Sparxity ปิดการระดมทุนรอบ Series A ดันยอดเงินทุนรวมสำหรับการประมวลผล AI แบบเบาบางแตะ 90 ล้านดอลลาร์สหรัฐ

Sparxity บริษัทด้านการประมวลผลจากเมืองเดรสเดิน ซึ่งเดิมใช้ชื่อ SpiNNcloud ปิดการระดมทุนรอบ Series A ได้สำเร็จ ส่งผลให้เงินทุนสะสมที่ทีมระดมได้มีมูลค่ารวม 90 ล้านดอลลาร์สหรัฐ เงินลงทุนนี้จะสนับสนุนการพัฒนาชิปเฉพาะทางที่ออกแบบมาสำหรับความเบาบางแบบไดนามิกระดับละเอียด ซึ่งเป็นแนวทางที่มุ่งประมวลผล AI เฉพาะส่วนของโมเดลที่จำเป็นต่องานแต่ละประเภท

การระดมทุนรอบนี้นำโดย ICM HPQC Fund โดยมีผู้ลงทุนรายอื่น ได้แก่ Lockheed Martin Ventures, GlobalFoundries, GS Futures, Cloudberry Ventures, TGFS และ EIC Fund นักลงทุนรายบุคคลประกอบด้วย Richard Socher และ Nancy Xu พร้อมด้วยการสนับสนุนอย่างต่อเนื่องจาก Atlantic และ Silicon Catalyst ทั้งนี้ Sparxity ไม่ได้เปิดเผยวงเงินระดมทุนรอบ Series A แยกจากยอดเงินทุนสะสม

บริษัทตั้งเป้าทำให้โมเดล AI ที่มีความเบาบางมากขึ้นเรื่อย ๆ สามารถนำไปใช้งานจริงในวงกว้างได้ ฮาร์ดแวร์รุ่นถัดไปตั้งเป้าให้การอนุมานในโมเดลที่เบาบางมากเร็วขึ้นสูงสุด 44 เท่า โดยต่อยอดจากธุรกิจระบบประมวลผลแบบเบาบางที่ดำเนินการเชิงพาณิชย์อยู่แล้ว

เหตุใดโมเดลแบบเบาบางจึงต้องใช้ฮาร์ดแวร์ที่แตกต่าง

ในโครงข่ายประสาทเทียมแบบหนาแน่น การประมวลผลจำนวนมากจะกระจายไปยังพารามิเตอร์จำนวนมาก ส่วนสถาปัตยกรรมแบบเบาบางจะเลือกเปิดใช้งานบางส่วนของโมเดล ซึ่งอาจเพิ่มขีดความสามารถโดยรวมของโมเดลได้ โดยไม่ต้องให้พารามิเตอร์ทุกตัวมีส่วนร่วมในการคำนวณทุกครั้ง

การทำให้แนวทางนี้เกิดขึ้นจริงทำได้ยากขึ้น เมื่อการเลือกส่วนต่าง ๆ มีความละเอียดสูงมากและเปลี่ยนไปตามข้อมูลนำเข้า ฮาร์ดแวร์ต้องส่งงานไปยังทรัพยากรที่เหมาะสมและเคลื่อนย้ายข้อมูลที่เกี่ยวข้องได้อย่างมีประสิทธิภาพ การลดการคำนวณทางคณิตศาสตร์จะเป็นประโยชน์ก็ต่อเมื่อต้นทุนในการค้นหา จัดตารางเวลา และสื่อสารงานส่วนที่เหลือ ไม่ได้ลบล้างประโยชน์ที่ได้

ภาพรวมเทคโนโลยีของ Sparxity วางกรอบสถาปัตยกรรมของบริษัทไว้เพื่อรับมือกับปัญหานี้ โดยชี้ให้เห็นถึงการเลือกส่วนต่าง ๆ อย่างละเอียดขึ้นในระดับผู้เชี่ยวชาญ หน่วยความจำ และกลไกความสนใจ บริษัทกำลังพัฒนาชิปและซอฟต์แวร์ควบคู่กัน เพื่อให้ผู้สร้างโมเดลใช้โครงสร้างแบบเบาบางที่ทำงานได้ไม่คล่องตัวเมื่อประมวลผลบนฮาร์ดแวร์ซึ่งออกแบบมาโดยเน้นการคำนวณแบบหนาแน่นเป็นหลัก

Hector Gonzalez ผู้ร่วมก่อตั้งและประธานเจ้าหน้าที่บริหารของ Sparxity กล่าวว่า “ยุคถัดไปของ AI จะไม่ได้ถูกกำหนดด้วยปริมาณกำลังประมวลผลที่เราส่งมอบได้เท่านั้น แต่ยังขึ้นอยู่กับว่าเราใช้กำลังประมวลผลนั้นอย่างชาญฉลาดและมีประสิทธิภาพเพียงใด” เขากล่าวว่าเงินทุนรอบนี้จะช่วยเร่งการพัฒนาซิลิคอนเฉพาะทางสำหรับภาระงานที่เบาบางมากในศูนย์ข้อมูลแบบไฮเทอโรจีนัส

จากผู้เชี่ยวชาญนับล้านสู่การประมวลผลแบบเลือกเฉพาะ

แนวทางการวิจัยหนึ่งที่อยู่เบื้องหลังกลยุทธ์นี้คือ PEER หรือการดึงผู้เชี่ยวชาญอย่างมีประสิทธิภาพด้านพารามิเตอร์ ในงานวิจัยเรื่อง ส่วนผสมของผู้เชี่ยวชาญหนึ่งล้านราย นักวิจัย Xu Owen He อธิบายชั้นหนึ่งของโมเดลที่ดึงผู้เชี่ยวชาญขนาดเล็กเพียงบางส่วนจากคลังที่มีผู้เชี่ยวชาญมากกว่าหนึ่งล้านราย การทดลองกับงานด้านการสร้างแบบจำลองภาษาได้ศึกษาว่าแนวทางนี้เปลี่ยนความสัมพันธ์ระหว่างประสิทธิภาพของโมเดลกับต้นทุนการประมวลผลอย่างไร

หลักการคือเพิ่มขอบเขตสิ่งที่โมเดลเลือกนำมาใช้ได้ โดยไม่ต้องประมวลผลผู้เชี่ยวชาญทั้งหมดในคลังสำหรับข้อมูลนำเข้าแต่ละรายการ การเปลี่ยนประสิทธิภาพในระดับโมเดลให้เป็นเวลาแฝงและการใช้พลังงานที่ลดลงนั้น จำเป็นต้องมีระบบที่รองรับงานย่อยระดับละเอียดซึ่งเกิดขึ้นตามมาได้

He ซึ่งเคยเป็นนักวิจัยที่ Google DeepMind และปัจจุบันเป็นที่ปรึกษาด้านกลยุทธ์ของ Sparxity กล่าวว่า การออกแบบโมเดล กระบวนการกลั่นกรองโมเดล และฮาร์ดแวร์ร่วมกันโดยคำนึงถึงความเบาบาง สามารถปลดล็อกประสิทธิภาพการประมวลผลเพิ่มเติมได้ นี่คือความเชื่อมโยงที่เงินทุนรอบใหม่มีเป้าหมายจะพัฒนาต่อยอด กล่าวคือ โมเดลที่เลือกใช้งานได้อย่างเฉพาะเจาะจงยิ่งขึ้น จับคู่กับฮาร์ดแวร์ที่ประมวลผลการเลือกเหล่านั้นได้

ฐานธุรกิจก่อนชิปถัดไป

Sparxity ระบุว่ารากฐานของบริษัทประกอบด้วยการส่งแบบชิปเข้าสู่กระบวนการผลิต 3 ครั้ง ผลิตชิปแล้วมากกว่า 70,000 ชิ้น และติดตั้งแร็กแล้ว 12 แร็ก บริษัทมีลูกค้ามากกว่า 30 รายทั่วโลก และรายได้เพิ่มขึ้นเป็น 4 เท่าระหว่างปี 2024 ถึง 2025 โดยยังเติบโตต่อเนื่องในปี 2026

ระบบปัจจุบันของบริษัทรองรับทั้งการประมวลผลสมรรถนะสูงและ AI บริษัทระบุว่า ตัวแก้ปัญหาแบบเบาบางทำงานเร็วขึ้น 10 เท่า การเรียนรู้ของเครื่องแบบอิงเหตุการณ์ใช้พลังงานน้อยลง 18 เท่า และระยะเวลาการทำงานของการหาค่าเหมาะที่สุดสั้นลง 20 เท่าในภาระงานที่เลือกไว้ ผลลัพธ์เหล่านี้เป็นผลจากการใช้งานเฉพาะด้านบนระบบที่มีอยู่แล้ว ส่วนตัวเลขการอนุมานที่เร็วขึ้นสูงสุด 44 เท่าเป็นเป้าหมายของเทคโนโลยีรุ่นถัดไปสำหรับโมเดลที่เบาบางมาก

ความแตกต่างนี้เป็นหัวใจสำคัญของเรื่องราวการระดมทุน Sparxity ผลิตและติดตั้งระบบอยู่แล้ว ขณะที่เงินทุนรอบ Series A จะสนับสนุนการก้าวต่อไปสู่การพัฒนาฮาร์ดแวร์ที่ออกแบบมาโดยเฉพาะสำหรับความเบาบางแบบไดนามิกในการอนุมาน AI

Jülich เป็นตัวอย่างการติดตั้งใช้งานที่เป็นรูปธรรม

ศูนย์ซูเปอร์คอมพิวเตอร์ Jülichให้ข้อมูลโดยอิสระเกี่ยวกับระบบ SpiNNaker2 จาก Sparxity ชื่อ JUBIS ซึ่งประกอบด้วยแร็ก 2 ชุด และติดตั้งในเดือนเมษายน 2026 ระบบนี้มีชิป 4,320 ชิ้นและแกนประมวลผล ARM 656,640 แกน พร้อมตัวเร่งการประมวลผลแบบนิวโรมอร์ฟิก

JUBIS รองรับโครงการซูเปอร์คอมพิวเตอร์แบบอิงเหตุการณ์สำหรับ AI และการใช้งานอื่น ๆ ของ Jülich ซึ่งศึกษา AI แบบเรียลไทม์ การจำลองทางประสาทวิทยาศาสตร์ และภาระงานอื่น ๆ เช่น การจำลองการทำงานของคอมพิวเตอร์ควอนตัม โครงการนี้ยังครอบคลุมการทดสอบสมรรถนะ การสร้างต้นแบบแอปพลิเคชัน และการพัฒนาซอฟต์แวร์ เพื่อให้ระบบนำไปใช้ประโยชน์ได้ภายในสภาพแวดล้อมการประมวลผลสมรรถนะสูงที่กว้างขวางยิ่งขึ้น

การติดตั้งใช้งานดังกล่าวแสดงให้เห็นว่าเหตุใดสถาปัตยกรรมการประมวลผลจึงต้องมีมากกว่าข้อมูลจำเพาะของชิป นักวิจัยต้องมีเครื่องมือ อินเทอร์เฟซ และวิธีผสานระบบเข้ากับงานที่ทำอยู่ Sparxity ใช้แนวทางแบบครบวงจรที่ครอบคลุมทุกขั้นตอน ตั้งแต่ซิลิคอนที่ออกแบบขึ้นเป็นพิเศษไปจนถึงการติดตั้งระบบหลายแร็ก

เส้นทางสู่ศูนย์ข้อมูลในยุโรป

Sparxity ยังร่วมมือกับ T-Systems เพื่อหาแนวทางที่เป็นไปได้ในการเข้าสู่ตลาดศูนย์ข้อมูลเชิงพาณิชย์ ประกาศของ Deutsche Telekom เมื่อวันที่ 3 พฤศจิกายนระบุว่าทั้งสองฝ่ายได้ลงนามในหนังสือแสดงเจตจำนงที่จะผสานเทคโนโลยีของ Sparxity เข้ากับโครงสร้างพื้นฐานและความเชี่ยวชาญด้านการดำเนินงานของ T-Systems

แผนงานเริ่มจากใช้ฮาร์ดแวร์ปัจจุบันเพื่อพัฒนาแนวทางการผสานระบบทางเทคนิค จากนั้นจึงติดตั้งชิปรุ่นถัดไป ซึ่งวางแผนไว้ในปี 2028 พันธมิตรทั้งสองคาดว่าจะตกลงรายละเอียดเพิ่มเติมกันในช่วงหลายเดือนข้างหน้า

สำหรับ Sparxity เงินทุนใหม่จะสนับสนุนการเปลี่ยนผ่านจากการพิสูจน์ประสิทธิภาพของการประมวลผลแบบเบาบางในระบบเฉพาะทาง ไปสู่บทบาทที่ใหญ่ขึ้นในโครงสร้างพื้นฐาน AI บริษัทเชื่อว่าการเพิ่มประสิทธิภาพในอนาคตจะมาจากการลดงานที่ไม่จำเป็น และการออกแบบฮาร์ดแวร์ ซอฟต์แวร์ และโมเดลให้ทำงานร่วมกัน เพื่อให้การประหยัดทรัพยากรดังกล่าวแปรเปลี่ยนเป็นประสิทธิภาพที่นำไปใช้ได้จริง