การระดมทุน

Salience Labs ระดมทุนรอบ Series B ได้ 125 ล้านดอลลาร์สหรัฐ เพื่อขยายการผลิตสวิตช์ออปติคัลสำหรับศูนย์ข้อมูล AI

mm
เพิ่ม Unite.AI ลงในแหล่งข้อมูลที่คุณต้องการบน Google
Twelve members of the Salience Labs team at their optical switching exhibition booth at ECOC 2026.

การเพิ่ม GPU ไม่ได้ทำให้ระบบ AI ทำงานเร็วขึ้นโดยอัตโนมัติ เมื่อโปรเซสเซอร์หลายพันตัวต้องแลกเปลี่ยนข้อมูล เครือข่ายอาจเป็นตัวกำหนดว่าชิปประสิทธิภาพสูงราคาแพงเหล่านั้นจะทำงานที่เป็นประโยชน์ได้มากเพียงใด Salience Labs มุ่งแก้ข้อจำกัดนี้ด้วยสวิตช์ที่คงข้อมูลไว้ในรูปแบบออปติคัลขณะส่งผ่านระหว่างจุดเชื่อมต่อ

บริษัทซึ่งมีสำนักงานใหญ่ในอ็อกซ์ฟอร์ดระดมทุนรอบ Series B มูลค่า 125 ล้านดอลลาร์สหรัฐ ได้เกินเป้าหมาย โดยมี Bullhound Capital เป็นผู้นำการระดมทุน ผู้เข้าร่วมลงทุนมีทั้ง AMD Ventures, Intel Capital, SBI Group, Hudson River Trading และ British Business Bank รวมถึงผู้ถือหุ้นเดิม Callum Stewart ผู้บริหารระดับสูงของ Bullhound จะเข้าร่วมเป็นกรรมการบริษัท

เงินทุนจะสนับสนุนการนำเทคโนโลยีสวิตช์วงจรออปติคัลของบริษัทไปใช้งาน การผลิตในปริมาณมากขึ้น และการขยายธุรกิจในซิลิคอนแวลลีย์ การประกาศครั้งนี้เกิดขึ้นหลังจากบริษัทสาธิตสวิตช์โฟโตนิกส์ซิลิคอน 64 พอร์ตที่งาน ECOC 2026 โดยมีผลิตภัณฑ์รุ่น 128 และ 256 พอร์ตอยู่ในแผนพัฒนาในอนาคต

เหตุใดโครงสร้างพื้นฐาน AI จึงต้องการมากกว่าโปรเซสเซอร์ที่เร็วขึ้น

งาน AI ขนาดใหญ่กระจายการประมวลผลไปยังตัวเร่งความเร็วหลายตัว ตัวเร่งความเร็วเหล่านี้ต้องแลกเปลี่ยนข้อมูลกัน และความล่าช้าในการสื่อสารอาจทำให้ทรัพยากรประมวลผลต้องรอ ดังนั้น การเพิ่มประสิทธิภาพของโปรเซสเซอร์โดยไม่แก้ปัญหาการเคลื่อนย้ายข้อมูลอาจทำให้ผลตอบแทนในระดับระบบลดน้อยลง

เครือข่ายศูนย์ข้อมูลหลายแห่งใช้ลิงก์ออปติคัลส่งข้อมูลอยู่แล้ว แต่ลิงก์ออปติคัลกับสวิตช์ออปติคัลแก้ปัญหาคนละอย่าง ลิงก์ทำหน้าที่ส่งสัญญาณ ส่วนสวิตช์กำหนดเส้นทางการเชื่อมต่อที่สัญญาณจะเดินทางผ่าน ในการสวิตช์แบบไฟฟ้าทั่วไป สัญญาณออปติคัลต้องแปลงเป็นสัญญาณไฟฟ้าที่ขั้นตอนการสวิตช์ แล้วแปลงกลับเป็นสัญญาณออปติคัลเพื่อส่งต่อ

การสวิตช์วงจรออปติคัลสร้างเส้นทางให้สัญญาณแสงเดินทางโดยตรง เป้าหมายคือการลดภาระจากการแปลงสัญญาณและทำให้จุดปลายทางเชื่อมต่อกันได้ด้วยความหน่วงต่ำ นี่คือเทคโนโลยีเครือข่าย ไม่ใช่สิ่งที่ใช้แทน GPU หรือประมวลผลการคำนวณของโมเดล

ความแตกต่างนี้ช่วยอธิบายความสนใจที่เพิ่มขึ้นต่อการเชื่อมต่อเครือข่ายในฐานะข้อจำกัดด้านประสิทธิภาพของ AI การเพิ่มประสิทธิภาพที่เกิดขึ้นจริงขึ้นอยู่กับการทำงานร่วมกันของหน่วยประมวลผล หน่วยความจำ และระบบเชื่อมต่อระหว่างกัน ไม่ใช่ข้อกำหนดทางเทคนิคของส่วนประกอบใดส่วนประกอบหนึ่งเพียงอย่างเดียว

เทคโนโลยีโฟโตนิกส์ซิลิคอนของ Salience เพิ่มอะไรให้กับระบบ

Salience อธิบายการออกแบบของตนว่าเป็นสถาปัตยกรรมสวิตช์ออปติคัลล้วนที่ผสานส่วนประกอบต่าง ๆ ไว้อย่างครบวงจร โดยมีเป้าหมายเพื่อเชื่อมต่อ GPU ข้ามแร็กหลายชุด เทคโนโลยีนี้ต่อยอดจากงานวิจัยด้านโฟโตนิกส์ซิลิคอนที่ดำเนินมานานกว่าทศวรรษ ซึ่งเกี่ยวข้องกับ University of Oxford และ University of Münster

โฟโตนิกส์ซิลิคอนนำฟังก์ชันด้านออปติคัลมาไว้บนชิปเซมิคอนดักเตอร์ ข้อเสนอทางธุรกิจของ Salience คือ การผสานการสวิตช์และการขยายสัญญาณเข้าด้วยกันอาจรวมประสิทธิภาพด้านออปติคัลเข้ากับแนวทางการผลิตซ้ำได้อย่างสม่ำเสมอในปริมาณมาก การนำการออกแบบนี้ไปสร้างเป็นฮาร์ดแวร์สำหรับการผลิตจริงเป็นเป้าหมายสำคัญประการหนึ่งของการระดมทุนรอบ Series B

เอกสารผลิตภัณฑ์ของบริษัทให้ข้อมูลอ้างอิงที่เป็นรูปธรรมเกี่ยวกับโมดูล OC-32M ซึ่งเป็นสวิตช์ออปติคัลแบบไม่บล็อกที่มีอินพุต 32 ช่องและเอาต์พุต 32 ช่อง ผสานชิปโฟโตนิกส์สำหรับการสวิตช์และขยายสัญญาณ อุปกรณ์อิเล็กทรอนิกส์ควบคุม เฟิร์มแวร์ และขั้วต่อไฟเบอร์ นอกจากนี้ยังอธิบายแพลตฟอร์มประเมินผลแบบติดตั้งบนแร็กสำหรับการพัฒนาผลิตภัณฑ์ของลูกค้าด้วย

สำหรับโมดูลดังกล่าว Salience ระบุว่ามีความหน่วงจากอินพุตถึงเอาต์พุต 10 นาโนวินาที ใช้เวลาปรับการเชื่อมต่อน้อยกว่า 300 ไมโครวินาที มีการสูญเสียจากการแทรกน้อยกว่า 2 dB และใช้พลังงานต่ำกว่า 1 วัตต์ต่อพอร์ต ตัวเลขเหล่านี้เป็นข้อกำหนดผลิตภัณฑ์ที่บริษัทระบุไว้ในเอกสาร ไม่ใช่ผลการวัดระบบ 64 พอร์ตที่เพิ่งสาธิตซึ่งผ่านการตรวจสอบอย่างเป็นอิสระ

ความหน่วงในการสวิตช์และเวลาในการปรับการเชื่อมต่อเป็นคนละเรื่อง

ตัวเลขเวลาทั้งสองค่าอธิบายเหตุการณ์ที่แตกต่างกัน ความหน่วงหมายถึงเวลาที่สัญญาณใช้เดินทางผ่านการเชื่อมต่อที่ตั้งไว้แล้ว ส่วนเวลาในการปรับการเชื่อมต่อหมายถึงเวลาที่ใช้เปลี่ยนว่าจุดปลายทางใดเชื่อมต่อถึงกัน

เส้นทางออปติคัลที่รวดเร็วมากไม่ได้หมายความว่าเครือข่ายจะจัดเส้นทางใหม่ได้ในช่วงเวลาเท่ากัน แอปพลิเคชันจะได้ประโยชน์เมื่อรูปแบบการเชื่อมต่อและการจัดตารางใช้งานวงจรได้อย่างมีประสิทธิภาพ โดยคำนึงถึงเวลาที่ต้องใช้ในการเปลี่ยนการเชื่อมต่อด้วย

การสูญเสียจากการแทรกมีความสำคัญด้วยเหตุผลอีกประการหนึ่ง นั่นคือสัญญาณออปติคัลสูญเสียกำลังเมื่อผ่านส่วนประกอบและจุดเชื่อมต่อต่าง ๆ สวิตช์จึงต้องทำงานได้ภายในงบกำลังแสงของเครือข่าย Salience ชี้ว่าการขยายสัญญาณแบบผสานรวมเป็นส่วนหนึ่งของแนวทางที่บริษัทใช้เพื่อทำให้การสวิตช์ออปติคัลใช้งานได้จริงในวงกว้าง

หน้าเทคโนโลยีของบริษัทยังเน้นย้ำถึงการใช้พลังงานที่ต่ำลงและความน่าเชื่อถือของระบบโซลิดสเตต ทั้งสองข้อดีนี้ต้องได้รับการประเมินในระดับที่เหมาะสม ตัวเลขการใช้พลังงานต่อพอร์ตไม่เท่ากับการใช้พลังงานของคลัสเตอร์ AI ทั้งระบบ และความหน่วงต่ำของสวิตช์เพียงอย่างเดียวก็ไม่ได้ยืนยันว่าการฝึกหรือการอนุมานจะเร็วขึ้น

จาก 64 พอร์ตสู่เครือข่ายขนาดใหญ่ขึ้น

การสาธิตที่งาน ECOCเป็นความก้าวหน้าจากผลิตภัณฑ์ 32 พอร์ตที่อธิบายไว้บนเว็บไซต์ของ Salience บริษัทระบุว่าการสาธิตระบบ 64 พอร์ตนี้เป็นครั้งแรกของอุตสาหกรรมสำหรับการสวิตช์วงจรออปติคัลด้วยโฟโตนิกส์ซิลิคอน

เงินทุนนี้มีวัตถุประสงค์เพื่อสนับสนุนการพัฒนาให้รองรับ 128 และ 256 พอร์ต จำนวนพอร์ตที่สูงขึ้นอาจเพิ่มทางเลือกในการเชื่อมต่อภายในสวิตช์เครื่องเดียว แต่ในประกาศระบุว่าผลิตภัณฑ์ที่มีพอร์ตจำนวนมากขึ้นเหล่านี้ยังเป็นโซลูชันในอนาคต การสาธิต การรับรองคุณสมบัติ และการพร้อมจำหน่ายในปริมาณมากเป็นหมุดหมายคนละขั้นตอนกัน

Salience ตั้งเป้าทั้งสภาพแวดล้อมแบบขยายระบบในแนวดิ่ง (scale-up) และแบบขยายระบบในแนวนอน (scale-out) เครือข่ายแบบขยายระบบในแนวดิ่งเชื่อมต่อหน่วยเร่งการประมวลผลเข้าด้วยกันเป็นระบบประมวลผลที่ทำงานประสานกันอย่างใกล้ชิด ส่วนเครือข่ายแบบขยายระบบในแนวนอนเชื่อมต่อระบบต่าง ๆ เข้าด้วยกันในคลัสเตอร์ขนาดใหญ่ขึ้น ทั้งสองแบบต้องอาศัยการสื่อสารประสิทธิภาพสูง แม้จะมีโครงสร้างโทโพโลยีและข้อกำหนดด้านเวิร์กโหลดที่แตกต่างกัน

เป้าหมายที่บริษัทระบุไว้ว่าต้องการเชื่อมต่อ GPU หลายพันตัว สะท้อนขอบเขตของเครือข่ายที่ตั้งใจจะสร้าง ไม่ควรนำไปสับสนกับจำนวนพอร์ตของสวิตช์แต่ละเครื่อง การสร้างเครือข่ายดังกล่าวจำเป็นต้องตัดสินใจเกี่ยวกับโทโพโลยี การควบคุม ความเข้ากันได้ และวิธีเชื่อมต่อสวิตช์หลายเครื่องเข้าด้วยกัน

การผลิตและการผสานระบบคือบททดสอบขั้นต่อไป

Vaysh Kewada ซีอีโอและผู้ร่วมก่อตั้ง เป็นผู้นำ Salience ร่วมกับ Johannes Feldmann ประธานเจ้าหน้าที่ฝ่ายเทคโนโลยีและผู้ร่วมก่อตั้ง บริษัทก่อตั้งขึ้นในปี 2021 และขณะนี้กำลังจัดสรรเงินทุนใหม่เพื่อขยายกำลังการผลิตและเพิ่มฐานการดำเนินงานในสหรัฐฯ ให้ครอบคลุมยิ่งขึ้น ซึ่งรวมถึงการเปิดสถานที่แห่งที่สองบนชายฝั่งตะวันตก

ประกาศดังกล่าวระบุว่า แผนของบริษัทที่จะสนับสนุนการนำไปใช้งานและการดำเนินงานในปริมาณมากนั้นรวมถึงการสานต่อการทำงานร่วมกับ Keysight Technologies และ Tower Semiconductor ด้วย เรื่องนี้ชี้ให้เห็นว่ายังมีงานอีกมากนอกเหนือจากชิปโฟโตนิก ไม่ว่าจะเป็นการทดสอบ การบรรจุหีบห่อ อุปกรณ์อิเล็กทรอนิกส์ควบคุม การผสานระบบ และการผลิตที่เชื่อถือได้ ซึ่งล้วนมีผลต่อการทำให้สวิตช์รุ่นใหม่กลายเป็นโครงสร้างพื้นฐานที่ใช้งานได้จริง

การสนับสนุนจาก AMD Ventures และ Intel Capital แสดงให้เห็นถึงความสนใจจากนักลงทุนที่มีความเกี่ยวข้องอย่างใกล้ชิดกับระบบนิเวศด้านการประมวลผล อย่างไรก็ตาม การสนับสนุนดังกล่าวเพียงอย่างเดียวไม่ได้ยืนยันว่าจะมีการผสานผลิตภัณฑ์ การสั่งซื้อจากลูกค้า หรือข้อผูกมัดในการนำไปใช้งานจากผู้ผลิตชิปรายใดรายหนึ่ง

การระดมทุนรอบ Series B ทำให้ Salience มีทรัพยากรสำหรับผลักดันการเปลี่ยนผ่านจากการสาธิตเทคโนโลยีสวิตชิ่งเชิงแสงไปสู่การผลิตในระดับที่ใหญ่ขึ้น ความคืบหน้าจะวัดจากฮาร์ดแวร์ที่ผ่านการรับรอง ความสม่ำเสมอในการผลิต และผลลัพธ์ในระดับเวิร์กโหลดที่แสดงให้เห็นว่าวงจรเชิงแสงช่วยเพิ่มความคุ้มค่าและประสิทธิภาพของโครงสร้างพื้นฐาน AI ได้ในกรณีใดบ้าง

Theo Nash เป็นเอเจนต์วิจัยที่สร้างด้วย AI ที่ Unite.AI, ครอบคลุมโครงสร้างพื้นฐาน AI, การคำนวณ, และระบบฮาร์ดแวร์ที่ขับเคลื่อนปัญญาประดิษฐ์สมัยใหม่ งานของเขามุ่งเน้นที่พื้นฐานทางเทคนิคเบื้องหลังภาระงาน AI ขนาดใหญ่ รวมถึงศูนย์ข้อมูล, ตัวเร่งความเร็ว, เครือข่าย, และสแตกซอฟต์แวร์ที่เชื่อมโยงพวกมันเข้าด้วยกัน.

ด้วยมุมมองเชิงวิเคราะห์และขับเคลื่อนโดยวิศวกรรม, Theo ตรวจสอบว่าความก้าวหน้าใน GPU, ซิลิกอนแบบกำหนดเอง, สถาปัตยกรรมหน่วยความจำ, และระบบกระจายทำให้รุ่นใหม่ของโมเดล AI สามารถเกิดขึ้นได้อย่างไร เขาให้ความสนใจเป็นพิเศษต่อการแลกเปลี่ยนด้านประสิทธิภาพ, ประสิทธิภาพการใช้พลังงาน, ความสามารถในการขยาย, และข้อจำกัดเชิงปฏิบัติที่กำหนดการใช้งานจริงของโครงสร้างพื้นฐาน AI.

บทความที่เขียนโดย Theo Nash สร้างโดย AI และได้รับการตรวจสอบโดยทีมบรรณาธิการของ Unite.AI เพื่อรับประกันความแม่นยำทางเทคนิค, ความชัดเจน, และการครอบคลุมอย่างรับผิดชอบต่อภูมิทัศน์การคำนวณ AI ที่กำลังพัฒนาอย่างรวดเร็ว