Sparxity fullfører Series A-runde og bringer den samlede finansieringen til 90 millioner dollar for glesen AI-beregning

Sparxity, et Dresden-basert dataselskap som tidligere het SpiNNcloud, har fullført en Series A-finansieringsrunde. Dermed har teamets samlede sikrede finansiering nådd 90 millioner dollar. Investeringen skal støtte utviklingen av spesialiserte brikker som er utformet for finmasket dynamisk sparsitet, en tilnærming som konsentrerer AI-beregningene om de delene av en modell som trengs til hver oppgave.

Runden ble ledet av ICM HPQC Fund, med Lockheed Martin Ventures, GlobalFoundries, GS Futures, Cloudberry Ventures, TGFS og EIC Fund blant investorene. Blant engelinvestorene er Richard Socher og Nancy Xu, i tillegg til fortsatt støtte fra Atlantic og Silicon Catalyst. Sparxity oppga ikke Series A-beløpet separat fra det samlede finansieringstallet.

Ambisjonen er å gjøre stadig glesnere AI-modeller praktiske å kjøre i stor skala. Neste generasjons maskinvare har som mål å gi opptil 44 ganger raskere inferens i ultraglesne modeller, med utgangspunkt i en eksisterende kommersiell virksomhet innen glesne datasystemer.

Hvorfor glesne modeller trenger annen maskinvare

I et tett nevralt nettverk utføres omfattende beregninger på tvers av et stort antall parametere. Glesne arkitekturer aktiverer utvalgte deler av en modell, noe som potensielt kan øke modellens samlede kapasitet uten at hver parameter må delta i hver beregning.

Det blir vanskeligere å realisere denne muligheten når utvelgelsen er svært finmasket og endres med inndataene. Maskinvaren må kunne rute arbeidet til de riktige ressursene og flytte de aktuelle dataene effektivt. Det hjelper bare å hoppe over aritmetiske beregninger hvis kostnadene ved å finne, planlegge og kommunisere det gjenværende arbeidet ikke visker ut gevinsten.

Sparxitys teknologioversikt tar utgangspunkt i dette problemet og peker på finere utvelgelse blant eksperter, i minnet og i oppmerksomhetsmekanismer. Selskapet utvikler brikker og programvare parallelt, slik at modellutviklere kan bruke glesne strukturer som er vanskelige å kjøre effektivt på maskinvare som først og fremst er utformet for tett beregning.

«Den neste AI-æraen vil ikke bare bli definert av hvor mye regnekraft vi kan levere, men også av hvor intelligent og effektivt vi bruker den», sa Hector Gonzalez, medgrunnlegger og administrerende direktør i Sparxity. Han sa at finansieringen vil framskynde utviklingen av spesialtilpasset silisium for ultraglesne arbeidsbelastninger i heterogene datasentre.

Fra millioner av eksperter til selektiv beregning

En av forskningsretningene bak strategien er PEER, det vil si parameter-effektiv uthenting av eksperter. I Mixture of A Million Experts beskrev forskeren Xu Owen He et lag som henter et lite utvalg fra en samling med over én million små eksperter. Eksperimenter med språkmodelleringsoppgaver undersøkte hvordan denne tilnærmingen påvirker forholdet mellom modellens ytelse og beregningskostnadene.

Prinsippet er å utvide hva en modell kan trekke på, uten å behandle hele samlingen for hver inndata. For å omsette denne effektiviteten på modellnivå til lavere forsinkelse og energibruk trengs et system som kan håndtere det finmaskede arbeidet som følger av dette.

He, som tidligere forsket ved Google DeepMind og nå er strategisk rådgiver for Sparxity, sa at samutvikling av modeller, destillasjonsprosesser og maskinvare med sparsitet som utgangspunkt kan gi ytterligere effektivisering av beregningene. Det er denne sammenhengen den nye finansieringen skal bidra til å utvikle: modeller som velger mer selektivt, kombinert med maskinvare som kan utføre disse valgene.

Et kommersielt fundament før neste brikke

Sparxity opplyser at fundamentet omfatter tre brikkedesign sendt til produksjon, over 70 000 produserte brikker og 12 utplasserte rack. Selskapet rapporterer om over 30 kunder verden over og en firedobling av inntektene fra 2024 til 2025, med fortsatt framgang i 2026.

Dagens systemer dekker både høyytelsesberegning og AI. Selskapet rapporterer om 10 ganger raskere glesne løsere, 18 ganger lavere energibruk for hendelsesbasert maskinlæring og 20 ganger kortere kjøretider for optimalisering på utvalgte arbeidsbelastninger. Resultatene gjelder bestemte bruksområder på selskapets eksisterende systemer; inferenstallet på opptil 44 ganger er et mål for neste generasjons teknologi i ultraglesne modeller.

Dette skillet er sentralt i finansieringshistorien. Sparxity produserer og distribuerer allerede systemer, mens Series A-finansieringen støtter et videre steg mot maskinvare som er utviklet spesielt for dynamisk sparsitet i AI-inferens.

Jülich gir et konkret eksempel på utrulling

Jülich Supercomputing Centre beskriver uavhengig et SpiNNaker2-system fra Sparxity med to rack, kalt JUBIS, som ble installert i april 2026. Det består av 4 320 brikker og 656 640 ARM-kjerner med nevromorfe akseleratorer.

JUBIS støtter Jülichs prosjekt Event-based Supercomputer for AI and Beyond, som utforsker sanntids-AI, nevrovitenskapelige simuleringer og andre arbeidsbelastninger, for eksempel emulering av kvantedatamaskiner. Prosjektet omfatter også referansetesting, prototyping av applikasjoner og programvareutvikling for å gjøre systemet nyttig i et bredere miljø for høyytelsesberegning.

Denne utrullingen viser hvorfor en databehandlingsarkitektur trenger mer enn en brikkespesifikasjon. Forskere trenger verktøy og grensesnitt, samt en måte å integrere systemet i arbeidet de allerede utfører på. Sparxitys helhetlige tilnærming dekker hele veien fra spesialutviklet silisium til installasjoner med flere rack.

En vei inn i europeiske datasentre

Sparxity samarbeider også med T-Systems om en mulig vei inn i kommersielle datasentre. Deutsche Telekoms kunngjøring 3. november beskriver en signert intensjonsavtale om å kombinere Sparxitys teknologi med T-Systems’ infrastruktur og driftsekspertise.

Planen begynner med dagens maskinvare, som skal brukes til å utvikle tekniske metoder for integrering, etterfulgt av utrulling av neste generasjons brikker, som er planlagt for 2028. Partene forventer å bli enige om flere detaljer i løpet av de kommende månedene.

For Sparxity støtter den nye kapitalen overgangen fra å bevise potensialet i sparsomme beregninger i spesialiserte systemer til å få en større rolle innen KI-infrastruktur. Selskapet bygger på tesen om at framtidige gevinster vil komme av å gjøre mindre unødvendig arbeid – og av å utvikle maskinvare, programvare og modeller sammen, slik at disse besparelsene gir nyttig ytelse.