Pendanaan

Efficient Computer Mengumpulkan Seri B Lebih dari $97 juta dengan Penilaian $650 juta untuk Menskalakan Prosesor

mm
Tambahkan Unite.AI ke sumber pilihan Anda di Google

Efficient Computer mengumumkan pada 29 September 2026 bahwa ia menandatangani perjanjian untuk pendanaan Seri B lebih dari $97 juta dengan penilaian $650 juta, dipimpin oleh TQ Ventures. Perusahaan menyatakan akan menggunakan modal tersebut untuk mengirimkan prosesor Electron E1 secara massal kepada pelanggan utama dan untuk menskalakan arsitektur Fabric-nya ke kinerja kelas pusat data.

Ketentuan Pendanaan dan Investor

Putaran pendanaan ini meningkatkan total dana yang dihimpun Efficient Computer menjadi $173 juta, menurut pengumuman yang menyebut perusahaan tersebut membangun prosesor paling hemat energi di dunia. Peserta selain TQ Ventures meliputi Eclipse, Union Square Ventures, Giant Ventures, Triatomic Capital, TO Capital, TF Capital, Mana Ventures, Toyota Ventures, Overmatch, dan Borderless. Efficient menyatakan upaya penskalaan ditujukan untuk kinerja kelas pusat data dengan peningkatan konsumsi energi lebih dari 10 kali lipat dibandingkan sistem yang dibangun saat ini.

Dalam posting blog pendamping yang diterbitkan pada hari yang sama, CEO dan co‑founder Brandon Lucia menegaskan kembali Seri B sebesar $97 juta, total penggalangan dana $173 juta, dan penilaian $650 juta. Lucia menulis bahwa ia, Nathan, dan Graham mendirikan Efficient Computer sekitar 10 tahun yang lalu untuk secara fundamental memikirkan kembali arsitektur komputer, menyelesaikan masalah efisiensi tanpa mengorbankan generalitas.

Halaman Seri B perusahaan mengidentifikasi tim kepemimpinan sebagai Lucia, CEO; Graham Gobieski, CTO; dan Nathan Beckmann, arsitek utama.

Arsitektur Fabric dan Electron E1

Efficient menggambarkan arsitektur Fabric-nya sebagai perancangan ulang komputasi dari nol dan mengklaim peningkatan konsumsi energi sebesar 10‑100 kali lipat untuk komputasi tujuan umum, termasuk AI. Perusahaan membandingkan pendekatan tujuan umum tersebut dengan apa yang disebutnya alternatif “chip khusus AI” yang, menurutnya, tidak mendukung sebagian besar perangkat lunak dan berisiko menjadi usang secara instan seiring evolusi AI.

Menurut pengumuman, arsitektur tersebut mendukung kerangka kerja perangkat lunak paling populer melalui antarmuka depan yang menangani C, C++, dan banyak abstraksi umum lainnya. Halaman Seri B menambahkan bahwa pengembang dapat menggunakan C, C++, LiteRT, dan ONNX untuk menjalankan AI bersamaan dengan kode sensing, kontrol, dan aplikasi pada satu prosesor yang dapat diprogram, serta dapat menyusun ulang dan memperbarui perangkat yang sudah ada di lapangan ketika model berubah.

Di halaman utamanya, Efficient mengklaim bahwa Electron E1 hingga 100 kali lebih efisien ketika diukur pada aplikasi keseluruhan yang berjalan pada silikon nyata, bukan pada daya idle atau kernel tunggal yang dioptimalkan secara khusus untuk perangkat keras fungsi tetap. Halaman tersebut menjelaskan effcc Compiler sebagai pengganti langsung untuk GCC atau Clang yang mengekstrak paralelisme, menempatkan dan merutekan program ke dalam Fabric, serta mengompilasi dalam hitungan menit.

Efficient menyatakan bahwa Electron E1 sedang diproduksi secara massal dan bahwa pelanggan mengadopsinya untuk AI fisik dan otonomi, observabilitas infrastruktur kritis, ruang angkasa dan pertahanan, serta perangkat yang dapat dipakai. Sorotan aplikasi di halaman utama menggambarkan E1 menjalankan seluruh pipeline otonomi drone pada satu komponen, memberikan pemrosesan waktu nyata dan pemeliharaan prediktif ke sensor infrastruktur terpencil, serta memproses lebih banyak data di dalam pesawat luar angkasa sehingga hanya temuan kritis misi yang diunduh dalam C dan C++ standar.

Pengumuman tersebut juga menyatakan bahwa Fabric dapat menggantikan GPU terbenam yang boros energi dalam tumpukan otonomi robot, memungkinkan sistem beroperasi dengan energi 10 kali lebih sedikit, dan bahwa pada ujung atas rentang kinerja ia mempercepat beban kerja pusat data yang beragam dan tidak teratur yang tidak cocok untuk chip akselerator AI dan GPU.

“Setiap pelanggan yang kami temui memiliki versi produk mereka yang tidak dapat mereka bangun, karena anggaran daya komputasi membuat kemampuan baru yang mereka inginkan tidak memungkinkan,” kata Lucia dalam pengumuman. Ia menyatakan bahwa putaran pendanaan ini memperluas upaya tersebut ke lebih banyak kasus penggunaan dan domain seiring Efficient menskalakan arsitektur Fabric dari perangkat yang sudah dikirim menuju skala pusat data.

Sejarah Pendirian dan Alasan Teknis

Dalam posting blognya, Lucia berargumen bahwa dengan pelambatan skala proses CMOS seiring berakhirnya Moore’s Law dan Dennard Scaling, sebagian besar peningkatan kinerja komputasi berasal dari kompromi arsitektural yang memprioritaskan kinerja dengan mengorbankan efisiensi, termasuk struktur memori yang sangat boros daya, interkoneksi, dan antarmuka depan yang berupaya mengekstrak paralelisme dari aliran instruksi berurutan. Ia mengacu pada Hukum Amdahl terhadap akselerator fungsi tetap: dalam contohnya, bahkan jika 90 persen dari sebuah komputasi cocok dengan akselerator dan biaya waktu serta energi bagian tersebut turun menjadi nol, manfaat maksimum hanya 10 kali karena 10 persen sisanya tetap tidak efisien.

Lucia menulis bahwa teknologi Efficient memberikan peningkatan efisiensi energi sebesar 10‑100 kali lipat dibandingkan arsitektur CPU tradisional, dan bahwa perusahaan telah mulai mengerjakan penskalaannya ke domain dengan kebutuhan kinerja lebih tinggi: otonomi humanoid, mengemudi otomatis, dan AI agen di tepi jaringan serta di cloud.

Pernyataan Investor dan Langkah Selanjutnya

Andrew Marks, co-founding partner at TQ Ventures, mengatakan arsitektur Efficient secara fundamental berbeda dari desain yang ada dan menghadirkan apa yang ia sebut fungsi langkah dalam efisiensi untuk komputasi tujuan umum, menambahkan bahwa kemampuan para pendiri untuk membangun baik perangkat keras maupun perangkat lunak meyakinkan perusahaan. “Tidak hanya mereka telah melakukan tape-out empat kali, tetapi mereka sudah mengirimkan chip ke pelanggan dalam volume besar,” kata Marks.

Rebecca Kaden, general partner at USV, mengatakan kemampuan perusahaan untuk memberikan peningkatan semacam itu di seluruh spektrum kinerja akan mengubah cara komputasi dibangun dan diterapkan, mulai dari AI fisik hingga pusat data. Zenetta Burger, USA lead partner at Giant Ventures, mengatakan para pendiri menghabiskan bertahun‑tahun di Carnegie Mellon untuk mengatasi masalah arsitektur di balik komputasi hemat energi. Greg Reichow, seorang partner di Eclipse, mengatakan perusahaan mendukung Efficient sejak awal dan bahwa arsitektur yang sama sedang berkembang dari AI fisik ke pusat data dengan permintaan pelanggan yang semakin cepat.

Pernyataan dari pendukung tambahan muncul di halaman Series B perusahaan. Chris Abshire, seorang partner di Toyota Ventures, mengatakan bahwa menggabungkan efisiensi kelas akselerator dengan kemampuan pemrograman tujuan umum memungkinkan sistem yang lebih kuat dalam lingkungan di mana daya selama ini membatasi apa yang dapat dibangun. Patrick O’Kain, seorang partner di Borderless Capital, mengatakan bahwa daya adalah kendala utama di mana kapasitas komputasi serius dapat ditempatkan, baik untuk penggunaan komersial maupun keamanan nasional, dan mencatat bahwa E1 sudah dikirim dalam volume besar.

Efficient mengatakan bahwa mereka telah meningkatkan produksi Electron E1 untuk memenuhi apa yang mereka sebut minat pelanggan yang luar biasa dan akan terus meningkatkan volume hingga 2027 untuk melayani basis pelanggan global mereka. Halaman Series B menggambarkan putaran pendanaan ini sebagai langkah membawa teknologi perusahaan dari prosesor pertama ke rangkaian produk yang lebih luas, dengan chip yang sedang dikembangkan untuk aplikasi yang berjalan pada GPU terintegrasi dan arsitektur Fabric yang diperluas menuju komputasi skala pusat data.

Theo Nash adalah seorang spesialis yang dihasilkan AI di Unite.AI, yang mencakup infrastruktur AI, komputasi, dan sistem perangkat keras yang mendukung kecerdasan buatan modern. Pekerjaannya berfokus pada fondasi teknis di balik beban kerja AI berskala besar, termasuk pusat data, akselerator, jaringan, dan tumpukan perangkat lunak yang menghubungkannya.

Dengan perspektif analitis dan berorientasi rekayasa, Theo meneliti bagaimana kemajuan pada GPU, silikon khusus, arsitektur memori, dan sistem terdistribusi memungkinkan generasi baru model AI. Ia memberi perhatian khusus pada kompromi kinerja, efisiensi energi, skalabilitas, serta kendala praktis yang membentuk penerapan infrastruktur AI di dunia nyata.

Artikel yang ditulis oleh Theo Nash dihasilkan AI dan ditinjau oleh tim editorial Unite.AI untuk memastikan akurasi teknis, kejelasan, dan liputan yang bertanggung jawab atas lanskap komputasi AI yang berkembang cepat.