across global markets with J.P. Morgan Startup Banking. |
| SR006 | DatacenterDynamics | Report: Nvidia plans to invest in inference chip startup d-Matrix | The report comes a month after d-Matrix announced it would adopt Nvidia’s NVLink technology to connect its Raptor processors with the chip giant’s hardware in rack-scale solutions. First unveiled in May 2025 and known as NVLink Fusion, the interconnect technology allows partners to build semi-custom AI infrastructure linking non-Nvidia accelerators with Nvidia hardware. |
| SR007 | TechStartups | AI chip startup d-Matrix raises $275M at $2B valuation to challenge Nvidia’s grip on AI inference | Santa Clara-based AI chip startup d-Matrix has raised $275 million in Series C funding, catapulting the company to a $2 billion valuation and signaling a major shift in the battle for AI inference dominance, the company announced Wednesday. |
| SR008 | M12 - Microsoft's Venture Fund | Founders Feature: d-Matrix - M12 | Today we now have 200+ team members across 5 sites globally and have generated revenue the last 2 years. |
| SR009 | Stanford University | Matrix Completion: Fundamental Limits and Efficient Algorithms | Low-rank models provide low-dimensional representations capturing the important aspects of data naturally described in matrix form. |
| SR010 | OpenReview | One-Sided Matrix Completion from Ultra-Sparse Samples | Have an OpenReview account? Sign in to skip this check. |
| SV001 | Value Add VC | d-Matrix Buys Wallaroo.ai in Second Deal in 4 Months | d-Matrix acquired Wallaroo.ai on Monday in its second acquisition in four months, following its April purchase of GigaIO's data center business. Terms weren't disclosed. The deal adds Wallaroo's AI deployment and orchestration software, along with its engineering team, to d-Matrix's existing inference chip business. |
| SV002 | Tracxn | d-Matrix - 2026 Funding Rounds & List of Investors - Tracxn | d-Matrix has raised a total of $450M over 3 ... with a valuation of $2B. |
| SV003 | d-Matrix | d-Matrix Boosts Rack-scale AI Capabilities With Acquisition of GigaIO Data Center Business - d-Matrix | d-Matrix, the pioneer in low-latency AI inference compute for data centers, today announced the acquisition of GigaIO's data center business, a systems engineering organization with deep expertise in rack-scale infrastructure and high-performance interconnects. |
| SV004 | TechStartups | AI chip startup d-Matrix raises $275M at $2B valuation to challenge Nvidia’s grip on AI inference | Santa Clara-based AI chip startup d-Matrix has raised $275 million in Series C funding, catapulting the company to a $2 billion valuation and signaling a major shift in the battle for AI inference dominance, the company announced Wednesday. |
| SV005 | DatacenterDynamics | Report: Nvidia plans to invest in inference chip startup d-Matrix | In November 2025, the startup closed a $275 million Series C funding round, valuing the company at $2 billion. The Information separately reported in July 2026 that d-Matrix was looking to raise additional financing, targeting a $5bn valuation. |
| SV006 | d-Matrix | d-Matrix - Memory-Centric Compute for AI Inference | d-Matrix works with physics, rather than fighting it, collapsing the distance between memory and compute to accelerate AI inference. |
| SV007 | GuruFocus | Nvidia (NVDA) to Invest in AI Chipmaker d-Matrix, Enhancing Chip Compatibility | Nvidia's planned investment in d-Matrix underscores its commitment to expanding its AI infrastructure ecosystem by fostering compatibility with other chip designers. |
| SV008 | Tracxn | d-Matrix - 2026 Company Profile, Team, Funding & Competitors - Tracxn | The company has 34 active competitors, including 17 that are funded |