Sparxity uzavírá investiční kolo série A a celkový objem financování pro řídké výpočty AI dosahuje 90 milionů dolarů

Sparxity, výpočetní společnost sídlící v Drážďanech, dříve známá jako SpiNNcloud, uzavřela investiční kolo série A, díky němuž celkové financování získané jejím týmem dosáhlo 90 milionů dolarů. Investice podpoří vývoj specializovaných čipů navržených pro jemnozrnnou dynamickou řídkost, tedy přístup, který soustředí výpočty AI na části modelu potřebné pro daný úkol.

Kolo vedl ICM HPQC Fund. Mezi investory patří Lockheed Martin Ventures, GlobalFoundries, GS Futures, Cloudberry Ventures, TGFS a EIC Fund. Mezi andělské investory patří Richard Socher a Nancy Xu; společnost nadále podporují také Atlantic a Silicon Catalyst. Sparxity nezveřejnila výši investice v sérii A odděleně od celkové částky získaného financování.

Cílem společnosti je umožnit praktické nasazení stále řidších modelů AI ve velkém měřítku. Hardware nové generace má u ultrařídkých modelů nabídnout až 44krát rychlejší inferenci a navázat tak na již zavedené komerční podnikání v oblasti systémů pro řídké výpočty.

Proč řídké modely potřebují jiný hardware

V husté neuronové síti se značné množství výpočtů provádí nad rozsáhlou sadou parametrů. Řídké architektury aktivují pouze vybrané části modelu, čímž mohou zvýšit jeho celkovou kapacitu, aniž by se každý parametr musel podílet na každém výpočtu.

Možnost tuto výhodu využít se zmenšuje, když je výběr velmi jemnozrnný a mění se podle vstupu. Hardware musí směrovat úlohy ke správným prostředkům a efektivně přesouvat příslušná data. Vynechání aritmetických operací přináší užitek pouze tehdy, pokud náklady na vyhledání, plánování a předávání zbývající práce tuto úsporu nesmažou.

Přehled technologie společnosti Sparxity zasazuje její architekturu do kontextu tohoto problému a zaměřuje se na jemnější výběr expertů, paměti a pozornosti. Společnost vyvíjí čipy i software současně, aby tvůrci modelů mohli využívat řídké struktury, které se na hardwaru navrženém především pro husté výpočty obtížně efektivně zpracovávají.

„Další éru AI nebude určovat jen to, jaký výpočetní výkon dokážeme nabídnout, ale také to, jak chytře a efektivně ho využijeme,“ uvedl Hector Gonzalez, spoluzakladatel a generální ředitel společnosti Sparxity. Dodal, že financování urychlí vývoj specializovaného křemíku pro ultrařídké úlohy v heterogenních datových centrech.

Od milionů expertů k selektivním výpočtům

Jedním z výzkumných směrů, na nichž tato strategie staví, je PEER neboli efektivní vyhledávání expertů s ohledem na počet parametrů. V práci Mixture of A Million Experts popsal výzkumník Xu Owen He vrstvu, která z poolu více než milionu drobných expertů vybírá malou skupinu. Experimenty s úlohami jazykového modelování zkoumaly, jak tento přístup mění vztah mezi výkonem modelu a výpočetními náklady.

Princip spočívá v rozšíření možností, z nichž může model čerpat, aniž by při každém vstupu zpracovával celý pool. Převést tuto efektivitu na úrovni modelu na nižší latenci a spotřebu energie vyžaduje systém, který zvládne výslednou jemnozrnnou práci.

He, dříve výzkumník ve společnosti Google DeepMind a nyní strategický poradce Sparxity, uvedl, že společný návrh modelů, destilačních procesů a hardwaru s ohledem na řídkost může přinést další zvýšení výpočetní efektivity. Právě toto propojení má nové financování rozvíjet: modely, které vybírají selektivněji, spolu s hardwarem schopným tyto volby provádět.

Komerční základna před uvedením dalšího čipu

Sparxity uvádí, že její dosavadní výsledky zahrnují tři dokončené návrhy čipů, více než 70 000 vyrobených čipů a 12 nasazených racků. Společnost hlásí přes 30 zákazníků po celém světě a čtyřnásobný růst tržeb mezi lety 2024 a 2025, přičemž růst pokračuje i v roce 2026.

Její současné systémy slouží jak pro vysoce výkonné výpočty, tak pro AI. Společnost uvádí, že na vybraných úlohách dosahují její řídké řešiče 10krát vyšší rychlosti, strojové učení založené na událostech spotřebuje 18krát méně energie a optimalizace trvají 20krát kratší dobu. Tyto výsledky se týkají konkrétních aplikací na stávajících systémech; až 44krát rychlejší inference je cílem technologie nové generace pro ultrařídké modely.

Toto rozlišení je pro příběh financování zásadní. Sparxity již systémy vyrábí a nasazuje, zatímco investice v sérii A podpoří další krok k hardwaru navrženému speciálně pro dynamickou řídkost při inferenci AI.

Jülich nabízí konkrétní příklad nasazení

Superpočítačové centrum Jülich nezávisle popisuje dvourackový systém SpiNNaker2 od Sparxity s názvem JUBIS, instalovaný v dubnu 2026. Systém tvoří 4 320 čipů a 656 640 jader ARM s neuromorfními akcelerátory.

JUBIS podporuje projekt Jülichu „Superpočítač založený na událostech pro AI a další oblasti“, který zkoumá AI v reálném čase, simulace v neurovědách a další úlohy, například emulaci kvantových počítačů. Projekt zahrnuje také testování výkonu, tvorbu prototypů aplikací a vývoj softwaru, aby bylo možné systém účelně využívat v širším prostředí vysoce výkonných výpočtů.

Toto nasazení ukazuje, proč výpočetní architektura vyžaduje víc než jen specifikaci čipu. Výzkumníci potřebují nástroje, rozhraní a možnost začlenit systém do své stávající práce. Komplexní přístup společnosti Sparxity pokrývá celou tuto cestu, od vlastního křemíku až po instalace zahrnující více racků.

Cesta do evropských datových center

Sparxity spolupracuje také se společností T-Systems na možné cestě do komerčních datových center. Oznámení společnosti Deutsche Telekom ze 3. listopadu popisuje podepsaný dopis o záměru spojit technologii Sparxity s infrastrukturou a provozními zkušenostmi společnosti T-Systems.

Plánovaný postup začíná využitím současného hardwaru k vývoji přístupů k technické integraci; poté má následovat nasazení čipů nové generace plánované na rok 2028. Partneři očekávají, že se v nadcházejících měsících dohodnou na dalších podrobnostech.

Nový kapitál společnosti Sparxity pomáhá posunout její činnost od ověřování řídkého výpočtu ve specializovaných systémech k významnější úloze v infrastruktuře pro umělou inteligenci. Její teze říká, že budoucí zlepšení přinese omezení zbytečných výpočtů — a společný návrh hardwaru, softwaru a modelů, díky němuž se tyto úspory promítnou do praktického výkonu.