2026年7月，一家日本芯片初创公司宣布其40nm边缘物理AI芯片原型完成验证。40nm——在台积电、三星们已经量产3nm的时代，这个数字像来自另一个时空。但仔细看这家公司的技术路线和瞄准的市场，你会发现一个被先进制程军备竞赛掩盖的真相：物理AI这个赛道，最需要的可能不是最先进的工艺。
Sting Ray 完成验证，Manta Ray 路线图已定
2026年7月6日，日本芯片设计初创企业 TokyoArtisan Intelligence（TAI）宣布，其基于FPGA的边缘物理AI芯片原型“Sting Ray”已完成验证评估，正式迈向量产阶段。Sting Ray 采用低功耗快响应设计，面向基础设施、工业、机器人领域的 AI 转型需求。
TAI同时公布了量产路线图：下一代量产芯片“Manta Ray”采用联电（UMC）40nm 工艺制程，目标2027年第一季度完成α版设计软件，第二季度完成工程样品芯片制造，第三季度推出评估板，第四季度完成量产芯片制造，2028年第一季度推出量产评估板。
这家成立于2020年、脱胎于日本东北大学的AI创企，走了一条和大多数日本芯片公司截然不同的路。创始人中原啓贵没有选择去抢英伟达的蛋糕——做数据中心AI芯片，也没有像日本举国体制下的Rapidus那样直接挑战2nm先进制程。TAI选择了一条更务实的路：用成熟工艺，做可重构的边缘物理AI芯片。
为什么是40nm？
一个关键的背景数字：日本目前最先进的量产逻辑芯片工艺恰好就是40nm。Rapidus——这家日本举国之力打造的半导体公司——目标是在2027年下半年量产2nm芯片，那是从40nm到2nm的“蛙跳”。但TAI的创始人做了一个相反的决定：不跳，就在40nm上做深做透。
这不是技术上的无奈。40nm工艺在联电等代工厂已运行超过十年，良率成熟、成本可控、设计工具链完善。对于边缘AI推理芯片而言，功耗和成本往往比绝对算力更重要。根据Mordor Intelligence的数据，2025年全球边缘AI芯片市场规模为36.7亿美元，预计到2031年将增长至115.4亿美元，年复合增长率21.05%。在这个市场中，绝大多数部署场景对芯片的功耗限制在1-3W以内——而40nm成熟工艺恰好能满足这个功耗区间和成本要求。
一个更耐人寻味的数据：在当前边缘AI芯片市场，≥14nm工艺节点仍然占据39.20%的份额。这意味着大量实际部署并不需要最先进的工艺——稳定、低价、低功耗才是优先级。40nm产品在工业和企业级应用中有着清晰的生存空间。
可重构的“物理AI”逻辑
Sting Ray 的核心是一个基于Efinix公司Titanium FPGA的AI处理平台。这个FPGA本身采用台积电16nm工艺制造，具备高速处理、低延迟、低功耗和可重配置的特性。那么40nm从何而来？Sting Ray作为原型验证平台，帮助TAI验证了芯片架构和AI推理逻辑。而真正的量产芯片Manta Ray将由联电以40nm工艺制造——这意味着TAI在原型阶段使用更先进工艺的FPGA来加速开发验证，而量产时切换到成熟工艺以控制成本。
这一策略对物理AI至关重要。物理AI和云端AI的本质区别在于运行环境：云端AI跑在数据中心，算力无限、功耗不限、网络延迟可以接受；物理AI跑在机器人、自动驾驶车辆、铁路安检系统里——算力有限、电池有限、响应时间必须在毫秒级别。根据产业数据，工业现场边缘AI部署可将数据传输量降低95%以上，响应速度提升76%。
关键区别还在于算法演变的速度。物理AI面对的算法和模型正处于快速进化期。如果用ASIC去固化AI推理逻辑，芯片还没流片，模型可能已经迭代了两代。FPGA的可重构性，让TAI的芯片可以在不更换硬件的情况下适配新的AI模型——这正是Manta Ray继续采用可重构架构设计的核心考量。
TAI的CEO中原啓贵在日经亚洲的采访中明确表示，公司的AI芯片目标是替代部分人力密集型工作，通过集成摄像头和机器人系统的AI方案来解决日本老龄化社会面临的劳动力短缺问题。首批应用场景包括铁路站台安全监控、机器人系统和工业自动化。
“我们开发的边缘AI处理系统，不需要将数据传输到云端即可完成推理。这可以大幅降低延迟和网络成本，同时在铁路、工厂等恶劣环境中保持稳定运行。”——TokyoArtisan Intelligence 官网
一条务实的产业链路线
TAI没有闭门造车。2025年6月，TAI完成11亿日元（约合5500万元人民币）的B轮融资，由JR East Start Up、三井住友保险创投等多家投资者参与。资金用于下一代可重构AI芯片的研发量产和人才引进。加上2024年11月从 Shinsei Corporate Investment 获得的4.1亿日元，TAI已知累计融资约15亿日元，折合约1400万美元。
2025年5月，TAI与马来西亚芯片设计公司 Oppstar 达成全面合作。Oppstar 负责芯片的全流程开发——从前端设计到封装设计，从硅后验证到封测启动。中原啓贵指出，马来西亚的半导体生态系统和政府支持，以及Arm架构IP核的获取便利性和成本优势，让合作比在日本国内开发更具吸引力。
双方预计首颗测试芯片将在2027年初完成。第一代AI芯片聚焦图像处理应用，覆盖摄像头、传感器和机器人控制系统。对于日本社会深度老龄化带来的劳动力短缺——日本65岁以上人口比例已超过29%——这一技术路线有着明确的商业落地价值。
目前TAI已经从JR东日本咨询公司、JR九州铁路公司等客户获得实地验证和采纳。其正在量产的边缘AI平台SEASIDE-R6已被多个解决方案采用，成为公司商业化的起点。
与日本半导体复兴的镜像对照
TAI的路径与日本政府主导的Rapidus计划形成了有趣的对照。Rapidus累计获得日本政府超过2.35万亿日元（约合1200亿元人民币）的研发补贴，目标是2027年量产2nm芯片，追赶台积电和三星。而TAI的总融资仅约15亿日元量级，不及Rapidus的千分之一，走的是40nm成熟工艺路线。
但两者并非对立关系。Rapidus解决的是“日本有没有先进制程”的国运问题，耗时十年以上、投入千亿级别、风险极高。TAI解决的是“日本有没有人能做出真正落地可用的AI芯片”的商业问题，在2027-2028年就能看到量产成果，且直接面向日本最紧迫的产业需求——铁路、工厂、基建的AI化转型。
事实上，两条路线正好构成了日本半导体复兴的完整叙事：Rapidus守住前沿技术制高点，TAI这类创企在应用层完成商业化闭环。缺少任何一块，日本的芯片战略都会显得跛脚。
挑战与窗口期
TAI的路线图给出了一个清晰的时间表：2027年第四季度量产 Manta Ray 芯片。如果顺利实现，这将是日本少数几家真正实现AI芯片量产的公司之一，也是全球极少数基于40nm成熟工艺、面向物理AI场景的可重构芯片方案。
但挑战不容忽视。FPGA在灵活性上优于ASIC，但在功耗效率和单位算力成本上处于劣势。一旦物理AI的算法范式趋于稳定——比如视觉Transformer成为主流且不再剧烈变动——ASIC方案将凭借更低的功耗和更高的性价比反超。届时TAI是否需要从FPGA转向ASIC，将是一个战略十字路口。
另一个风险是时间窗口。全球边缘AI芯片竞争已经白热化：英伟达的Jetson系列、英特尔通过收购Altera掌握的FPGA方案、以色列创企Hailo的AI加速器、以及一批中国边缘AI芯片公司，都在抢夺同一块蛋糕。TAI的差异化在于“日本本土+物理AI场景+可重构+成熟工艺成本”的独特组合。但窗口不会永远敞开——如果Rapidus成功量产2nm，或者大厂推出面向物理AI的专用方案，TAI的40nm护城河将被加速侵蚀。
不过，一个被忽视的事实是：物理AI芯片的规模部署才刚刚开始。根据行业预测，到2031年边缘AI芯片市场将突破115亿美元，其中企业/工业应用的年复合增长率高达24.1%，是消费电子领域增速的两倍以上。这个蛋糕足够大，不需要抢到最大份额就能生存。而40nm工艺带来的成本优势，恰恰是大规模部署的催化剂。
在所有人都在追逐2nm的喧嚣中，一家日本小公司选择了40nm。这不只是工艺路线的差异，更是一种清醒：物理AI的商业化，从来不是先有芯片再有需求——而是先有真实场景，再去设计刚刚好的芯片。
快报