d-Matrix ซื้อ Wallaroo เพื่อจัดการการอนุมานข้ามชิป

d-Matrix ได้ซื้อ Wallaroo.ai ซึ่งเป็นผู้ผลิตซอฟต์แวร์สำหรับการติดตั้งและจัดการการอนุมาน AI ในข้อตกลงที่บริษัทชิปในซานตาคลารา ประกาศเมื่อวันที่ 3 สิงหาคม 2026 การซื้อครั้งนี้นำพาแพลตฟอร์มของ Wallaroo, สิทธิ์ในทรัพย์สินและพนักงานวิศวกรเข้าสู่ d-Matrix และเป็นการซื้อกิจการครั้งที่สองของ d-Matrix ในช่วงสี่เดือน

เหตุผลนี้เกิดจากวิธีการขายซิลิคอนของ d-Matrix อะค์เซลเลเตอร์ Corsair ได้รับการออกแบบมาเพื่อรันข้างๆ GPU ไม่ใช่แทนที่พวกมัน โดยการรับ phase การถอดรหัสของคำขอแบบจำลองภาษา ซึ่งเป็นส่วนหนึ่งของการรับข้อมูลที่ปล่อยโทเค็นออกมาหนึ่งครั้งต่อครั้ง ในขณะที่ GPU จัดการกับการคำนวณหนัก prefill การทำให้การแบ่งนี้ทำงานในคลัสเตอร์แบบสดๆ เป็นงานของซอฟต์แวร์ ซึ่งต้องมีบางสิ่งที่ตัดสินใจว่าชิปไหนจะได้รับส่วนไหนของคำขอแต่ละครั้ง มอบหมายบริบทที่สะสมระหว่างพวกมัน และปรับขนาดทั้งสองระดับอิสระตามการเปลี่ยนแปลงของการรับข้อมูล นั่นคือสิ่งที่ d-Matrix เพิ่งซื้อมา

สิ่งที่ Wallaroo นำมา

Wallaroo ขาย runtime การให้บริการและเครื่องบินควบคุมที่ห่อโมเดลและผลักดันพวกมันไปยังฮาร์ดแวร์ x86, Arm และ GPU ทั่วคลาวด์, ระบบในองค์กร, เอดจ์ และสภาพแวดล้อมที่แยกออกจากกันโดยสิ้นเชิง โดยมีการสนับสนุนสำหรับ runtime LLM ทั่วไป รวมถึง vLLM และ SGLang ทีมวิศวกรรม, ผลิตภัณฑ์ และการตลาดของ Wallaroo จะเข้าร่วม d-Matrix ซึ่งอ้างถึงงานของพวกเขาในด้านสถาปัตยกรรมซอฟต์แวร์, การคำนวณประสิทธิภาพสูง และการดำเนินการ Kubernetes

ทั้งสองบริษัทได้อธิบายสถาปัตยกรรมเดียวกันแล้ว ใน โพสต์วิศวกรรมเมื่อวันที่ 16 มีนาคม 2026 ผู้ก่อตั้งและซีอีโอของ Wallaroo Vid Jain และเพื่อนร่วมงานสองคนได้นำเสนอกรณีสำหรับการแบ่ง prefill จากการถอดรหัสข้ามซิลิคอนที่ผสมผสานกัน การรับข้อมูลแบบ agentic มาในสามขนาด: ประมาณ 84% ของคำขอขนาดเล็กประมาณ 2,000 โทเค็น, ประมาณ 15% ในช่วง 8,000 ถึง 64,000 โทเค็น และน้อยกว่า 1% ที่ 128,000 โทเค็นหรือมากกว่า ส่วนที่สุดท้ายครอบครองเวลา GPU และบล็อกทุกสิ่งที่อยู่ในคิวเบื้องหลัง การกำหนดเส้นทางที่ตระหนักถึงแคชเพียงอย่างเดียว ลดเวลาในการรับโทเค็นแรกในกรณีที่แย่ที่สุดลง 75% ในการรับข้อมูลแบบ agentic ในการทดสอบของตนเอง

Sid Sheth ผู้ก่อตั้งและซีอีโอของ d-Matrix กล่าวว่าลูกค้าได้บอกบริษัทว่าปัญหาที่ยิ่งใหญ่ที่สุด “ไม่ใช่แค่ประสิทธิภาพ แต่ยังเป็นความซับซ้อนในการดำเนินงานในการไปถึงที่นั่น” Jain กล่าวว่าทั้งสองมีมุมมองที่ว่าการอนุมานเป็นปัญหาในการติดตั้งเช่นเดียวกับซิลิคอน

สองข้อตกลงในสี่เดือน

d-Matrix ได้ซื้อชิ้นส่วนของระบบการอนุมานที่ไม่ได้สร้างขึ้น ในเดือนเมษายน 2026 ได้ ซื้อกิจการธุรกิจศูนย์ข้อมูลของ GigaIO โดยรับระบบ SuperNODE และฟาบริกเมมโมรีแบบ PCIe ของ FabreX พร้อมทั้งทีมระบบระดับแร็คในคาร์ลสแบด, แคลิฟอร์เนีย ในขณะที่ GigaIO ดำเนินการต่อในด้านการคำนวณแบบเอดจ์ Corsair เอง เข้าสู่การผลิตเต็มรูปแบบเมื่อวันที่ 9 มิถุนายน 2026 โดยผลิตโดย Alchip บนโหนด N6 ของ TSMC โดยใช้ชิปเล็ตการคำนวณในหน่วยความจำ SRAM บนซับสเตรตออร์แกนิกพร้อมหน่วยความจำ LP-DDR5 แทนที่จะเป็น HBM สแต็คและแพ็คเกจ CoWoS ในแร็คที่รันแบบระบายความร้อน

การชำระเงินสำหรับการซื้อนี้คือ เงิน 275 ล้านดอลลาร์จาก Series C ที่ปิดเมื่อวันที่ 12 พฤศจิกายน 2025 ในมูลค่า 2 พันล้านดอลลาร์ โดยมี BullhoundCapital, Triatomic Capital และ Temasek เป็นผู้นำการระดมทุน บริษัทยังได้สร้างพันธมิตรรอบๆ แพลตฟอร์ม รวมถึง การร่วมมือโครงสร้างพื้นฐาน AI ความหน่วงต่ำกับ Infineon

การซื้อชั้นการ_deploy เป็นการเคลื่อนไหวมาตรฐานสำหรับทุกคนที่ขายการคำนวณที่ไม่ใช่ Nvidia (NVDA ) Qualcomm ปิดการซื้อ compiler startup Modular (QCOM ) ในเดือนกรกฎาคม 2026 Nscale ซื้อ Anyscale เพื่อย้ายขึ้นไปบน chồngการคำนวณ AI ในเดือนเดียวกัน และ Nebius ตกลงซื้อ Eigen AI ในข้อตกลงมูลค่า 643 ล้านดอลลาร์ เพื่อเสริมสร้างโครงสร้างพื้นฐานการอนุมาน ซิลิคอนที่ต้องการซอฟต์แวร์สแต็กที่สองเพื่อเป็นประโยชน์จะแพ้ซิลิคอนที่จัดส่งพร้อมซอฟต์แวร์สแต็ก

ที่ที่การผสมผสานได้รับการทดสอบ

จุดพิสูจน์เชิงพาณิชย์จนถึงตอนนี้คือ Parasail ซึ่งเป็นคลาวด์การอนุมานที่ประกาศเมื่อวันที่ 7 กรกฎาคม 2026 ว่าจะ ติดตั้ง Corsair ข้างๆ กองเรือ NVIDIA Hopper และ Blackwell โดยส่ง prefill ไปยัง GPU และการถอดรหัสไปยังอะค์เซลเลเตอร์ข้ามเครือข่ายที่ดึงจากศูนย์ข้อมูลมากกว่า 40 แห่งใน 15 ประเทศ เทคโนโลยีการกำหนดเส้นทางของ Parasail ทำหน้าที่ส่งต่อที่นั่น ซึ่งเป็นฟังก์ชันที่ d-Matrix เป็นเจ้าของในบ้าน

กรณีประสิทธิภาพพึ่งพาผลลัพธ์ที่วัดและแบบจำลองที่เผยแพร่โดย Gimlet Labs เมื่อวันที่ 11 มีนาคม 2026 โดยการรัน gpt-oss-120b ด้วยโมเดล 1.6 พันล้านพารามิเตอร์ บริษัทได้ย้ายขั้นตอนการถอดรหัสแบบคาดเดาไปจาก GPU และไปยัง Corsair ในขณะที่ prefill และการยืนยันอยู่บน GPU และรายงานว่าการร้องขอแบบ end-to-end เร็วขึ้น 2 ถึง 10 เท่าในประสิทธิภาพการใช้พลังงานที่ตรงกัน Gimlet ให้เครดิตการเพิ่มขึ้นแก่การ์ด 2GB ของ SRAM บนชิปและแบนด์วิธหน่วยความจำประมาณ 150 TB/s ซึ่งช่วยให้โมเดลร่างสร้างโทเค็น候補ได้อย่างรวดเร็วเพื่อให้การเดาครั้งล้มเหลวไม่เสียค่าใช้จ่ายมากนัก หนึ่งในผู้เขียนร่วมของโพสต์คือ Sudeep Bhoja ซึ่งเป็นประธานฝ่ายเทคนิคของ d-Matrix

Corsair กำลังจัดส่งในปริมาณมากไปยังลูกค้าสำคัญ และ d-Matrix กำลังจ้างวิศวกรในหลายสาขาเมื่อทั้งสององค์กรรวมกัน ผู้ซื้อรุ่นต่อไปของแร็คที่ผสมผสาน GPU และอะค์เซลเลเตอร์จะพิจารณาจากว่าโมเดลจะไปจากการประเมินไปยังการรับข้อมูลจริงได้เร็วแค่ไหน และนาฬิกานั้นปัจจุบันทำงานบนซอฟต์แวร์ที่ d-Matrix เป็นเจ้าของ