Rahoitus

Efficient Computer keräsi $97M+ Series B -rahoituksen $650M arvostuksella laajentaakseen prosessoreita

mm
Lisää Unite.AI suosikkilähteisiisi Google-palvelussa

Efficient Computer julisti 29. syyskuuta 2026, että se on tehnyt sopimuksia yli $97 miljoonan Series B -rahoituksesta $650 miljoonan arvostuksella, jota johti TQ Ventures. Yritys kertoi aikovansa käyttää pääomaa Electron E1 -prosessorin massatuotantoon johtaville asiakkaille ja laajentaa Fabric-arkkitehtuuriaan datakeskusluokan suorituskykyyn.

Rahoituksen ehdot ja sijoittajat

Kierros nostaa Efficient Computerin kerätyn kokonaisrahoituksen $173 miljooniin, tiedonannon mukaan, jossa yritystä kuvataan maailman energiatehokkaimpien prosessorien rakentajaksi. TQ Venturesin lisäksi osallistujia ovat Eclipse, Union Square Ventures, Giant Ventures, Triatomic Capital, TO Capital, TF Capital, Mana Ventures, Toyota Ventures, Overmatch ja Borderless. Efficient kertoi, että laajentamispyrkimys tähtää datakeskusluokan suorituskykyyn, jonka energiankulutus on yli 10‑kertainen parannus nykyisiin rakennettuihin järjestelmiin verrattuna.

Samana päivänä julkaistussa blogikirjoituksessa toimitusjohtaja ja perustajajäsen Brandon Lucia toisti $97 miljoonan Series B -rahoituksen, $173 miljoonan kokonaisrahoituksen ja $650 miljoonan arvostuksen. Lucia kirjoitti, että hän, Nathan ja Graham perustusivat Efficient Computerin noin 10 vuotta sitten perinpohjaisesti uudelleen miettimään tietokonearkkitehtuuria, ratkaisten tehokkuusongelman tinkimättä yleistettävyydestä.

Yrityksen Series B -sivu esittelee johtoryhmän seuraavasti: Lucia, toimitusjohtaja; Graham Gobieski, teknologiajohtaja; ja Nathan Beckmann, pääarkkitehti.

Fabric-arkkitehtuuri ja Electron E1

Efficient kuvaa Fabric-arkkitehtuuriaan puhtaalta pöydältä suunniteltuna uudelleenkirjoituksena tietojenkäsittelystä ja väittää 10‑100‑kertaisen parannuksen energiankulutuksessa yleiskäyttöiseen laskentaan, mukaan lukien tekoäly. Yritys vertaa tätä yleiskäyttöistä lähestymistapaa siihen, mitä se kutsuu erikoistuneiksi “AI-only chip” -vaihtoehdoiksi, joiden hän mukaan ei tue suurinta osaa ohjelmistoista ja jotka riskivät välittömän vanhentumisen tekoälyn kehittyessä.

Tiedonannon mukaan arkkitehtuuri tukee suosituimpia ohjelmistokehysrakenteita front-endin kautta, joka käsittelee C:tä, C++:aa ja monia muita yleisiä abstraktioita. Series B -sivu lisää, että kehittäjät voivat käyttää C:tä, C++:aa, LiteRT:tä ja ONNX:ää ajaakseen tekoälyä yhdessä sensoroinnin, ohjauksen ja sovelluskoodin kanssa yhdellä ohjelmoitavalla prosessorilla, ja voivat kääntää uudelleen sekä päivittää jo kentällä olevia laitteita mallien muuttuessa.

Omalla etusivulla Efficient väittää, että Electron E1 on jopa 100‑kertainen tehokkaampi, kun mittaus tehdään koko sovelluksilla, jotka toimivat todellisella piisirulla, sen sijaan että tarkasteltaisiin lepotilatehoa tai yksittäistä kiinteätoiminnallista laitteistoa varten käsin viritettyä ydintä. Sivulla kuvataan effcc-kääntäjää valmiiksi toimivana korvaajana GCC:lle tai Clangille, joka poimii rinnakkaisuuden, sijoittaa ja reitittää ohjelman Fabriciin ja kääntää sen minuuteissa.

Efficient kertoi, että Electron E1 on massatuotannossa ja että asiakkaat ottavat sen käyttöön fyysisessä tekoälyssä ja autonomiassa, kriittisen infrastruktuurin valvonnassa, avaruus- ja puolustussektoreilla sekä kannettavissa laitteissa. Etusivun sovelluskohokohdat kuvaavat E1:n ajavan dronen koko autonomiaputken yhdellä komponentilla, tuoden reaaliaikaisen käsittelyn ja ennakoivan ylläpidon etäinfrastruktuurin antureihin, sekä käsittelevän enemmän dataa aluksen sisällä niin, että vain kriittiset löydökset lähetetään alas standardi C- ja C++-kielellä.

Tiedonannossa todetaan myös, että Fabric voi korvata korkeaenergiankulutuksiset upotetut GPU:t robotin autonomiapinossa, mahdollistaen järjestelmän toiminnan kymmenen kertaa vähemmällä energiankulutuksella, ja että suorituskykyalueen yläosassa se nopeuttaa monipuolisia ja epäsäännöllisiä datakeskuskuormia, jotka eivät sovi hyvin AI‑kiihdytyssiruihin ja GPU:ihin.

“Jokaisella tapaamallamme asiakkaalla on versio tuotteestaan, jota he eivät pysty valmistamaan, koska laskentatehon budjetti tekee halutut uudet ominaisuudet toteuttamattomiksi,” Lucia sanoi tiedonannossa. Hän totesi, että rahoituskierros laajentaa tätä pyrkimystä moniin uusiin käyttötapauksiin ja toimialoihin, kun Efficient skaalauttaa Fabric-arkkitehtuuria laitteista, jotka jo toimitetaan, kohti datakeskuksen mittakaavaa.

Perustushistoria ja tekninen perustelu

Blogikirjoituksessaan Lucia väitti, että CMOS-prosessin skaalaus hidastuu Mooren lain ja Dennardin skaalauslainsäädännön päättymisen myötä, ja että suurin osa laskentatehon parannuksista on peräisin arkkitehtonisista kompromisseista, jotka asettavat suorituskyvyn etusijalle kustannuksena tehokkuus, mukaan lukien massiiviset, paljon virtaa kuluttavat muistirakenteet, yhteysverkot ja front-endit, jotka pyrkivät poimimaan rinnakkaisuutta peräkkäisistä käskyvirroista. Hän viittasi Amdahlin lakiin kiinteätoiminnallisia kiihdyttimiä vastaan: esimerkissään, vaikka 90 prosenttia laskennasta sopisi kiihdyttimeen ja sen osan aika- ja energiakustannus pudottaisiin nollaan, maksimaalinen hyöty olisi 10‑kertainen, koska jäljelle jäävät 10 prosenttia pysyvät tehottomina.

Lucia kirjoitti, että Efficientin teknologia tuo 10‑100‑kertaisen energiatehokkuusparannuksen perinteisiin CPU‑arkkitehtuureihin verrattuna, ja että yritys on jo aloittanut sen skaalaamisen korkeamman suorituskyvyn vaatimuksia asettaville aloille: humanoidinen autonomia, itseohjautuvat ajoneuvot ja agenttipohjainen tekoäly reunalla ja pilvessä.

Sijoittajien lausunnot ja seuraavat askeleet

Andrew Marks, TQ Venturesin perustajakumppani, sanoi, että Efficientin arkkitehtuuri poikkeaa olennaisesti olemassa olevista suunnitelmista ja tuo hänen mukaansa askeltoiminnon tehokkuudessa yleiskäyttöiseen laskentaan, lisäten että perustajien kyky rakentaa sekä laitteisto että ohjelmisto vakuutti yrityksen. “He eivät ole vain toteuttaneet neljä kertaa, vaan lähettävät jo siruja asiakkaille massatuotantona,” Marks sanoi.

Rebecca Kaden, USV:n yleiskumppani, totesi, että yrityksen kyky tuottaa tällaisia parannuksia suorituskykyalueella muuttaa tapaa, jolla laskentaa rakennetaan ja otetaan käyttöön, fyysisestä tekoälystä datakeskuksiin. Zenetta Burger, Giant Venturesin USA:n johtava kumppani, kertoi, että perustajat viettivät vuosia Carnegie Mellonissa työskennellen energiatehokkaan laskennan arkkitehtonisten ongelmien parissa. Greg Reichow, Eclipse‑kumppani, sanoi, että yritys tuki Efficientiä alusta alkaen ja että sama arkkitehtuuri laajenee fyysisestä tekoälystä datakeskuksiin asiakkaiden kysynnän kiihtyessä.

Lisäselostuksia tukijoilta löytyy yrityksen Series B -sivulta. Chris Abshire, Toyota Venturesin kumppani, totesi, että kiihdyttävän luokan tehokkuuden yhdistäminen yleiskäyttöiseen ohjelmoitavuuteen mahdollistaa kykenevämpiä järjestelmiä ympäristöissä, joissa virta on pitkään rajoittanut rakennettavien ratkaisujen mahdollisuuksia. Patrick O’Kain, Borderless Capitalin kumppani, sanoi, että virta on todellinen rajoite vakavan laskentatehon sijoittumiselle, sekä kaupallisissa että kansallisen turvallisuuden sovelluksissa, ja huomautti, että E1 on jo massatuotannossa.

Efficient ilmoitti skaalanneensa Electron E1 -tuotantoa vastaamaan sitä, mitä se kuvasi ylivarautuneeksi asiakaskysynnäksi, ja jatkavansa volyymin kasvattamista vuoteen 2027 asti palvellakseen globaalia asiakaskuntaansa. Series B -sivu esittelee rahoituskierroksen siirtävän yrityksen teknologiaa ensimmäisestä prosessorista laajempaan tuotevalikoimaan, ja siruja kehitetään sovelluksiin, jotka toimivat upotetuilla GPU:illa sekä Fabric‑arkkitehtuurin laajentamiseksi kohti datakeskus‑tasoa.

Theo Nash on AI‑luotu asiantuntija Unite.AI:ssa, joka kattaa AI‑infrastruktuurin, laskennan ja laitteistojärjestelmät, jotka mahdollistavat modernin tekoälyn. Hänen työnsä keskittyy suurten AI‑työkuormien teknisiin perusteisiin, mukaan lukien datakeskukset, kiihdyttimet, verkottuminen ja ohjelmistopino, jotka yhdistävät ne yhteen.

Analyyttisesta ja tekniikkavetoisesta näkökulmasta Theo tarkastelee, miten GPU:iden, räätälöidyn piisirun, muistirakenteiden ja hajautettujen järjestelmien edistysaskeleet mahdollistavat uudet AI‑mallien sukupolvet. Hän kiinnittää erityistä huomiota suorituskyvyn kompromisseihin, energiatehokkuuteen, skaalautuvuuteen ja käytännön rajoitteisiin, jotka muovaavat AI‑infrastruktuurin todellista käyttöönottoa.

Theo Nashin kirjoittamat artikkelit ovat AI‑luotuja ja Unite.AI:n toimituskunta tarkistaa ne varmistaakseen teknisen tarkkuuden, selkeyden ja vastuullisen kattavuuden nopeasti kehittyvässä AI‑laskentaympäristössä.