一家只有26人的公司,拿到了1500万美元融资,估值1亿美元。领投方是Touring Capital和Principal VC,另有来自OpenAI和Anthropic的研究人员以个人身份跟投。这家公司叫Infinity,做的事很具体:用AI代理自动写、测、调、优化芯片底层内核代码,让AI模型更容易跑在英伟达之外的芯片上。
它瞄准的是英伟达最难被撼动的部分。英伟达统治AI芯片市场,靠的不只是GPU性能,还有CUDA这套软件层——PyTorch、TensorFlow等主流框架都建在CUDA上,开发者写代码时默认就是在为英伟达芯片写代码。换到别的芯片,往往要从零重写底层内核,大多数应用层公司没有这个工程能力。Infinity能自动化的,只是这道门槛里的一层,不是整条护城河。
Ignition怎么干活,谁已经在付费
Infinity由前Google Brain研究员、黑客社区AGI House创始人Jeremy Nixon去年创立。他此前做过一个叫Omega的项目,让算法自动生成并评估新算法;这次把同样的思路搬到了硬件层。
公司的AI代理叫Ignition。它给SRAM、GPU、手机芯片、脉动阵列等不同架构写推理内核,自己测速、调试,效果不好就重写,人类只负责给方向,不再手写代码。
目前唯一公开的客户是AI芯片公司D-Matrix,一家想在推理芯片市场挑战英伟达的公司。Nixon说还在和其他芯片厂商、云计算公司接触。Infinity不收前期license费,而是按tokens/s性能提升和成本节省抽成——先受益的是芯片厂商,内核优化得越快,芯片就能越早拿出能打的性能数据。
内核之外,CUDA的护城河还剩什么
自动写内核不是新思路。OpenAI的Triton、AMD的ROCm、Google的XLA,做的都是同一件事:让开发者绕开手写CUDA内核。区别在覆盖范围和成熟度。
| 方案 | 背靠 | 主攻方向 | 现状 |
|---|---|---|---|
| CUDA | 英伟达 | GPU全栈:驱动+框架+内核+工具链 | 行业默认标准,近20年积累 |
| Triton | OpenAI | Python写内核,自动编译优化 | 已进PyTorch工具链,主要覆盖GPU |
| ROCm | AMD | 对标CUDA的完整软件栈 | 持续追赶,生态成熟度仍落后CUDA |
| XLA | 计算图编译优化,跨硬件 | 主要服务TPU及自家框架 | |
| Infinity | 独立初创 | AI代理自动生成、优化跨架构内核 | 早期,已知客户1家,未见第三方评测 |
Infinity的差异化在"用AI代理自动写",省掉人工调优的时间。它的案例研究称能把数月工作压缩到数小时或数天,但这个数字来自公司自己发布的与D-Matrix合作的研究,还没有独立评测验证能否复现到更复杂的场景。跨架构适配还要面对专有芯片的访问权限和验证成本,这些不是靠代理重写就能绕开的。
芯片厂商该盯什么,应用团队现在不用动
对正在评估非英伟达推理芯片部署成本的芯片厂商和云计算公司,Infinity的按效果抽成模式值得纳入比价:不用先付钱,内核优化不到位就不用付费。但下单前该问清楚两件事——性能提升数据有没有第三方复现,以及跨架构适配到量产芯片要多久。目前只有D-Matrix一家公开案例,样本太小,不足以下结论。
对考虑迁移推理负载的AI基础设施负责人,这轮融资暂时不改变决策。Infinity现在服务的是芯片厂商,不是应用层开发者。迁不迁移非英伟达芯片,还是要看芯片本身的性价比和生态成熟度,不是看内核能不能自动写。
接下来最该看的变量,是Infinity能不能拿到第二家、第三家硬件客户,以及D-Matrix的性能数据有没有独立机构验证过。
锐评:内核可以自动写,生态不能自动长——英伟达的护城河,从来不止代码这一层。