中科驭数宣布完成超以往轮次融资规模的数亿元B轮融资,由金融街资本领投,建设银行旗下建信资本跟投,老股东灵均投资、光环资本、泉宗资本连续三轮追投。在过去的一年里,中科驭数已完成三轮大体量融资。
本轮融资将进一步加速驭数DPU芯片的研发迭代和产业布局,加速构建DPU芯片的生态体系,为数据中心下一代算力架构变革,提供国产核心算力基础设施,继续保持DPU赛道的领跑地位。

DPU芯片领军企业 国家专精特新小巨人企业
中科驭数是国内DPU芯片的领军企业,创始团队在计算机体系结构领域有近二十年技术积累,自主技术比例高。公司凭借技术创新获评第四批国家专精特新小巨人企业。
继2021年发布行业首部DPU技术白皮书后,中科驭数2022年又推出行业首部DPU评测技术白皮书,推动了DPU行业的标准化。
在技术领先性、DPU芯片产品成熟度、DPU商业化市场应用、DPU生态建设、以及DPU标准推动等等方面,中科驭数在行业内遥遥领先。
第二代DPU芯片K2预计近期回片
目前中科驭数第三代DPU芯片研发迭代已经接近尾声,第二代DPU芯片K2今年初投片,预计于近期回片,这也是国内目前功能定义最完整的首颗DPU芯片。区别于大部分DPU厂商的FPGA加速卡方案,K2芯片具有成本更低、性能更优、功耗更小、自主可控性强的巨大优势。
在技术路线上,中科驭数2018年创新性地提出“软件定义加速器”技术路线,采用自主研发的敏捷异构KPU芯片架构,解决了专用处理器设计碎片化的问题,异构众核的技术架构具有软件定义可配置、设计周期短、性能更优、计算高效的优势,目前已经研发积累了百余类功能核。
适配国产生态 产品方案已规模化商用
得益于中科驭数自研的软件开发平台HADOS,驭数产品灵活度高、稳定性强、兼容性好,全面适配国内外多种操作系统,大幅降低应用软件开发难度。
在商业化拓展上,中科驭数围绕“垂直深耕,水平扩展”的策略,产品和方案已实现规模化商用,仅2022上半年订单已经是2021全年的两倍。
金融计算领域是中科驭数垂直深耕的重点领域之一。随着高频量化交易日益兴盛,交易系统对时延性能要求越来越极致,目前行业中纯软件的加速方案遭遇瓶颈,中科驭数自研的软硬件一体化加速平台,具备超低时延、高吞吐、低抖动、高稳定、高安全等优势,尤其在超低时延领域,驭数产品商业环境实测均值仅为1.12微秒,创下全球超低时延最快纪录。
同时,中科驭数的产品和解决方案已经拓展到数据中心和云原生、高性能计算、5G边缘计算等场景。基于已有技术储备和生态布局,中科驭数有望推出行业内最早的云原生服务网格全面加速方案,其对比当前的解决方案,时延性能可以提升5-10倍,为实时性要求极高的工业控制、车路协同等应用场景提供技术支撑。
算力网络是数字经济时代的核心生产力,在东数西算国家战略布局下,作为下一代算力底座的基础设施,中科驭数的DPU可维继应用算力的指数提升,通过DPU支持网内计算,同时扩容基础算力的管道,通过数据面代理赋能无服务器服务和云原生应用,助力实现算力底座新技术突破,降本增效、大幅优化能耗。
投资人看好中科驭数发展潜力
金融街资本董事长程瑞琦表示:“DPU是数据中心新型算力基础设施,中科驭数具有行业领先性的技术和产品优势,并率先实现商业化通路。希望本轮融资能助力中科驭数加速DPU芯片的研发量产和市场拓展,持续领跑DPU赛道。”
建信股权首席投资官李瑞指出:“数据中心市场已成为全球半导体产业的重要增长点,东数西算等大型工程的实施,进一步提升了对DPU这类数据中心核心芯片的需求。中科驭数作为科研院所孵化的DPU芯片企业,技术实力雄厚,在产品迭代、商业化落地等方面均处于国内领先地位,具有巨大的发展潜力。”
好文章,需要你的鼓励
还在为渲染一个3D模型等上几小时吗?还在纠结移动办公就得牺牲性能吗?当AI遇上专业工作站,传统设计流程的游戏规则正在被改写。
伊斯法罕大学研究团队通过分析Google Play商店21款AI教育应用的用户评论,发现作业辅导类应用获得超80%正面评价,而语言学习和管理系统类应用表现较差。用户赞赏AI工具的快速响应和个性化指导,但抱怨收费过高、准确性不稳定等问题。研究建议开发者关注自适应个性化,政策制定者建立相关规范,未来发展方向为混合AI-人类模型。
据报道,OpenAI正与亚马逊洽谈至少100亿美元的融资。亚马逊此前已是Anthropic的最大投资者,并为其建设了110亿美元的数据中心园区。若融资达成,OpenAI将采用AWS的Trainium系列AI芯片。Trainium3采用三纳米工艺,配备八核心和32MB SRAM内存。AWS可将数千台服务器连接成拥有百万芯片的集群。报道未透露具体估值,但OpenAI最近一次二次出售估值已达5000亿美元。
这项由伊利诺伊大学香槟分校等四所院校联合完成的研究,提出了名为DaSH的层次化数据选择方法。该方法突破了传统数据选择只关注单个样本的局限,通过建模数据的天然层次结构,实现了更智能高效的数据集选择。在两个公开基准测试中,DaSH相比现有方法提升了高达26.2%的准确率,同时大幅减少了所需的探索步数。