人工智能初创公司Modular Inc.今日宣布完成2.5亿美元的第三轮融资,公司估值达到16亿美元。
本轮融资由Thomas Tull的美国创新技术基金领投,DFJ Growth跟投。所有现有投资者均参与了此轮融资,包括谷歌风投、General Catalyst和Greylock Ventures。此次融资使该公司的融资总额达到3.8亿美元。
Modular成立于2022年,为开发者提供了一个平台,允许他们在不同的计算机芯片上运行AI应用程序——包括中央处理器、图形处理器、专用集成电路和定制硅芯片——而无需重写或迁移代码。
在过去三年中,该公司构建了软件基础设施层和专门的编程语言,旨在让企业能够在混合芯片和服务器上部署AI模型。
Modular的长期目标是为企业用户提供AI部署解决方案,解决当前碎片化生态系统中需要为每个特定架构编写专门代码的问题。该公司的平台是企业级AI推理堆栈,能够抽象化硬件复杂性。
首席执行官Chris Lattner在声明中表示:"当我们创立Modular时,我们相信世界需要一个统一的AI平台,而如今,这一愿景比以往任何时候都更加重要。"
英伟达目前在AI加速器市场占据主导地位。据估计,其Hopper和更新的Blackwell架构为70%至95%的AI数据中心GPU提供动力。这种主导地位得到了CUDA的加强,CUDA是英伟达的专有编程框架,凭借其强大的并行计算能力已成为AI开发的事实标准。
挑战者也存在,最notable的是Advanced Micro Devices Inc.,该公司生产Instinct AI加速器并维护开源ROCm软件堆栈。但由于众多开发工具和推理平台都是为CUDA编写的,迁移到ROCm往往困难重重,使AMD处于劣势。
这正是Modular看到的机会——通过给企业更多选择硬件的自由来打破这种供应商锁定。其平台已经支持来自英伟达、AMD和苹果定制硅芯片的架构。该公司表示,其最新版本在下一代加速器(包括英伟达的B200和AMD的MI355)上与领先框架(如vLLM和SGLang)相比,性能提升了20%至50%。
这一愿景似乎引起了共鸣:AMD、英伟达和亚马逊都已加入成为生态系统合作伙伴。Modular还与AI应用开发商合作,如与Inworld AI合作加速语音合成,与运营GPU集群市场的San Francisco Compute Co.合作。
该公司已发展到130多名员工,总部位于旧金山湾区。凭借新的资金,Modular计划在北美和欧洲扩大招聘,扩展其云平台规模,扩展对云和边缘硬件的支持,并将重点从推理扩展到AI训练。
Q&A
Q1:Modular是什么公司?主要做什么业务?
A:Modular是一家成立于2022年的人工智能初创公司,主要提供一个平台,允许开发者在不同的计算机芯片上运行AI应用程序,包括CPU、GPU、专用集成电路和定制硅芯片,而无需重写或迁移代码。
Q2:Modular如何解决AI硬件部署的问题?
A:Modular通过构建软件基础设施层和专门的编程语言,让企业能够在混合芯片和服务器上部署AI模型,解决了当前碎片化生态系统中需要为每个特定架构编写专门代码的问题,其平台能够抽象化硬件复杂性。
Q3:Modular的融资情况和发展计划如何?
A:Modular刚完成2.5亿美元的第三轮融资,公司估值达到16亿美元,融资总额达到3.8亿美元。公司计划用这笔资金在北美和欧洲扩大招聘,扩展云平台规模,扩展硬件支持,并将重点从推理扩展到AI训练。
好文章,需要你的鼓励
谷歌发布数据共享模型上下文协议服务器,使开发者和AI智能体能够通过自然语言访问真实世界统计数据。该服务整合了政府调查、行政数据和联合国等全球机构的公共数据集。新服务旨在解决AI系统训练中常见的数据噪声和幻觉问题,为AI提供可验证的结构化信息。谷歌还与ONE Campaign合作推出数据智能体工具,该开源服务器兼容任何大语言模型。
Gensyn团队提出SAPO分布式AI训练方法,让普通设备通过分享学习经验协作训练语言模型。实验显示,采用50%本地和50%外部经验的均衡策略,小型AI模型性能提升94%。该方法避免了传统分布式训练的同步瓶颈,为AI训练民主化开辟新路径。
微软宣布从周三开始将Anthropic的AI模型集成到其Copilot助手中,此前该助手主要依赖OpenAI技术。企业用户可在OpenAI的深度推理模型和Anthropic的Claude Opus 4.1、Claude Sonnet 4之间选择,用于复杂研究和构建定制AI工具等任务。此举标志着微软与OpenAI这对曾经独家合作伙伴关系的进一步松动。
曼彻斯特大学研究团队发现,尽管AI语言模型在多数任务中表现优异,但在理解"Drivelology"(一种表面荒诞但蕴含深意的语言现象)时却频频失误。研究团队构建了涵盖六种语言的1200多个样本数据库,通过四项测试发现AI模型难以掌握这类文本的讽刺意图和文化内涵,揭示了当前AI在语用理解方面的根本局限。