Sparxity tar in 90 miljoner dollar i A-runda för gles AI-beräkning

Sparxity, ett Dresdenbaserat beräkningsföretag som tidigare hette SpiNNcloud, har slutfört en A-runda som innebär att teamet nu har säkrat sammanlagt 90 miljoner dollar i finansiering. Investeringen ska stödja utvecklingen av specialiserade chip för finmaskig, dynamisk sparsitet – en metod där AI-beräkningar koncentreras till de delar av en modell som behövs för varje uppgift.

Rundan leddes av ICM HPQC Fund, och bland investerarna finns Lockheed Martin Ventures, GlobalFoundries, GS Futures, Cloudberry Ventures, TGFS och EIC Fund. Bland ängelinvesterarna finns Richard Socher och Nancy Xu, samtidigt som Atlantic och Silicon Catalyst fortsätter att stödja bolaget. Sparxity uppgav inte hur stor A-rundan var separat från den sammanlagda finansieringen.

Målet är att göra det praktiskt möjligt att köra allt glesare AI-modeller i stor skala. Nästa generations hårdvara siktar på upp till 44 gånger snabbare inferens i extremt glesa modeller och bygger vidare på en befintlig kommersiell verksamhet inom glesa beräkningssystem.

Därför behöver glesa modeller annan hårdvara

I ett tätt neuralt nätverk utförs omfattande beräkningar över en stor mängd parametrar. Glesa arkitekturer aktiverar selektivt delar av en modell, vilket potentiellt kan öka dess totala kapacitet utan att alla parametrar behöver delta i varje beräkning.

Det blir svårare att förverkliga den här möjligheten när urvalet är mycket finmaskigt och förändras beroende på indata. Hårdvaran måste dirigera arbetet till rätt resurser och flytta relevanta data effektivt. Att hoppa över aritmetiska beräkningar hjälper bara om kostnaden för att hitta, schemalägga och förmedla det återstående arbetet inte utraderar vinsten.

Sparxitys tekniköversikt beskriver arkitekturen utifrån detta problem och pekar på ett mer finmaskigt urval av experter, minne och uppmärksamhet. Företaget utvecklar chip och programvara tillsammans, så att modellutvecklare kan använda glesa strukturer som är svåra att köra effektivt på hårdvara som främst är utformad för tät beräkning.

”Nästa era inom AI kommer inte bara att definieras av hur stor beräkningskraft vi kan leverera, utan också av hur intelligent och effektivt vi använder den”, sade Hector Gonzalez, medgrundare och vd för Sparxity. Han sade att finansieringen ska påskynda utvecklingen av specialanpassad kiselteknik för extremt glesa arbetsbelastningar i heterogena datacenter.

Från miljontals experter till selektiv beräkning

En av forskningsinriktningarna bakom strategin är PEER, det vill säga parameterseffektiv expertinhämtning. I Blandning av en miljon experter beskrev forskaren Xu Owen He ett lager som hämtar ett litet urval ur en samling med över en miljon små experter. Experiment med språkmodelleringsuppgifter undersökte hur metoden påverkar sambandet mellan modellens prestanda och beräkningskostnaden.

Principen är att utöka vad en modell kan utnyttja utan att bearbeta hela samlingen för varje indata. För att omsätta den här effektiviteten på modellnivå i lägre latens och energiförbrukning krävs ett system som kan hantera det finmaskiga arbetet som uppstår.

He, tidigare forskare vid Google DeepMind och strategisk rådgivare åt Sparxity, sade att samutveckling av modeller, destilleringsprocesser och hårdvara med sparsitet i åtanke kan ge ytterligare beräkningseffektivitet. Det är den koppling den nya finansieringen ska bidra till att utveckla: modeller som gör mer selektiva urval, tillsammans med hårdvara som kan utföra beräkningarna utifrån dessa val.

En kommersiell grund inför nästa chipgeneration

Sparxity uppger att bolaget har lagt ut tre chipkonstruktioner för tillverkning, producerat över 70 000 chip och installerat 12 rack. Företaget rapporterar att det har över 30 kunder världen över och att intäkterna fyrdubblades mellan 2024 och 2025, med fortsatt tillväxt under 2026.

Bolagets nuvarande system används både för högpresterande databehandling och AI. Företaget uppger att glesa lösare är 10 gånger snabbare, att energiförbrukningen är 18 gånger lägre för händelsebaserad maskininlärning och att optimeringstiderna är 20 gånger kortare för utvalda arbetsbelastningar. Resultaten gäller specifika tillämpningar på företagets befintliga system; siffran på upp till 44 gånger snabbare inferens är ett mål för nästa generations teknik i extremt glesa modeller.

Den skillnaden är central för finansieringen. Sparxity tillverkar och installerar redan system, medan A-rundan ska stödja nästa steg: hårdvara som är särskilt utformad för dynamisk sparsitet vid AI-inferens.

Jülich visar ett konkret exempel på en installation

Jülichs superdatorcentrum beskriver oberoende ett SpiNNaker2-system från Sparxity med två rack, kallat JUBIS och installerat i april 2026. Det består av 4 320 chip och 656 640 ARM-kärnor med neuromorfiska acceleratorer.

JUBIS stöder Jülichs projekt Event-based Supercomputer for AI and Beyond, som utforskar AI i realtid, simuleringar inom neurovetenskap och andra arbetsbelastningar, exempelvis emulering av kvantdatorer. Projektet omfattar även prestandamätningar, prototypframtagning för tillämpningar och programvaruutveckling, så att systemet blir användbart i en bredare miljö för högpresterande databehandling.

Den utrullningen visar varför en datorarkitektur behöver mer än en chipspecifikation. Forskare behöver verktyg, gränssnitt och ett sätt att integrera systemet i sitt befintliga arbete. Sparxitys helhetslösning sträcker sig från specialutvecklade kretsar till installationer med flera rack.

En väg in i europeiska datacenter

Sparxity samarbetar också med T-Systems om en möjlig väg in i kommersiella datacenter. I Deutsche Telekoms tillkännagivande den 3 november beskrivs en undertecknad avsiktsförklaring om att kombinera Sparxitys teknik med T-Systems infrastruktur och operativa expertis.

Den planerade processen inleds med befintlig hårdvara för att utveckla metoder för teknisk integrering, följt av en utrullning av nästa generations chip, planerad till 2028. Parterna räknar med att komma överens om ytterligare detaljer under de kommande månaderna.

För Sparxity stöder det nya kapitalet en förflyttning från att visa vad gles beräkning kan åstadkomma i specialiserade system till att ta en större roll inom AI-infrastruktur. Företagets tes är att framtida förbättringar kommer att bygga på att utföra mindre onödigt arbete – och på att utforma hårdvara, programvara och modeller tillsammans, så att besparingarna leder till användbar prestanda.