SambaNova Systems

1. 投資摘要

• SambaNova 是 AI 加速器和企業 AI 系統公司，核心是 Reconfigurable Dataflow Unit / RDU、DataScale 系統和麵向企業/政府的模型服務；它與 NVIDIA 的差異不是單晶片 FLOPS，而是“硬體 + 軟體棧 + 私有模型部署”一體化交付。12
• 公司未上市，營收、毛利、客戶集中度和現金流量未充分揭露；因此只能用融資、產品釋出、客戶案例和推論/訓練部署證據判斷商業化階段，不能寫出偽精確營收曲線。13
• AI 相關業務佔比可視為接近 100%，但商業模式分為硬體系統銷售、雲端/API 服務、企業訂閱/託管和專業服務；各項佔比未揭露。12
• 關鍵判斷：SambaNova 的機會在受監管企業和政府需要私有化、高效能、可控成本的生成式 AI 部署；風險在 NVIDIA CUDA 生態、雲端廠自研晶片和開源推論架構壓制獨立 AI 晶片公司的開發者生態。24
• 估值只能按私營融資和情景 ARR/硬體營收處理。若沒有最新融資條款，歷史估值只能作為 C 級背景，不能作為當前公允價值。35

2. 公司概況與發展沿革

SambaNova Systems 成立於 2017 年，總部位於美國加州 Palo Alto，由 Stanford 體系和晶片/系統專家創立，定位為企業級 AI 計算平台。1 公司產品從 DataScale 系統、RDU 晶片擴充套件到 SambaNova Suite、Samba-1 等模型和推論服務。12

關鍵里程碑：推出可重構資料流架構；釋出面向企業私有部署的 DataScale；獲得多輪融資；與美國國家實驗室、政府、金融和大型企業客戶開展 AI 系統部署；釋出開放模型/組合模型服務以降低企業部署門檻。136

管理層的核心任務是從“晶片架構差異化”轉為“可採購、可運維、可量化 ROI 的企業 AI 平台”。這要求軟體、模型、服務和渠道能力超過多數純硬體初創公司。

3. 商業模式拆解

營收型別	內容	佔比	判斷
硬體系統	DataScale / RDU appliance	未揭露	早期大單驅動，營收確認不平滑
軟體/平台	SambaNova Suite、模型部署、管理工具	未揭露	毛利潛力高，決定估值倍數
雲端/API	Hosted inference / model service	未揭露	與 GPU cloud 和 hyperscaler 競爭
專業服務	私有化部署、調優、整合	未揭露	企業落地需要，但估值倍數低

定價機制可能包括裝置採購、訂閱、token/API、託管服務和企業合同。客戶結構以政府、科研、金融、製造、醫療等私有部署需求強的客戶為主，但營收集中度未揭露。16

單位經濟：

硬體毛利 = 系統 ASP - RDU/記憶體/網路/製造成本
平台毛利 = subscription/API revenue - hosting/support cost
客戶 LTV = 年度平台營收 × 留存年限 + 擴容硬體訂單

4. AI 相關業務深度拆解

SambaNova 總盤幾乎全部是 AI。產品線可拆為 RDU 晶片、DataScale 系統、模型服務、企業軟體棧。近 3-5 年軌跡從訓練系統和國家實驗室專案，轉向生成式 AI 和企業私有部署。126

最近 4-6 季度應關注：新一代 RDU/系統釋出、模型推論 benchmark、企業客戶新增、渠道合作、融資或債務、員工規模和雲端服務上線。公司未揭露季度營收，因此季度橋只能寫業務事件橋：

產品釋出 / 模型能力
  -> PoC / pilot
  -> enterprise deployment
  -> hardware shipment + software subscription
  -> renew / expansion

增長驅動：企業資料不出域、推論成本最佳化、長上下文/多模型服務、政府安全部署、GPU 供應受限時的替代採購。天花板：CUDA 生態、NVIDIA GB200/Blackwell、雲端廠 Trainium/TPU/Maia、自研 ASIC 和開源軟體棧。47

5. 產業鏈位置

座標：chip -> AI accelerator / system -> enterprise AI infrastructure。上游包括 EDA/IP、TSMC 或其他 foundry、HBM/DDR、網路晶片、伺服器 ODM、封裝測試；下游是企業/政府 AI 部署。24

環節	關鍵物件	依賴度	資料狀態
EDA/IP	Synopsys、Cadence、Arm/RISC-V/自研 IP	中	未揭露
晶圓製造	TSMC 等先進 foundry	高	未揭露；TSMC 字典錨 [TSM]
儲存/網路	HBM/DDR、Ethernet/InfiniBand	高	供應商未充分揭露；SK hynix/NVIDIA 資料需 [ref:]
系統製造	ODM/EMS	高	未揭露
下游	政府、科研、金融、企業	高	案例揭露多，營收佔比未揭露

與 NVIDIA 比，SambaNova 不控制 CUDA 生態和 GPU 通用性；優勢在垂直最佳化和一體化交付。NVIDIA FY27Q1 財務和估值必須用 [NVDA]、[NVDA] 鎖定。

6. 競爭格局與市場份額

AI 加速器市場高度集中於 NVIDIA，其他競爭者包括 AMD、Intel Gaudi、Google TPU、AWS Trainium/Inferentia、Microsoft Maia、Cerebras、Groq、Tenstorrent、Graphcore/IPU 存量、Habana/Intel 等。47

公司	相關業務營收	增速	毛利率	FCF	客戶集中度	技術代際	估值	判斷
SambaNova	未揭露	未揭露	未揭露	未揭露	未揭露	RDU/Dataflow	私營融資 C 級	企業私有化差異化
NVIDIA	Data Center 為核心 [NVDA]	高	高	強	雲端大客戶	GPU/CUDA/NVLink	[NVDA]	生態壓制
AMD	Instinct GPU	高增長	中高	強	雲端/企業	MI300/MI350	美股 C 級	二供受益
Google TPU	內部/雲端服務	未單列	未揭露	n/a	Google Cloud	TPU	Alphabet 口徑	內部規模強
AWS Trainium	AWS 內部/雲端例項	AWS Q1 2026 revenue US$37.6B [AWS]	未單列	強	AWS客戶	Trainium2/3	Amazon 口徑	雲端內閉環
Cerebras/Groq	AI chip/cloud	未揭露	未揭露	未揭露	集中	Wafer-scale / LPU	私營	推論差異化

競爭演化：訓練市場繼續由 NVIDIA 主導，推論市場更可能出現架構分化；但軟體生態和供給能力仍是初創公司商業化最大約束。47

7. 護城河

1. 架構差異化：RDU 的 dataflow 模型面向大型模型計算圖最佳化，避免完全複製 GPU 通用路徑。12
2. 一體化系統：企業客戶採購的是可部署系統和軟體棧，而不是裸晶片，降低客戶整合複雜度。1
3. 私有化部署能力：政府/金融/醫療等場景對資料控制和合規要求高，給非公有雲端方案留下空間。6
4. 反向約束：CUDA、NVIDIA 軟體庫、開發者生態和雲端例項可得性是最強護城河，SambaNova 必須用場景 ROI 而非通用生態競爭。4

8. 財務深度分析

未上市，近 3-5 年營收、毛利、淨利、OCF、FCF、ROIC 未充分揭露。可驗證財務線索主要是融資輪次、客戶合同、招聘/裁員、產品迭代和雲端服務使用。35

財務變數	狀態	分析口徑
營收	未充分揭露	硬體交付 + 軟體訂閱情景
毛利	未充分揭露	硬體 BOM 和雲端 hosting 成本
現金消耗	未充分揭露	晶片 tape-out、庫存、銷售週期
FCF	未充分揭露	初創硬體公司大機率承壓
ROIC	未充分揭露	量產規模不足時不適用

財務異常訊號：大額硬體庫存、融資間隔過長、客戶案例多但缺少續約/擴容、雲端服務價格低於成本。正面訊號：軟體訂閱佔比提升、單客戶擴容、推論成本公開低於 GPU 替代方案。

9. 業績傳導路徑

企業生成式 AI 私有部署需求
  -> pilot / benchmark
  -> DataScale 系統採購
  -> 模型服務和軟體訂閱
  -> 續約與擴容
  -> ARR / gross margin
  -> 私營估值或 IPO 可行性

彈性測算：若客戶從 1 套系統擴到 N 套，硬體營收線性增長，軟體/支援營收隨安裝基數遞增；若雲端/API 模式佔比提升，營收更平滑但需承擔算力折舊和利用率風險。

10. 估值

可比方法：AI 硬體私營融資、AI infrastructure software ARR、GPU cloud revenue multiple。SOTP：

模組	估值方法	關鍵假設
硬體系統	revenue × 低中倍數	週期性和庫存風險
軟體/模型平台	ARR × 軟體倍數	留存率和毛利
雲端/API	revenue × cloud infra 倍數	利用率和毛利
IP/晶片	option value	是否形成生態

牛市：企業私有部署快速擴容、軟體訂閱佔比提升、融資/IPO 視窗開啟。熊市：NVIDIA/雲端廠價格下壓、客戶 PoC 不轉生產、融資稀釋。34

11. 催化因素

1. [已發生] 新一代產品/模型服務釋出，驗證公司從硬體走向平台。12
2. [展望] 大客戶生產部署和擴容合同，是商業化最強證據。6
3. [行業預測] 推論成本成為企業 AI 預算瓶頸，有利於替代架構。7
4. [供應鏈估算] NVIDIA 供給緊張或價格高企時，替代加速器採購視窗擴大 [NVDA]。
5. [已發生] 融資或戰略合作可緩解硬體公司現金消耗風險。3

12. 核心風險

1. 生態風險：CUDA 和 NVIDIA 軟體棧形成事實標準。
2. 現金消耗：晶片迭代、庫存和銷售週期長，融資環境影響生存。
3. 客戶轉化：PoC 多但生產部署少，會壓低營收質量。
4. 雲端廠競爭：AWS/Google/Microsoft 自研晶片內嵌雲端服務，壓縮第三方空間。
5. 供應鏈風險：先進製程、封裝、記憶體和系統製造都需規模採購能力。

13. 歷史復盤

AI 晶片初創公司歷史上常見路徑是：架構釋出帶來高估值，隨後軟體生態和客戶量產成為分水嶺。SambaNova 的早期敘事是 dataflow 架構和企業系統，生成式 AI 後敘事轉向企業模型服務和私有部署。123

大波動驅動包括融資環境、NVIDIA 供需、客戶案例、benchmark 和 IPO 市場。沒有公開財務前，不能用新聞熱度替代營收質量。

14. 追蹤指標

頻率	指標	閾值	來源
月/季	生產客戶新增	公開生產部署 > PoC	公司公告
季度	產品 benchmark	推論價效比持續領先	第三方/公司
季度	融資/戰略合作	延長 runway	公司/媒體
半年	軟體訂閱/雲端服務	揭露 ARR 為重大正面	公司揭露
年度	IPO/S-1	財務透明化	SEC

15. 最新事件

1. [已發生] 公司持續推廣 RDU/DataScale/SambaNova Suite 等 AI 平台產品。12
2. [已發生] 客戶案例覆蓋科研、政府和企業，但營收佔比未揭露。6
3. [行業預測] 推論工作負載增長為非 GPU 架構提供視窗。7
4. [供應鏈估算] NVIDIA 新平台繼續抬高競爭門檻 [NVDA]。
5. [展望] 若公司揭露 ARR、客戶續約率或 IPO 檔案，將顯著改善可估值性。

16. 誤讀糾偏

誤讀 1：有 AI 晶片就能直接挑戰 NVIDIA。

實際情況：AI 晶片競爭的核心是軟體生態、客戶遷移成本和供給規模，裸晶片效能只是第一層。4

誤讀 2：未上市估值等於當前公允價值。

實際情況：歷史融資估值可能過期，缺少營收、毛利和現金流量時只能作為 C 級背景。35

誤讀 3：企業私有部署一定優於雲端 GPU。

實際情況：私有部署適合合規和成本確定性需求，但客戶需承擔運維、擴容和技術迭代風險。6

17. 來源

• 來源：Company and product pages — SambaNova Systems — accessed 2026-05-29 — sambanova.ai/
• 來源：SambaNova Suite / DataScale / RDU technical materials — SambaNova Systems — 2024-2026
• 來源：Funding and company profile — PitchBook/Crunchbase/company press/media — accessed 2026-05-29
• 來源：NVIDIA data center and platform disclosures — NVIDIA IR / project dictionary — [NVDA] [NVDA]
• 來源：Private AI chip company financing reports — Reuters/Bloomberg/The Information/TechCrunch — 2024-2026
• 來源：Customer case studies — SambaNova Systems / national lab announcements — 2023-2026
• 來源：AI inference accelerator market outlook — Gartner/Omdia/SemiAnalysis/industry research — 2025-2026