专注突破性中央处理器微架构的AheadComputing公司今日宣布,已完成3000万美元早期融资,旨在为未来人工智能需求提供下一代性能解决方案。
本轮Seed2融资由Eclipse、Toyota Ventures和Cambium联合领投,使该公司迄今为止的总融资额达到5300万美元。Corner、Trousdale、EPIQ、MESH和Stata也参与了本轮融资。
人工智能已成为超大规模数据中心、工作站、个人电脑和高端嵌入式系统计算需求的重要风向标。麦肯锡公司的行业预测显示,到2030年,70%的数据中心计算需求将来自AI工作负载。
联合创始人兼首席执行官Debbie Marr在接受采访时表示:"CPU是计算生态系统中最复杂的组件之一。我在英特尔工作了35年,始终处于技术前沿。我是帮助英特尔进入服务器市场的多处理器架构师。"
自2024年成立以来,AheadComputing在产品开发和半导体生态系统技术协作方面进展迅速,与超大规模云服务商合作,将RISC-V可扩展性与突破性微架构相结合,为现代AI和数据中心工作负载提供顶级性能。
当今的AI讨论乍看之下似乎围绕图形处理器展开,特别关注英伟达的下一代显卡。但值得注意的是,英伟达的每块主板都不仅包含GPU,还包含CPU。即使是英伟达最新的Vera Rubin平台也遵循这一模式:Vera是专用CPU,Rubin是GPU。
Marr解释道:"CPU是任何计算生态系统的核心。"她将芯片比作人体解剖结构。"智能体在哪里运行?它们在CPU上运行。很多人忽视了这个心脏,但它向全身泵送血液。"
这不仅仅是生态系统的比喻,更是整个行业基本逻辑的基础。虽然AI需要强大的GPU进行推理,但它所依赖的一切都需要强大的CPU来协调周围的工作,包括数据库、分析主力、逻辑工作负载以及AI周期间发生的日常逻辑思考。没有CPU,整个基础设施就会停止运转。
为何选择RISC-V
既然Marr在英特尔x86架构方面有如此深厚的背景,为什么要转向RISC-V?
她的reasoning涉及多个层面。x86在深度上代表了无与伦比的生态系统,但其性能创新承载着阻碍发展的历史包袱:需要支持数十年的微码指令和兼容性使得快速发展变得困难。
至于最接近的竞争对手Arm,它在移动领域占据巨大份额,但生态系统通过许可进行集中控制。本质上该公司正试图成为另一个英特尔,一个想要成为集中式"主导者"的平台。
Marr表示,RISC-V已在大公司内部的微控制器中广泛应用,具备广泛采用所需的动力,包括英伟达在内。它还具有支持架构迭代的开放标准。
凭借这笔融资,AheadComputing将有燃料推动其革命性CPU架构的长期发展。Marr明确表示,CPU研发并非"编写后就发布"。该公司已与表现出兴趣的主要代工厂接触,并表示计划通过台积电进行初始流片,但未承诺公开发布日期。
Marr说:"没有限制,对吧?CPU在创新、性能和功效方面没有限制。历史表明,人们总是认为存在限制;现实证明他们总是错误的。"
Q&A
Q1:AheadComputing是什么公司?主要做什么?
A:AheadComputing是一家专注突破性中央处理器微架构的公司,致力于为未来人工智能需求提供下一代性能解决方案。该公司成立于2024年,专门开发基于RISC-V架构的处理器,为现代AI和数据中心工作负载提供顶级性能。
Q2:为什么AheadComputing选择RISC-V而不是x86或Arm架构?
A:创始人Marr解释说,x86虽然生态系统深厚,但需要支持数十年的微码指令和兼容性,使快速发展困难。Arm通过许可进行集中控制,试图成为集中式主导者。而RISC-V已广泛应用于微控制器,具有开放标准,支持架构迭代,更适合创新发展。
Q3:CPU在AI数据中心中起什么作用?
A:虽然AI需要强大GPU进行推理,但CPU是计算生态系统的核心,负责协调AI周围的所有工作。智能体运行在CPU上,包括数据库、分析工作、逻辑工作负载以及AI周期间的日常逻辑思考都需要CPU支持。没有CPU,整个AI基础设施就会停止运转。
好文章,需要你的鼓励
Replit与RevenueCat达成合作,将订阅变现工具直接集成至Replit平台。用户只需通过自然语言提示(如"添加订阅"),即可完成应用内购和订阅配置,无需离开平台。RevenueCat管理超8万款应用的订阅业务,每月处理约10亿美元交易。此次合作旨在让"氛围编程"用户在构建应用的同时即可实现商业变现,月收入未达2500美元前免费使用,超出后收取1%费用。
LiVER是由北京大学、北京邮电大学等机构联合提出的视频生成框架,核心创新是将物理渲染技术与AI视频生成结合,通过Blender引擎计算漫反射、粗糙GGX和光泽GGX三种光照图像构成"场景代理",引导视频扩散模型生成光影物理准确的视频。框架包含渲染器智能体、轻量化编码器适配器和三阶段训练策略,支持对光照、场景布局和摄像机轨迹的独立精确控制。配套构建的LiVERSet数据集含约11000段标注视频,实验显示该方法在视频质量和控制精度上均优于现有方法。
所有人都说AI需要护栏,但真正在构建它的人寥寥无几。SkipLabs创始人Julien Verlaguet深耕这一问题已逾一年,他发现市面上多数"护栏"不过是提示词包装。为此,他打造了专为后端服务设计的AI编程智能体Skipper,基于健全的TypeScript类型系统与响应式运行时,实现增量式代码生成与测试,内部基准测试通过率超90%。他认为,编程语言的"人类可读性时代"正走向终结,面向智能体的精确工具链才是未来。
这项由蒙特利尔学习算法研究所(Mila)与麦吉尔大学联合发布的研究(arXiv:2604.07776,2026年4月)提出了AGENT-AS-ANNOTATORS框架,通过模仿人类数据标注的三种角色分工,系统化生成高质量网页智能体训练轨迹。以Gemini 3 Pro为教师模型,仅用2322条精选轨迹对90亿参数的Qwen3.5-9B模型进行监督微调,在WebArena基准上达到41.5%成功率,超越GPT-4o和Claude 3.5 Sonnet,并在从未见过的企业平台WorkArena L1上提升18.2个百分点,验证了"数据质量远比数量重要"这一核心结论。