传统AI算力为何越来越“累”?
现在的AI大模型越来越聪明,但也越来越“费电”和“费劲”。很多模型在给出一个答案时,哪怕只有一小部分参数跟当前问题有关,也得把几乎所有部分都算一遍。这就像为了找一本字典里的某个词,却把整本字典的每一页都翻阅并计算一遍,不仅浪费时间,还把数据中心的电费账单推得越来越高。
Sparxity
过去几年,大家习惯用“堆算力”的思路去硬扛,但随着模型规模不断扩大,单纯靠密集计算的传统硬件架构已经面临效率瓶颈和能耗压力。如何在不牺牲智能水平的前提下,让算力变得更聪明、更省电,成了整个行业都在盯着的难题。
Sparxity用“稀疏计算”走出了一条新路
位于德国德累斯顿、并在硅谷设有分支机构的Sparxity(此前名为SpiNNcloud),最近刚刚完成了A轮融资,累计融资总额达到9000万美元,并正式加入了半导体加速器Silicon Catalyst的投资组合。本轮融资由ICM HPQC Fund领投,Lockheed Martin Ventures、GlobalFoundries、GS Futures、Cloudberry Ventures、TGFS以及EIC Fund等机构跟投,同时还有多位行业天使投资人以及原有投资方参与。
Sparxity走的是“稀疏原生计算”(sparse-native computing)路线,核心思路非常直白:只算真正重要的部分。它从芯片到软件做全栈设计,支持模型在推理和计算时只激活相关的模块或专家,减少不必要的算术运算和数据搬运。按照Sparxity公布的技术方向,其下一代芯片针对特定模型有望实现最高达44倍的响应速度提升。
软硬协同与落地进展:不是PPT里的概念
在半导体创业领域,很多想法听起来很美,但难点在于工程落地——如果跳过计算的调度、路由和数据搬运成本太高,省下来的算力就会被抵消。Sparxity之所以受到资本和产业界关注,是因为它把细粒度动态稀疏的调度能力放进了芯片与软件协同设计中,并且已经拿出了量产与商用成绩单。
公开数据显示,Sparxity已完成三次流片,生产了超过7万颗芯片,并部署了12个服务器机架,客户超过30家,其中包括全球部分大型超算中心。在特定高性能计算和AI负载上,Sparxity披露其稀疏求解器速度提升可达10倍,事件驱动机器学习能耗降低至原来的18倍,优化问题运行时间缩短至原来的二十分之一;2024年至2025年营收实现翻两番(增长至原来的四倍),2026年也延续了增长势头。
在生态与基础设施落地方面,Sparxity近期宣布与德国于利希超级计算中心(Jülich Supercomputing Centre)达成数百万美元级别的部署合作,用于支持机器学习与大规模科学计算;同时还与德国电信合作,推进相关技术进入T-Systems的数据中心,助力构建面向欧洲的节能型AI计算基础设施。
市场观察:异构数据中心与效率竞赛成新焦点
结合近期行业动态来看,AI算力基础设施正在从单一追求“最大稠密算力”转向“异构与高效并重”。一方面,超大规模数据中心对电力消耗和总拥有成本越来越敏感;另一方面,随着模型架构向更精细的专家选择、动态稀疏和端侧/超算异构协同演进,专用硬件与全栈软件的匹配度变得越来越关键。
当然,从细分场景跑出优势到成为数据中心的主流标配,仍需跨过生态兼容、软件工具链成熟度以及规模化量产成本控制等多重考验。无论是通用GPU阵营的持续迭代,还是各类新型专用AI芯片的加速追赶,最终都要看谁能在真实业务负载中提供更稳、更快、更省钱的体验。
总结:用“更聪明的少算”回应算力焦虑
Sparxity获得9000万美元累计融资并加入Silicon Catalyst,折射出AI硬件赛道一个清晰的转向:当算力扩张不再只靠蛮力堆砌,围绕“稀疏计算”和能效优化的软硬协同正成为新的发力点。随着超算中心与企业数据中心对绿色算力和低延迟推理的需求不断上升,能够把“少算却算得准”变成稳定工程能力的团队,有望在未来的异构算力版图中占据一席之地。