Finanțare

Efficient Computer strânge peste 97 milioane de dolari în runda Serie B la o evaluare de 650 milioane de dolari pentru a scala procesoarele

mm
Adaugă Unite.AI la sursele tale preferate pe Google

Efficient Computer a anunțat pe 29 septembrie 2026 că a încheiat acorduri pentru peste 97 milioane de dolari în finanțare Serie B la o evaluare de 650 milioane de dolari, conduse de TQ Ventures. Compania a declarat că va folosi capitalul pentru a livra în volum procesorul său Electron E1 către clienții principali și pentru a scala arhitectura sa Fabric la performanță de nivelul centrelor de date.

Termeni de finanțare și investitori

Runda aduce finanțarea totală strânsă de Efficient Computer la 173 milioane de dolari, conform anunțului, care descrie compania ca fiind producătoarea celor mai eficiente din punct de vedere energetic procesoare din lume. Participanții alături de TQ Ventures includ Eclipse, Union Square Ventures, Giant Ventures, Triatomic Capital, TO Capital, TF Capital, Mana Ventures, Toyota Ventures, Overmatch și Borderless. Efficient a declarat că efortul de scalare vizează performanță de nivelul centrelor de date, cu o îmbunătățire de peste 10 ori a consumului de energie față de sistemele construite astăzi.

Într-o postare pe blog însoțitoare publicată în aceeași zi, CEO-ul și co-fondatorul Brandon Lucia a reafirmat runda Serie B de 97 milioane de dolari, suma totală strânsă de 173 milioane de dolari și evaluarea de 650 milioane de dolari. Lucia a scris că el, Nathan și Graham au fondat Efficient Computer în urmă cu aproximativ 10 ani pentru a regândi fundamental arhitectura calculatoarelor, găsind soluții pentru eficiență fără a compromite generalitatea.

Pagina pagina Serie B a companiei identifică echipa de conducere ca fiind Lucia, director executiv; Graham Gobieski, director tehnic; și Nathan Beckmann, arhitect șef.

Arhitectura Fabric și Electron E1

Efficient descrie arhitectura sa Fabric ca o reconcepție de la zero a calculului și susține o îmbunătățire de 10-100 de ori a consumului de energie pentru calculul de uz general, inclusiv AI. Compania contrastează această abordare de uz general cu ceea ce numește alternative specializate “cip doar AI”, pe care le spune că nu susțin majoritatea software-urilor și riscă o învechire instantanee pe măsură ce AI evoluează.

Conform anunțului, arhitectura susține cele mai populare cadre software printr-un front-end care gestionează C, C++ și multe alte abstracții comune. Pagina Serie B adaugă că dezvoltatorii pot folosi C, C++, LiteRT și ONNX pentru a rula AI alături de coduri de senzori, control și aplicații pe un singur procesor programabil și pot recompila și actualiza dispozitivele deja în câmp pe măsură ce modelele se schimbă.

Pe pagina principală, Efficient susține că Electron E1 este până la 100 de ori mai eficient, măsurat pe aplicații întregi care rulează pe siliciu real, mai degrabă decât pe consum în repaus sau pe un singur nucleu optimizat manual pentru hardware cu funcție fixă. Pagina descrie compilatorul effcc ca pe un înlocuitor direct pentru GCC sau Clang care extrage paralelismul, plasează și rutează un program pe Fabric și compilează în câteva minute.

Efficient a declarat că Electron E1 este în producție de volum și că clienții îl adoptă pentru AI fizic și autonomie, observabilitatea infrastructurii critice, spațiu și apărare, și dispozitive purtabile. Secțiunile de aplicații de pe pagina principală descriu E1 rulând întregul lanț de autonomie al unui dron pe un singur cip, aducând procesare în timp real și întreținere predictivă senzorilor de infrastructură la distanță, și procesând mai multe date la bordul navelor spațiale astfel încât doar constatările critice pentru misiune sunt descărcate în C și C++ standard.

Anunțul mai menționează că Fabric poate înlocui GPU-urile încorporate, consumatoare de energie, dintr-un stack de autonomie robotică, permițând sistemului să funcționeze cu 10 ori mai puțină energie, și că la capătul superior al intervalului de performanță accelerează sarcini variate și neregulate ale centrelor de date care nu se potrivesc bine cu cipurile acceleratoare AI și GPU-urile.

„Fiecare client pe care îl întâlnim are o versiune a produsului pe care nu o poate construi, deoarece bugetul de putere de calcul face ca noile capabilități dorite să fie nefezabile”, a declarat Lucia în anunț. El a spus că runda extinde acest efort la mult mai multe cazuri de utilizare și domenii pe măsură ce Efficient scalează arhitectura Fabric de la dispozitivele deja livrate spre scară de centru de date.

Istoricul fondării și raționamentul tehnic

În postarea sa de pe blog, Lucia a susținut că, odată cu încetinirea scalării procesului CMOS alături de sfârșitul Legii lui Moore și al scalării Dennard, majoritatea câștigurilor de performanță a calculului au provenit din compromisuri arhitecturale care prioritizează performanța în detrimentul eficienței, incluzând structuri masive de memorie consumatoare de energie, interconectări și front-end-uri care încearcă să extragă paralelism din fluxuri de instrucțiuni secvențiale. El a invocat Legea lui Amdahl împotriva acceleratoarelor cu funcție fixă: în exemplul său, chiar dacă 90 la sută dintr-o calculare se potrivește unui accelerator și costul său de timp și energie scade la zero, beneficiul maxim ar fi de 10 ori deoarece restul de 10 la sută rămâne ineficient.

Lucia a scris că tehnologia Efficient aduce o îmbunătățire a eficienței energetice de 10-100 de ori comparativ cu arhitecturile CPU tradiționale și că compania a început deja să o scaleze către domenii cu cerințe de performanță mai mari: autonomie umanoidă, conducere autonomă și AI agentic la margine și în cloud.

Declarații ale investitorilor și pașii următori

Andrew Marks, partener co-fondator la TQ Ventures, a declarat că arhitectura Efficient diferă fundamental de designurile existente și aduce ceea ce el a numit o funcție de trecere în eficiență pentru calculul cu scop general, adăugând că abilitatea fondatorilor de a construi atât hardware-ul, cât și software-ul a convins firma. „Nu numai că au realizat patru tape‑outuri, dar deja livrează cipuri clienților în volum,” a spus Marks.

Rebecca Kaden, partener general la USV, a afirmat că capacitatea companiei de a oferi astfel de câștiguri pe întreg spectrul de performanță va schimba modul în care se construiește și se implementează calculul, de la AI fizic la centrele de date. Zenetta Burger, partener principal în Statele Unite la Giant Ventures, a precizat că fondatorii au petrecut ani la Carnegie Mellon rezolvând problemele arhitecturale din spatele calculului eficient energetic. Greg Reichow, partener la Eclipse, a declarat că firma a susținut Efficient încă de la început și că aceeași arhitectură se scalează de la AI fizic la centrele de date, cererea clienților accelerându‑se.

Declarații ale altor susținători apar pe pagina Series B a companiei. Chris Abshire, partener la Toyota Ventures, a spus că combinarea eficienței de clasă accelerator cu programabilitatea cu scop general permite sisteme mai capabile în medii în care puterea a limitat de mult ce poate fi construit. Patrick O’Kain, partener la Borderless Capital, a afirmat că puterea este adevărata constrângere privind locul în care poate fi amplasată capacitatea serioasă de calcul, atât în utilizări comerciale, cât și în cele de securitate națională, și a remarcat că E1 este deja livrat în volum.

Efficient a declarat că a scalat producția Electron E1 pentru a răspunde la ceea ce a descris ca un interes copleșitor al clienților și va continua să crească volumul până în 2027 pentru a deservi baza sa globală de clienți. Pagina Series B prezintă runda ca pe o tranziție a tehnologiei companiei de la primul său procesor către o gamă mai largă de produse, cu cipuri în dezvoltare pentru aplicații care rulează pe GPU‑uri încorporate și cu arhitectura Fabric extinsă spre calcul la scară de centre de date.

Theo Nash este un specialist generat de AI la Unite.AI, care acoperă infrastructura AI, calculul și sistemele hardware care alimentează inteligența artificială modernă. Munca sa se concentrează pe fundamentele tehnice din spatele sarcinilor de lucru AI la scară largă, inclusiv centrele de date, acceleratoarele, rețelele și stivele software care le leagă.

Dintr‑o perspectivă analitică și orientată spre inginerie, Theo examinează modul în care progresele în GPU‑uri, silicon personalizat, arhitecturi de memorie și sisteme distribuite permit noi generații de modele AI. El acordă o atenție deosebită compromisurilor de performanță, eficienței energetice, scalabilității și constrângerilor practice care modelează implementarea în lumea reală a infrastructurii AI.

Articolele scrise de Theo Nash sunt generate de AI și revizuite de echipa editorială a Unite.AI pentru a asigura acuratețea tehnică, claritatea și o acoperire responsabilă a peisajului în rapidă evoluție al calculului AI.