面向 AI 设备厂商的流片前兼容性实验室，帮助客户在流片前把半定制 GPU 项目的风险先跑清。

1. OXMIQ 的 3500 万美元 Series A 和累计 6000 万美元融资，让可授权 GPU IP 变成一个真实的采购品类，所以即便成品芯片还没出货，评估项目也已经能先跑起来。
2. CUDA 兼容意味着买家可以先从 workload 证明入手，而不是先重写整套软件栈，这让软件 assurance tooling 成为第一笔合理支出。
3. OxQuilt 和 OxPython 明确瞄准那些没有完整芯片项目、也不想重写代码的客户，这等于把市场敞开给一批更需要外部证明工具的系统厂商。
4. 降低数据搬运和能耗是 OXMIQ 叙事的核心，所以半定制芯片决策已经是当下的毛利和功耗决策，不再是留给未来的科研项目。
5. Jim Keller 的董事会席位，以及 Samsung Catalyst Fund、MediaTek、Pegatron 等战略投资方站台，已经把可信度缺口缩到足以让第一次下场的买家认真立项。

催化因素。 OXMIQ 现在的募资故事很直接：客户可以授权一套 CUDA-compatible GPU IP，不必重开完整芯片项目，也不用重写代码。评估半定制 accelerator 的项目已经开始往前走，但买家手里还没有一层可信的证明工具。

产品接进客户现有的生产推理栈，抓取有代表性的 CUDA kernels、model graphs、batch shapes 和 memory traces。随后把这些 workload 放到 OXMIQ 这类 IP 供应商的 simulator、compiler toolchains 和 emulation targets 上重放，在流片前先把 portability、memory pressure 和预估 perf-per-watt 跑出来。对技术买家，它会点出缺失的 kernels、最可能卡住的 orchestration bottlenecks，以及哪些 workload 仍该留在现有 GPU 上。对高管，它会生成一份 assurance memo，把软件兼容性风险直接挂到 BOM、能耗和项目时间线假设上。首个部署就是围绕一张规划中的 accelerator card，做一次为期 6 周的评估，让客户在扩招 silicon 团队前，先拿到一份足够可信的投决依据。

差异化。 这不是又一个 EDA 套件、compiler，或 chip IP 厂商。公司赢在它吃下了围绕真实客户 workload 的流片前证明工作流：采集、重放、风险打分，再到跨多个可授权 accelerator 供应商的高管决策材料。护城河会随着数据越积越深：哪些 workload 可迁、哪些 kernels 会掉、perf-per-watt 最终跑成什么样，这些跨项目数据单个 IP 厂商和顾问都看不到。

待完成任务

flowchart LR
  Buyer[AI appliance VP] --> Pain[Uncertain CUDA and margin risk on new silicon]
  Pain --> Product[Pre-silicon compatibility lab]
  Product --> Outcome[Confident go or no-go before tapeout]

高管要点

• 切口是真实存在的，因为可授权和半定制 AI silicon 越来越容易买到；但近期市场依旧是高价值、强集中的细分赛道，还谈不上宽广的软件品类。
• Dell、HPE、Penguin 和 Lenovo 的 private AI / AI factory 方案说明，目标滩头客户在 hyperscaler 之外已经存在。
• 客户痛点不只是 simulation 成本，更是缺一层中立证明：把真实 CUDA workloads 一路连到 tapeout、BOM、功耗和 bring-up 风险。
• Synopsys、Siemens、Cadence 以及 IP 厂商都是强邻位在位企业，但没有谁天然占住 OEM accelerator go/no-go 决策里的买方侧 system of record。
• 第 3 年收入必须保守建模，因为品类增速和 simulator fidelity 是眼下最大的两条 adoption constraints。

市场定义

这是一个买方侧、面向半定制 AI accelerator 评估的流片前 workload assurance 软件市场，服务对象是 OEM 和 private-AI 系统厂商。初始市场很窄，但背后挂着一个高速扩张的 AI infrastructure 基盘，而不是一个泛化的 EDA 品类 [5][6][7][8][9][10][12][13][14]。

用户与买方

日常用户是掌握 CUDA traces、model graphs 和 bring-up 风险的 silicon、compiler 或 platform-performance 团队。真正掏钱的人通常是硬件或 AI systems 的 VP / GM，因为这笔决策会直接改掉产品毛利、功耗和 tapeout 暴露度 [1][9][10][11][13][14][44][45]。

购买触发点

• 某个 AI appliance SKU 或私有推理机架，在主流 GPU 方案下打不进毛利或功耗目标，迫使团队去评估替代 accelerator 的经济性。 [5][6][9][10][12][13][14][43][44][45]
• 可授权或半定制 accelerator 路径开始站得住脚，因为供应商承诺 CUDA-compatible 的软件连续性，也承诺更快的定制算力开发。 [1][2][3][19][20][22][94][95]
• 管理层想在扩招更大 silicon 团队或锁定 tapeout 预算前，先拿到一份可审计的 go/no-go 结论，于是团队会往 emulation、profiling 和 workload replay 上加预算。 [26][27][28][29][31][32][33][34][35]

支付意愿

付费意愿是可信的，因为目标账户本来就在为 AI factory 基础设施、private AI 部署、custom silicon 项目和硬件辅助验证拨预算。一层 vendor-neutral 的 assurance 软件可以直接挂进这些现有预算里，核心价值不是再卖一套工具，而是降低“投错 accelerator 项目”或“流片后才发现 portability 缺口”的概率。 [1][7][8][22][26][27][28][31][44]

品类动态

增长信号 到 2026 年，AI server 出货量同比增长 20%+。

验证信号

• OXMIQ 的 $35M Series A 和总计 $60M 融资，说明投资人已经把可授权 GPU IP 当成了真实品类，而不是纯顾问故事。
• TrendForce 预计 2026 年 AI server 出货量将增长 20%-28% 以上，同时 ASIC 占比和 sovereign cloud 需求继续上升。
• Dell、HPE、Penguin 和 Lenovo 已经在打包 private AI / AI factory 方案，这给 hyperscaler 之外的滩头市场提供了现实入口。
• MLPerf 仍是对外共同 benchmark 语言，所以一层 vendor-neutral 的 trace-to-benchmark 翻译层并不多余。

监管与技术约束

• advanced-computing export controls 会限制跨境协作、工件共享，以及敏感 accelerator 评估可选的供应商范围。
• 像 UALink 和 CXL 这样的 chiplet packaging 与 interconnect 标准，意味着 replay 模型得看整机拓扑，而不只是 accelerator core 的宣传口径。
• CUDA、driver 与 ROCm 的版本兼容性，会实打实影响 portability 结论能不能落到客户环境里。
• 机架功耗、液冷和整机集成，哪怕 core 架构看起来很诱人，也可能决定一个 accelerator 项目在经济上是否成立。

相邻竞争非常强，但很碎。Synopsys、Siemens 和 Cadence 卖的是 emulation、prototyping 与 virtual platform；OXMIQ、Arm 和 Marvell 在降低半定制 silicon 的供给门槛；OEM 级 AI factory 厂商则在打包基础设施。真正空出来的位置，是一层中立软件：把买家真实 workloads 放到这些 toolchains 上重放，再把结果整理成一份可用于采购拍板的 go/no-go 决策包 [1][2][19][20][22][26][27][28][29][31][32][33]。

为什么现有厂商不会默认胜出

• 可授权 GPU 与定制算力平台. OXMIQ、Arm 和 Marvell 让半定制 silicon 更容易落地，但它们天然只会证明自家路径，而不会站在买家真实 workload 组合上横向比较多家供应商。
• 硬件辅助验证套件. Synopsys、Siemens 和 Cadence 已经占住 emulation、prototyping 和 virtual bring-up，但它们卖的是工程验证工具，不是给 OEM 拍 accelerator 采购板的 assurance layer。
• 私有 AI 基础设施 OEM. Dell、HPE、Penguin 和 Lenovo 已经握有买家关系，也在打包 AI factory 基础设施，但它们默认并不负责基于客户 traces 做跨厂商的半定制 accelerator 评估。
• 内部编译器与性能团队. 内部团队当然能做 profiling 和 workload 移植，但抓回来的材料也清楚说明：这条路仍高度依赖稀缺工具，以及对版本兼容性的精细处理。
• 纯 benchmark 替代方案. MLPerf 对做基线比较很有价值，但标准 benchmark 套件不能替代 OEM 把自己的 model graph、batch profile 和 memory behavior 拿来重放。

可授权 GPU IP 让非 hyperscaler OEM 也开始认真考虑半定制 AI 芯片，但最难的拍板点不再是芯片怎么设计，而是流片前能不能证明买家手里的真实 CUDA workload 迁过去后，既能跑通，也能打到 BOM 和功耗目标。首个客户会是一家 300-800 人的 AI appliance 厂商或区域服务器 OEM，卖私有推理机架，在 Nvidia 方案下毛利打不进目标。公司卖的是一套流片前 workload replay 实验室：抓生产环境里的 CUDA traces、model graphs 和 memory profiles，放到合作方的 simulator 和 compiler 输出上重跑，大约 6 周交付一份围绕单个 accelerator 项目的 go/no-go assurance pack。研究同时证明了供需两侧都在成形——Dell、HPE、Penguin、Lenovo 已经把 private AI/AI factory 系统打包成产品，OXMIQ、Arm、Marvell 也在把半定制算力的供给门槛往下压——但也提醒我们，近期市场仍是一个高价值、强集中的细分赛道，而不是一个宽广的软件品类。按研究测算，TAM 约为 $180.0M，SAM 约为 $45.0M，Y3 可触达的 SOM 约为 $3.6M，所以这门生意能不能变成 venture case，关键不在第一张订单，而在能不能从单次评估工作流扩到 post-silicon 校准和跨厂商兼容层。这个切口之所以成立，是因为现在没有哪家在位企业真正占住“买方侧的 system of record”：把客户 traces 一路连到 tapeout、BOM、功耗和 bring-up 风险。EDA 厂商卖工具，IP 厂商卖自家路径。最悬而未决的两件事是：2026-2028 年到底会不会有足够多 OEM 真给第一轮半定制 accelerator 评估拨预算；以及新一代 IP 生态会不会给中立第三方足够的 simulator 和 compiler 访问权限。因此，这份计划把未来 18 个月定义成证明期：拿下 2-3 个付费共创客户、打通 2-3 条 toolchain 集成，并证明流片前预测足够可信，能把一次性 pilot 转成年度项目订阅。

问题

• AI appliance 厂商和服务器 OEM 越来越被 Nvidia BOM、机架功耗和路线图依赖压着走，推理系统毛利被不断挤薄；但一旦决定做半定制 accelerator，就得先拍出数百万美元的流片预算。
• 现有替代方案散落在顾问报告、厂商 benchmark、Excel 版 ROI 模型和零散的 simulator 跑数之间，没有谁能在拨预算前，拿买家真实 workload 做一遍中立 replay。
• CUDA、memory 或 orchestration 的缺口，往往要等到 bring-up 才暴露；那时资本已经花出去，扩编后的 silicon 团队也已经招上了。

解决方案

• 在客户可控的基础设施里抓取有代表性的 CUDA traces、model graphs、batch shapes 和 memory profiles，再把它们标准化到单个候选 accelerator 项目的 replay 输入。
• 把这些 workload 放进可授权 GPU 的 simulators、compiler toolchains 和 emulation targets，流片前先把 portability、memory pressure 和预估 perf-per-watt 跑出来。
• 交付一份把技术结论连到 BOM、功耗和项目时间线假设上的高管 assurance pack；等首批 silicon 回来后，再往后接 telemetry，持续回标模型并推动续约。

为什么我们会赢

• 公司站在 vendor-neutral 的位置上，而这个市场里的 IP 供应商天然会证明自家架构最好，EDA 在位企业卖的又是工程工具，不是买方侧的 go/no-go 工作流。
• 匿名化 workload traces、portability failures 和 first-silicon 校准数据，会随着项目变多越滚越厚；这些跨项目视角，单个 OEM、顾问或 IP 厂商都拿不到。
• 滩头市场收得足够窄，价值能很快跑出来：一张 accelerator card、一个明确触发点、一个 6 周证明周期，直接挂着一笔硬 tapeout 决策。
• 产品交付的不是实验室看板，而是 VP Hardware 和 GM 这种采购负责人可以直接拿去拍板的决策材料：把 compiler 和 simulation 输出翻译成能不能投项目。

里程碑

flowchart LR
  Wedge[AI appliance semi-custom evaluation] --> MVP[Pre-silicon replay lab]
  MVP --> Proof[Trusted go or no-go assurance pack]
  Proof --> Expansion[Post-silicon calibration and multi-program expansion]

创始团队

实验路线图

风险评估

必须成立的条件

• 到 2026-2028 年，北美和欧洲至少会有 15-20 个 OEM 或 appliance 账户，为第一轮半定制 accelerator 评估拨预算。
• 中立第三方能从至少两个 accelerator 生态里拿到足够的 simulator、compiler 和 trace 访问权限，跑出可信的 pilots。
• 产品能在客户自控基础设施里，于 6 周内采集并重放 80% 以上的重点生产 workload。
• 在早期项目上，流片前预测和 emulator 或 first-silicon 结果之间的误差可以稳定压在 15-20% 以内。
• 经济买家会把成功的 pilot 转成每个项目每年 $200k-$350k 的合同，而且预算来自现有硬件或评估支出。

待尽调问题

• 哪些点名的 AI appliance 厂商或区域 OEM，路线图里已经排上了有预算的 2027 accelerator 评估项目？
• OXMIQ 这类合作方，以及 Arm/Marvell 生态，实际愿意向中立 assurance layer 暴露哪些 simulator 和 compiler 接口？
• 公司怎样才能在 traces 留在客户自控基础设施里的前提下，依然把可复用的护城河积累起来？
• 要让 VP Hardware 真敢用一份 no-go memo 去取消或推迟 tapeout，预测准确率至少要高到什么程度？
• 为什么 Synopsys、Siemens、Cadence 或 IP 厂商自己，不能把足够的 replay 功能打包进去，直接抹掉这个切口？
• 实际第一笔预算到底是谁签：硬件 GM、silicon 负责人，还是 platform-performance 负责人？

模型合理性

• 收入引擎. 基准情景的收入引擎，是把活跃付费项目数从 Y1 期末的 3 个推到 Q4Y3 的 11 个，同时让成熟单项目价值逼近研究测算的约 $300K 年化 SOM 水平。
• 必须跑对的环节. 前两个 pilots 必须顺利转成年订阅，而且至少两条 toolchain 集成要可复用到让一支以 solutions 为主的团队，能在 Q4Y2 支撑 7 个活跃项目而不把毛利压垮。
• 模型会在哪儿坏掉. 如果销售周期拖向 150 天、或者毛利率长期压在 68% 以下，下行情景会在公司拿到下一轮证明之前，把现金底部推到大约 $0.25M。
• 下一轮证明点. 下一轮融资要讲的故事，是到 Q2Y2 左右做到 5 个活跃付费项目、完成 2 个年度转化、拿下 2 条可用集成，并初步证明 replay 精度能稳在 15%-20% 的误差带内。

情景

敏感性

flowchart LR
  TargetAccounts[Target OEMs and AI appliance vendors] --> PaidPilots[Paid pilots]
  PaidPilots --> AnnualPrograms[Annual program subscriptions]
  AnnualPrograms --> Telemetry[Telemetry and cross-vendor modules]
  Telemetry --> Revenue[Revenue]
  Revenue --> GrossProfit[Gross profit]
  GrossProfit --> Cash[Cash and runway]

警示项: 基准情景到第 3 年做到了 11 个活跃付费项目，而研究测算的第 3 年 SOM 也只有 12 个项目，说明在初始滩头市场里几乎没有转化失手空间。 · customersEop 统计的是活跃付费 accelerator 项目，而不是独立 logo 数，所以模型早中期的客户分散度会比表面看起来更弱。 · 毛利率只有在 simulator 访问、onboarding 和校准工作流真正标准化后，才摸得到 70% 目标；如果长期保持定制化，EBITDA 会一直被压在负区间。 · Y4 之前不加专职 AE，所以创始人和合作伙伴负责人的带宽，会成为销售周期下行情景里的真实瓶颈。 · 现金按 EBITDA 建模；如果合作伙伴的 minimum-commit 费用、递延收入节奏或实验室设备 capex 更重，实际低点可能会来得更早。

• 品类成形太慢. 如果未来两年真正推进半定制 GPU 项目的系统厂商只有寥寥几家，收入释放就会慢于市场成熟速度。 缓解措施: 先抓那些已经在评估一张 accelerator card 的共创客户，再顺手承接更广泛硬件团队基于 emulator 的邻近采购决策。
• IP 厂商把能力打包进来. OXMIQ 或其他可授权 IP 厂商，可能把基础兼容性 replay 直接塞进自己的销售动作里，把独立切口越挤越窄。 缓解措施: 坚持 vendor-neutral，横向 benchmark 多家供应商，并把买方侧的决策工作流和 post-silicon telemetry 牢牢抓在自己手里——这些都不是单一 IP 厂商能有公信力做好的。
• 仿真保真度不够. 如果流片前 replay 抓不住真实 bring-up 问题，而买家又把输出当成保证书，信任会被一次性打穿。 缓解措施: 把产品定位成可审计的决策支持，明确给出 confidence bands，再用 first-silicon telemetry 持续回标模型。