在去年11月成功完成C轮融资后,韩国无厂AI芯片初创公司Rebellions又获得了4亿美元的新一轮融资。
这轮融资在公司计划今年晚些时候进行IPO之前进行,由未来资产金融集团和韩国国家成长基金领投。此次融资正值公司积极扩张之际,Rebellions最近宣布计划不仅要扩大在亚洲的业务,还要进军中东和美国市场。
Rebellions成立于2020年,主要从事AI芯片的开发和设计,并将制造环节外包。这家初创公司的芯片专为推理设计,即大语言模型响应用户查询所需的计算能力。随着大语言模型日益成熟并开始广泛商业部署,推理的重要性不断增长。
该公司在2024年完成了1.24亿美元的B轮融资。随后在去年11月,Rebellions又在C轮融资中筹集了2.5亿美元。截至目前,公司的总融资额已达到8.5亿美元,其中6.5亿美元是在过去六个月内筹集的。同时,这家初创公司表示,其估值约为23.4亿美元。
除了融资消息外,Rebellions还宣布发布两款新产品:RebelRack和RebelPOD,这两款产品被描述为AI基础设施平台。POD代表一个可投产的推理计算单元,而Rack则"将多个机架整合到一个可扩展集群中,专为大规模AI部署而设计"。
在与TechCrunch的对话中,负责公司全球扩张事务的Rebellions首席商务官Marshall Choy表示,公司最近已在美国、日本、沙特阿拉伯和台湾地区设立了实体。Choy说,公司正在美国建设技术合作伙伴生态系统,计划向云服务提供商、政府机构、电信运营商和新兴云服务商推广产品。他拒绝透露IPO的具体时间安排。
"AI现在是通过其在真实世界中大规模运行的能力来衡量的,需要在功耗限制下运行,并实现明确的经济回报,"Rebellions联合创始人兼首席执行官朴成炫表示。"这将重心转向推理基础设施和使这些基础设施可用的软件。"
Rebellions是新一代芯片初创公司中的一员,这些公司试图挑战英伟达在芯片行业曾经牢不可破的主导地位。随着这种主导地位开始减弱,AWS、Meta和谷歌等其他主要科技公司以及新一代初创公司也在寻求生产自己的芯片。
Q&A
Q1:Rebellions公司主要做什么业务?
A:Rebellions是韩国一家无厂AI芯片初创公司,成立于2020年,专门开发和设计AI芯片并将制造外包。公司的芯片专为推理设计,即大语言模型响应用户查询所需的计算能力,随着大语言模型商业部署的广泛应用,推理变得越来越重要。
Q2:Rebellions最近的融资情况如何?
A:Rebellions刚刚完成4亿美元融资,由未来资产金融集团和韩国国家成长基金领投。加上2024年的B轮1.24亿美元和去年11月C轮的2.5亿美元,公司总融资额达8.5亿美元,其中6.5亿美元是在过去六个月筹集的,目前估值约23.4亿美元。
Q3:Rebellions的新产品有哪些特点?
A:公司发布了两款新的AI基础设施平台产品:RebelRack和RebelPOD。POD是一个可投产的推理计算单元,而RebelRack则将多个机架整合到可扩展集群中,专为大规模AI部署设计,帮助客户实现规模化的AI应用部署。
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。