Volantis Photonic AI Interconnect erhält 88 Mio. US-Dollar für die Wette auf die Memory Wall
Volantis hat 88 Millionen US-Dollar eingesammelt, um einen photonic AI interconnect zu entwickeln, der auf eine der größten Einschränkungen beim Inference Computing zielt: Modelldaten schnell genug zu bewegen. Die Series A verschafft dem Halbleiter-Startup beträchtliche Mittel für sein A-1-System. Die mit diesem System verbundenen Leistungsziele bleiben allerdings Unternehmensangaben und keine unabhängig reproduzierten Ergebnisse.
Die Finanzierung ist relevant, weil Volantis nicht einfach ein weiteres optisches Kabel zwischen Servern vorschlägt. Das Design integriert optische Verbindungen in das Accelerator-Package und verbindet Rechenleistung und Speicher über einen deutlich größeren physischen Bereich. Laut Unternehmen kann diese Architektur die Kapazität großer Speicherpools mit einer Bandbreite verbinden, die eher an schnellere, kleinere Speichersysteme heranreicht.
Damit steht Volantis neben einer zunehmend ernstzunehmenden Gruppe von Photonikunternehmen, darunter Ayar Labs, Lightmatter und Marvells Geschäft Celestial AI. Zugleich tritt das Startup gegen eine bewährte etablierte Architektur an. Mit High-Bandwidth Memory verbundene GPUs verfügen bereits über etablierte Software-, Fertigungs- und Bereitstellungssysteme. Volantis muss zeigen, dass sein optisches Fabric genügend Mehrwert schafft, um einen Wechsel dieses Stacks zu rechtfertigen.
Die Finanzierungsrunde von Volantis unterstützt ein vollständiges Inferenzsystem
Volantis nutzt das neue Kapital, um eine Inferenzarchitektur aufzubauen, nicht um eine eigenständige optische Komponente zu verkaufen.
Volantis gab die Series A am 1. Oktober 2026 bekannt. Lachy Groom und Abstract Ventures führten die Runde laut der Finanzierungsankündigung des Unternehmens gemeinsam an. Weitere Teilnehmer waren John Doerr, VXI Capital, Triatomic und Susa Ventures.
Das Unternehmen nannte außerdem Dwarkesh Patel, Naveen Rao und Sholto Douglas als Angel-Investoren. Volantis zufolge steigt die Gesamtfinanzierung damit auf 97 Millionen US-Dollar.
Diese Investorenliste verleiht der Runde über ihre Größe hinaus Bedeutung. Rao leitete zuvor Intels Gruppe für AI-Produkte, während Doerr mehrere Generationen von Computing-Unternehmen unterstützt hat. Ihre Beteiligung bestätigt nicht die technischen Behauptungen von Volantis, deutet jedoch auf ernsthaftes Interesse an Alternativen zu herkömmlicher Inferenzhardware hin.
Zum Gründerteam des Unternehmens gehören erfahrene Fachleute von Nvidia, AMD, Broadcom und Ayar Labs. Volantis zufolge haben Teammitglieder zuvor zu kommerziellem CoWoS-Packaging und Silicon-Photonics-Systemen beigetragen. CoWoS ist eine fortschrittliche Packaging-Methode, bei der mehrere Chips und High-Bandwidth Memory eng zusammen platziert werden.
A-1 ist das erste geplante System von Volantis. Das Unternehmen beschreibt es als Inferenzplattform für Modelle mit mehr als 20 Billionen Parametern. Zudem zielt es auf einen Durchsatz von bis zu 10.000 Tokens pro Sekunde je Nutzer.
Das sind ungewöhnlich ambitionierte Ziele. Sie sollten als Entwicklungsziele betrachtet werden, bis Kunden, unabhängige Labore oder Systempartner vergleichbare Messungen veröffentlichen. Die Ankündigung enthielt weder standardisierte Benchmark-Ergebnisse noch Daten aus Kundeneinsätzen oder einen für externe Überprüfung ausreichend detaillierten Produktionszeitplan.
Die öffentlichen Materialien des Unternehmens beschreiben außerdem eine frühere Schwelle von mehr als 10 Billionen Parametern. Diese Abweichung könnte eine sich weiterentwickelnde Produktspezifikation widerspiegeln. Sie unterstreicht die Notwendigkeit, architektonische Absichten von einer festen, ausgelieferten Konfiguration zu unterscheiden.
Volantis positioniert A-1 rund um interaktive Inferenz statt Modelltraining. Inferenz ist die Phase, in der ein trainiertes Modell Prompts verarbeitet und Ausgaben generiert. Schnellere Inferenz kann Coding Agents, Forschungssysteme und andere Anwendungen verbessern, die ein Modell während der Erledigung einer Aufgabe wiederholt aufrufen.
Das Unternehmen argumentiert, dass bestehende Hardware Betreiber dazu zwingt, zwischen schnellem, aber begrenztem Speicher und größerem, aber langsamerem Speicher zu wählen. A-1 soll diesen Zielkonflikt abschwächen, indem viele Speicher-Chiplets über ein optisches Fabric verbunden werden.
Das verändert die zentrale Frage rund um die Finanzierungsrunde von Volantis. Es geht nicht darum, ob optische Verbindungen Daten transportieren können. Photonik wird bereits in modernen Rechenzentren umfassend eingesetzt. Entscheidend ist, ob Volantis genügend optische Konnektivität in der Nähe von Speicher und Rechenleistung integrieren kann, um die Wirtschaftlichkeit der Inferenz zu verändern.
Diese Herausforderung macht die Geschichte zu mehr als einer gewöhnlichen Finanzierungsankündigung im Halbleiterbereich. Das Startup verspricht eine systemweite Veränderung der Art, wie Modellgewichte, Kontext und Zwischendaten die Prozessoren erreichen, die sie nutzen.
Warum AI-Inferenz immer wieder an die Memory Wall stößt
Die von Volantis adressierte Einschränkung entsteht durch Datenbewegung, nicht durch einen bloßen Mangel an Rechenleistung.
Große AI-Modelle enthalten umfangreiche Arrays numerischer Gewichte. Während der Inferenz rufen Prozessoren diese Gewichte wiederholt ab und bewegen weitere Arbeitsdaten durch die Speicherhierarchie. Ein Prozessor kann unzureichend ausgelastet sein, wenn der Speicher Informationen nicht mit der erforderlichen Geschwindigkeit bereitstellen kann.
Diese Diskrepanz wird häufig als Memory Wall bezeichnet. Die Rechenkapazität kann schneller wachsen als praktische Speicherbandbreite und -kapazität. Zusätzliche Recheneinheiten lösen das Problem nicht, wenn diese Einheiten Zeit damit verbringen, auf Daten zu warten.
High-Bandwidth Memory, kurz HBM, adressiert einen Teil dieser Einschränkung. HBM platziert gestapelten Speicher nahe an einem Accelerator und verbindet ihn über ein sehr breites Interface. Diese Anordnung unterstützt deutlich mehr Bandbreite als herkömmlicher Serverspeicher.
Der physische Platz im Package begrenzt jedoch, wie viel HBM neben einem Prozessor untergebracht werden kann. Elektrische Verbindungen verlieren zudem an Signalqualität und verbrauchen mehr Energie, wenn Distanz und Datenraten steigen. Diese Effekte erschweren den Aufbau größerer Pools, ohne Latenz oder Bandbreite zu beeinträchtigen.
Bei interaktiver Inferenz mit kleinen Batches wird das Problem sichtbarer. Ein Dienst, der eine einzelne Anfrage verarbeitet, kann sich nicht immer darauf verlassen, viele Nutzer zur Effizienzsteigerung gemeinsam zu bündeln. Jedes generierte Token kann eine weitere Bewegung von Modellgewichten und aktiven Kontextdaten erfordern.
Längere Kontextfenster erzeugen zusätzlichen Druck. Modelle müssen Key- und Value-Daten vorhalten, die frühere Teile einer Unterhaltung oder Aufgabe repräsentieren. Dieser Cache wächst mit dem Kontext und erhöht den Speicherbedarf, selbst wenn das zugrunde liegende Modell unverändert bleibt.
Ein Coding Agent liefert ein konkretes Beispiel. Der Agent benötigt möglicherweise Modellgewichte, ein großes Repository, Befehlsausgaben, Dokumentation und eine lange Aktionshistorie. Schnellere Prozessoren bringen nur begrenzte Vorteile, wenn das System ständig darauf wartet, dass diese Informationen eintreffen.
Aktuelle Systeme nutzen mehrere Gegenmaßnahmen. Betreiber verteilen Modelle auf mehrere Accelerators, quantisieren Gewichte, cachen wiederkehrende Daten oder verschieben ausgewählte Informationen in langsamere Speicherstufen. Jede Technik hilft, führt jedoch jeweils zu Einschränkungen bei Genauigkeit, Latenz, Programmierkomplexität oder Auslastung.
Softwareverbesserungen werden weiterhin wichtig bleiben. Besseres Scheduling und Modellkompression können den Druck reduzieren, ohne eine neue Package-Architektur zu erfordern. Volantis muss daher eine sich bewegende Ausgangsbasis übertreffen, nicht eine eingefrorene Generation von GPU-Systemen.
Die breitere Branche erkennt Datenbewegung dennoch als zentrales Skalierungsproblem an. Eine Photonik-Übersicht aus dem Jahr 2025 beschrieb Optical I/O und optische Interposer als aufkommende Ansätze neben ausgereiftem HBM und elektronischem Networking.
Auch Nvidia hat Photonik tiefer in seine Networking-Produkte integriert. Seine optischen Systeme kombinieren steckbare Optiken und co-packaged optische Switches für große AI-Deployments. Diese Investition stützt die Prämisse von Volantis, dass elektrische Konnektivität zunehmend an Grenzen stößt.
Nvidias Ansatz verdeutlicht jedoch auch einen Unterschied. Die meisten kommerziellen optischen Deployments konzentrieren sich auf die Kommunikation zwischen Switches, Racks oder Accelerator-Packages. Volantis möchte Licht eher wie extrem dichte Verdrahtung innerhalb eines Inferenzsystems einsetzen.
Das ist ein schwierigeres Integrationsproblem. Es bietet allerdings auch eine größere potenzielle Belohnung, da Speicherverkehr direkt auf dem kritischen Pfad für die Antwortzeit eines Modells liegt.
Wie der Volantis Photonic AI Interconnect funktioniert
Volantis schlägt vor, kurze elektrische Pfade durch dichte optische Wellenleiter zu ersetzen, die Rechen- und Speicher-Chiplets über einen Interposer verbinden.
Ein Interposer ist ein Substrat, das mehrere Chips innerhalb eines Packages verbindet. Herkömmliche Interposer verwenden elektrische Leiterbahnen, die über kurze Distanzen gut funktionieren. Ihre Reichweite wird zunehmend einschränkend, wenn Ingenieure Bandbreite, Verbindungszahl und Package-Größe erhöhen.
Volantis bezeichnet seinen Ansatz als optische Drähte statt als optische Kabel. Der Begriff beschreibt mikroskopische lichtbasierte Verbindungen, die in das Package integriert sind. Diese Verbindungen sollen Chiplets verbinden, ohne herkömmliche Fasern zwischen den einzelnen Komponenten zu verlegen.
Laut den technischen Spezifikationen des Unternehmens arbeiten einzelne Lanes mit 24 Gigabit pro Sekunde. Volantis beansprucht eine Latenz unter fünf Nanosekunden und einen Energieverbrauch unter einem Picojoule pro Bit.
Das Unternehmen erklärt, dass Zehntausende Lanes mehr als 200 Terabyte pro Sekunde an aggregierter Bandbreite bereitstellen können. Es behauptet außerdem, dass optische Wellenleiter über mehr als 200 Millimeter über den Interposer verlaufen können.
Zum Vergleich beschreibt Volantis die nutzbare elektrische Reichweite in diesem Umfeld mit etwa zwei bis fünf Millimetern. Der längere optische Pfad würde es ermöglichen, dass Speicher einen deutlich größeren Bereich des Packages einnimmt, ohne jede Komponente unmittelbar neben dem Prozessor zu platzieren.
Diese physische Reichweite ist zentral für die Architektur. Eine typische HBM-Anordnung umgibt einen Compute-Die mit einer begrenzten Anzahl von Stacks. Eine Ausdehnung der Konnektivität über einen größeren Interposer könnte wesentlich mehr Speicher-Chiplets aufnehmen.
Volantis zufolge kann das Design mehr als 220 Speicher-Chiplets in einem Pool verbinden. Der Pool soll konsistente Zugriffseigenschaften bieten, statt sich wie mehrere sichtbar getrennte Speicherstufen zu verhalten.
Die Architektur verwendet integrierte Micro-VCSEL-Arrays. Ein Vertical-Cavity Surface-Emitting Laser, kurz VCSEL, emittiert Licht senkrecht zu seiner Oberfläche. VCSELs werden bereits in Sensorik- und Kommunikationsprodukten eingesetzt, wenngleich Volantis eine spezialisierte Implementierung auf Package-Ebene vorschlägt.
Viele Silicon-Photonics-Systeme basieren auf externen Lasern. Volantis erklärt dagegen, dass seine Laser in das optische Fabric integriert sind. Der Verzicht auf externe Laserbaugruppen könnte die Packaging-Komplexität reduzieren und die Verbindungsdichte erhöhen.
Das Unternehmen vermeidet außerdem herkömmliche Fasern innerhalb des Packages. Es führt Licht durch integrierte Wellenleiter, die optische Signale über den Interposer leiten. Volantis zufolge benötigen diese Wellenleiter deutlich weniger Platz als Glasfaser.
Diese Kombination unterstützt das, was das Unternehmen als breite und langsame Signalübertragung bezeichnet. Jede Lane arbeitet mit einer vergleichsweise moderaten Datenrate, während das System eine sehr große Zahl paralleler Lanes einsetzt. Parallelität kann die Energie- und Signalverarbeitungslast jeder einzelnen Verbindung verringern.
Die Strategie unterscheidet sich davon, eine geringe Anzahl von Verbindungen auf extreme Geschwindigkeiten zu treiben. Langsamere Lanes können weniger anspruchsvolle Elektronik und geringere Betriebsenergie erfordern. Die Fertigung Tausender zuverlässiger optischer Pfade bringt jedoch eigene Herausforderungen bei Ausbeute und Tests mit sich.
Volantis berichtet von Bitfehlerraten unter einem Fehler pro einer Billion übertragener Bits in Wafer-Scale-Verbindungen. Das Unternehmen erklärt außerdem, dass die Verbindungen bei Temperaturen über 95 Grad Celsius arbeiten. Beide Eigenschaften sind wichtig, weil optische Komponenten die thermischen Bedingungen rund um Hochleistungsprozessoren überstehen müssen.
Diese Zahlen wurden bislang nicht in einem ausgelieferten A-1-System bestätigt. Eine saubere Link-Demonstration validiert nicht automatisch eine vollständige Memory-Fabric. Die gesamte Plattform muss Rechenleistung, Speichercontroller, optische Links, Packaging, Kühlung und Software koordinieren.
Memory Pooling bringt zusätzliche Komplexität mit sich. Die Hardware benötigt eine konsistente Methode, Daten über viele Chiplets hinweg zu adressieren. Das System muss außerdem Ausfälle, Konkurrenz um Ressourcen und Platzierung verwalten, ohne Verzögerungen zu verursachen, welche die Bandbreite der optischen Fabric zunichtemachen.
Volantis erklärt, die Architektur könne sehr hohe Kapazität mit SRAM-ähnlicher Geschwindigkeit verbinden. SRAM ist ein schneller Speicher, der üblicherweise direkt auf einem Prozessor platziert wird, dessen physische Dichte jedoch die Kapazität begrenzt. Seine effektive Leistung über einen großen Pool hinweg zu erreichen, wäre eine anspruchsvolle Systemleistung.
Der Mechanismus des Startups ist dennoch schlüssig. Die optische Reichweite vergrößert die nutzbare Package-Fläche, während parallele Lanes die aggregierte Bandbreite erhöhen. Integrierte Laser und Wellenleiter sollen das Design dicht genug für den Speicherverkehr halten.
Die offene Frage lautet, ob diese Komponenten im kommerziellen Maßstab zusammenarbeiten können. Ein Prototyp-Link beweist ein Gerätekonzept. Ein Inferenzsystem muss unter anhaltender Last und innerhalb eines praktikablen Energiebudgets verlässliche Ergebnisse liefern.
Der Hauptwettbewerb lautet: Optischer Speicher gegen etablierte HBM-Systeme
Volantis muss die Wirtschaftlichkeit und Reife HBM-basierter Beschleuniger übertreffen, nicht nur demonstrieren, dass Licht Bits bewegen kann.
Die führenden Beschleuniger von heute kombinieren leistungsstarke Prozessoren, HBM, schnelle Package-Links und ausgereifte Software. Kunden können sie über etablierte Serveranbieter und Cloud-Provider einsetzen. Ingenieure kennen zudem ihre Leistungsmerkmale bei gängigen Modell-Workloads.
Volantis tritt ohne diese Vorteile in diesen Markt ein. A-1 muss eine spürbare Verbesserung bei Latenz, Kapazität, Durchsatz oder Betriebskosten bieten. Geringe Verbesserungen dürften den Integrationsaufwand für Infrastrukturkäufer kaum rechtfertigen.
Das stärkste Argument des Startups betrifft Kapazität und Bandbreite zugleich. Herkömmliche Systeme erhöhen die Kapazität häufig, indem sie ein Modell auf mehr Beschleuniger verteilen. Dieser Ansatz verursacht zusätzlichen Kommunikationsaufwand und zwingt Betreiber, für Rechenleistung zu bezahlen, die hauptsächlich Speicher bereitstellt.
Ein großer optischer Speicherpool könnte dieses Verhältnis verändern. Mehr Modelldaten könnten für weniger Recheneinheiten zugänglich bleiben. Steigt die Auslastung, könnten Betreiber aus jedem teuren Prozessor mehr nutzbare Arbeit gewinnen.
Dieser Vorteil wäre besonders für Sparse-Modelle relevant. Sparse-Architekturen aktivieren für jede Eingabe nur ausgewählte Modellkomponenten. Sie benötigen dennoch ausreichend Speicher, um eine deutlich größere Menge verfügbarer Parameter vorzuhalten.
Mixture-of-Experts-Modelle veranschaulichen dies. Solche Modelle leiten jedes Token durch eine Teilmenge spezialisierter Komponenten. Die aktive Berechnung kann beherrschbar bleiben, während das insgesamt gespeicherte Modell weit über das hinauswächst, was ein einzelner Beschleuniger aufnehmen kann.
Anwendungen mit langem Kontext bieten eine weitere Chance. Agents, die über Repositorys, Dokumente und umfangreiche Interaktionsverläufe arbeiten, erzeugen hohe Speicheranforderungen. Ein größerer lokaler Pool könnte den Bedarf verringern, Kontext zwischen langsameren Speicherebenen zu verschieben.
Allerdings verbessern sich auch HBM-Systeme. Speicherhersteller erhöhen weiterhin Stack-Kapazität und Bandbreite. Anbieter von Beschleunigern gestalten Racks, Interconnects, Caches und Scheduling-Software rund um Inferenz-Workloads neu.
AMD und Nvidia können Hardware und Software über komplette Plattformen hinweg koordinieren. Diese Integration ist für ein Startup schwer zu erreichen. Volantis wird Partner benötigen, die Speicher, Fertigung, Packaging, Systeme und Workload-Software liefern können.
Der Photonikmarkt umfasst zudem gut finanzierte Spezialisten. Ayar Labs platziert optische I/O-Chiplets in der Nähe von Prozessoren und nutzt eine externe Laserquelle. Seine Technologie betont Hochbandbreiten-Links über größere Rechnersysteme hinweg.
Die Passage-Plattform von Lightmatter zielt ähnlich auf optische Konnektivität für KI-Infrastruktur. Sie konzentriert sich darauf, Prozessoren über Packages und Platinen hinweg durch ein programmierbares photonisches Netzwerk zu verbinden.
Celestial AI entwickelte eine optische Fabric für die Konnektivität auf Package-, System- und Rack-Ebene. Marvell schloss die Übernahme von Celestial AI im Februar 2026 ab und brachte diese Technologie damit in einen großen Halbleiteranbieter ein.
Diese Unternehmen verkaufen nicht alle identische Produkte. Einige betonen allgemeines optisches I/O, während andere Rechenleistung direkt mit disaggregiertem Speicher verbinden. Ihre Präsenz erhöht dennoch die kommerzielle Messlatte für Volantis.
Große etablierte Anbieter können validierte Schnittstellen, Fertigungsbeziehungen und Kundensupport liefern. Sie können Photonik zudem in bestehende Produkt-Roadmaps einbetten. Volantis muss zeigen, dass sein spezialisiertes Design einen Vorteil schafft, den diese breiteren Plattformen nicht leicht nachbilden können.
Seine integrierte VCSEL-Strategie ist ein Differenzierungsmerkmal. Der Verzicht auf externe Laser könnte bestimmte Teile der optischen Montage vereinfachen. Zudem könnte er die Abhängigkeit von Laserkomponenten verringern, die häufig in Siliziumphotonik-Designs eingesetzt werden.
Diese Entscheidung wirft eigene technische Fragen auf. Integrierte Lichtquellen müssen bei Temperaturschwankungen und Produktionsvariationen vorhersehbar arbeiten. Ausfallende Emitter oder Wellenleiter dürfen ein Package mit vielen teuren Chiplets nicht beeinträchtigen.
Der primäre Wettbewerb bleibt daher architektonisch. Volantis argumentiert, dass eine Ausweitung optischer Konnektivität innerhalb des Package die HBM-Küstenlinie überwinden kann, also den begrenzten Randbereich für elektrische Links.
Etablierte Anbieter von Beschleunigern argumentieren mit ihren Produkten, dass enger angebundenes HBM, besseres Networking und Softwareoptimierung weiter skalieren können. Beide Wege nutzen Photonik, setzen sie aber an unterschiedlichen Punkten im System ein.
Volantis gewinnt nur, wenn das Heranrücken der Optik an den Speicher einen messbaren Systemvorteil erzeugt. Optische Neuartigkeit allein wird Käufer nicht überzeugen, die kostspielige, geschäftskritische Inferenzflotten verwalten.
Was die Behauptungen zu Volantis A-1 noch nicht belegen
Die größte Unsicherheit betrifft nicht den optischen Link selbst, sondern die Frage, ob Volantis daraus ein zuverlässiges und wirtschaftliches Produktionssystem machen kann.
Das Unternehmen hat mehrere Ziele auf Geräteebene veröffentlicht. Einen vollständigen Drittanbieter-Benchmark, der A-1 mit aktuellen Inferenzplattformen vergleicht, hat es nicht vorgelegt. Diese Lücke begrenzt Schlussfolgerungen zur Anwendungsleistung.
Tokens pro Sekunde können zudem wichtige Variablen verschleiern. Die Ergebnisse hängen von Modellarchitektur, Präzision, Kontextlänge, Batch-Größe, Ausgabelänge und Latenzmessung ab. Ein Wert ohne diese Bedingungen ermöglicht keinen fairen Plattformvergleich.
Das Ziel von 10.000 Tokens pro Sekunde je Nutzer ist besonders empfindlich gegenüber der Workload-Definition. Kleinere oder stark komprimierte Modelle können Tokens schneller erzeugen als riesige Frontier-Systeme. Dieselbe Hardware kann sich anders verhalten, wenn der Kontext wächst.
Volantis verknüpft dieses Durchsatzziel mit Modellen von mehr als 20 Billionen Parametern. Das Unternehmen hat weder ein solches Produktionsmodell öffentlich benannt noch eine reproduzierbare Benchmark-Suite bereitgestellt. Leser sollten diese Verbindung als Systemziel betrachten.
Auch der Speicherpool erfordert eine genaue Prüfung. Spitzenwerte bei der aggregierten Bandbreite entsprechen nicht der dauerhaft für jeden Workload verfügbaren Bandbreite. Protokoll-Overhead, Konkurrenz um Ressourcen, Datenplatzierung und das Verhalten der Speichercontroller können die tatsächlich erzielte Leistung mindern.
Die Latenz wirft ein ähnliches Problem auf. Ein Link mit weniger als fünf Nanosekunden Latenz bedeutet nicht, dass eine Anwendung Daten innerhalb von fünf Nanosekunden erhält. Controller, Switches, Arbitration und Speicherzugriff verursachen jeweils zusätzliche Verzögerungen.
Die Zuverlässigkeit wird mit steigender Komponentenanzahl schwieriger. Eine Fabric mit Tausenden optischen Lanes benötigt Redundanz und Fehlermanagement. Ein Package mit Hunderten Speicherchiplets muss Fertigungsvariationen und Komponentenausfälle tolerieren.
Das thermische Verhalten ist ein weiterer Punkt. Photonische Komponenten können sich mit der Temperatur verändern, während KI-Beschleuniger erhebliche Wärme erzeugen. Volantis erklärt, sein Design bleibe über 95 Grad Celsius stabil, doch systemweite Belege bleiben begrenzt.
Das Packaging könnte darüber entscheiden, ob die Architektur praktikabel wird. Große Interposer sind teuer und bei hohen Ausbeuten schwer zu fertigen. Jede zusätzliche optische und elektronische Schnittstelle schafft einen weiteren Punkt, der Montage und Tests erfordert.
Die Lieferkettenstrategie könnte helfen, das Design zu differenzieren. Das Unternehmen betont VCSELs aus Galliumarsenid statt Lasertechnologien, die auf anderen Verbindungshalbleitermaterialien beruhen. Ein anderer Materialstack beseitigt jedoch nicht das Fertigungsrisiko.
Auch die Softwarekompatibilität ist wichtig. Plattformen für Model Serving erwarten bestimmte Speicherverhalten, Kommunikationsbibliotheken und Beschleunigerschnittstellen. Volantis hat nicht vollständig erklärt, wie bestehende Inferenzsoftware auf A-1 abzielen wird.
Kunden werden Werkzeuge für Scheduling, Profiling, Fehlerbehebung und Modellplatzierung benötigen. Diese Fähigkeiten benötigen häufig Jahre, um auszureifen. Hardwareleistung kann unzugänglich bleiben, wenn Software sie nicht zuverlässig nutzen kann.
Eine weitere Frage betrifft die kommerzielle Einheit. Volantis beschreibt ein System, potenzielle Käufer benötigen jedoch Details zur Bereitstellung. Sie werden fragen, ob A-1 als Appliance, Beschleuniger, Rack, lizenzierte Architektur oder partnerintegrierte Komponente geliefert wird.
Das Unternehmen muss zudem seinen ersten Markt identifizieren. Frontier-Labore könnten extreme Kapazität schätzen, verlangen jedoch umfangreiche Validierung. Cloud-Provider bieten Skalierung, benötigen aber in der Regel vorhersehbare Liefermengen und Support.
Unternehmen stellen einen breiteren Markt mit anderen Anforderungen dar. Viele betreiben kleinere Modelle, die auf bestehende Beschleuniger passen. Sie könnten konventionelle Hardware bevorzugen, sofern optisches Pooling nicht niedrigere Kosten ohne operative Komplexität liefert.
Der anhand öffentlicher Materialien erklärte Volantis A-1 ist daher ein starkes architektonisches Konzept, kein abschließendes Markturteil. Seine Behauptungen beschreiben, was das System leisten soll. Sie belegen keine Produktionsreife.
Diese Unterscheidung macht das Projekt nicht unwichtig. Halbleiter-Startups beschaffen routinemäßig Kapital vor endgültigem Silizium und Kundeneinsätzen. Sie definiert lediglich die Nachweise, die noch erforderlich sind, bevor Leistungsbehauptungen als akzeptierte Fakten gelten.
Drei Signale werden zeigen, ob die Speicherwette funktioniert
Die nächste Phase hängt von reproduzierbaren Hardwareergebnissen, Fertigungsnachweisen und einem glaubwürdigen Kundeneinsatz ab.
Das erste Signal ist eine vollständige A-1-Demonstration mit einem benannten Modell und offengelegten Testbedingungen. Volantis sollte Modellgröße, numerische Präzision, Kontextlänge, Batch-Größe, Latenz, Leistungsaufnahme und nachhaltigen Durchsatz angeben.
Ein Ergebnis eines unabhängigen Labors oder Kunden hätte mehr Gewicht als eine interne Demonstration. Es würde zeigen, ob die photonische Memory-Fabric die Leistung vollständiger Anwendungen verbessert und nicht nur die Link-Bandbreite.
Ein solcher Benchmark würde das Argument des Unternehmens stärken, wenn A-1 hohen Durchsatz bei wachsender Modellgröße und Kontextlänge aufrechterhält. Schwache Skalierung oder restriktive Testbedingungen würden das Vertrauen in die Architektur verringern.
Das zweite Signal ist eine Roadmap für Fertigung und Packaging. Volantis muss Foundry-, Speicher-, Packaging- und Systempartner benennen, selbst wenn einige kommerzielle Details vertraulich bleiben.
Die Roadmap sollte erklären, wie das Unternehmen integrierte Laser und Wellenleiter in großen Stückzahlen testet. Sie sollte außerdem Redundanz, Reparatur, Kühlung und Ausbeute über einen großen optischen Interposer hinweg behandeln.
Fortschritte hier würden zeigen, dass Volantis die Lücke zwischen Laborgeräten und reproduzierbarer Hardware schließen kann. Verzögerungen oder wesentliche Änderungen der Spezifikation würden darauf hindeuten, dass die Integration weiterhin das zentrale Hindernis ist.
Das dritte Signal ist Kundenvalidierung. Ein Hyperscaler, Modellentwickler oder Serverhersteller muss zeigen, dass A-1 ein Workload-Problem löst, das eine Änderung der Infrastruktur rechtfertigt.
Der überzeugendste Einsatzfall wäre ein Modell, das bestehende HBM-Systeme bei niedriger Latenz nicht effizient bedienen können. Agenten mit langem Kontext und große Sparse-Modelle sind naheliegende Kandidaten.
Ein Kunde sollte zudem operative Kennzahlen über die Spitzenzahl an Tokens pro Sekunde hinaus offenlegen. Auslastung, Energieverbrauch, Fehlerraten, Verfügbarkeit und Kosten pro abgeschlossener Aufgabe würden zeigen, ob das Design die tatsächliche Wirtschaftlichkeit verbessert.
Wettbewerbsreaktionen spielen bei allen drei Signalen eine Rolle. Ayar Labs, Lightmatter, Marvell, Nvidia und Anbieter von Beschleunigern werden ihre eigenen optischen und Speicherarchitekturen weiterentwickeln. Volantis verfügt über kein unangefochtenes Entwicklungsfenster.
Die Series-A-Finanzierung über 88 Millionen US-Dollar verschafft Volantis die Ressourcen, sein photonisches KI-Interconnect in relevantem Maßstab voranzutreiben. Sie ersetzt jedoch nicht den Bedarf an Belegen zu Packaging, Software, Zuverlässigkeit und Kundenbetrieb.
Für Entwickler und Unternehmenskäufer lautet die unmittelbare Lehre nicht, Systeme rund um eine unveröffentlichte Plattform neu zu gestalten. Vielmehr gilt es zu beobachten, wo bei realen Workloads Inferenzengpässe entstehen.
Teams sollten Speicherauslastung, Zeit bis zum ersten Token, dauerhafte Generierungsgeschwindigkeit, Kontextwachstum und Leerlaufzeit der Prozessoren messen. Diese Beobachtungen werden zeigen, ob künftige optische Speichersysteme eine tatsächliche Einschränkung lösen.
Das photonische KI-Interconnect von Volantis wird dann relevant, wenn es riesige Modelle interaktiv macht, ohne die Zahl der benötigten Beschleuniger zu vervielfachen. Der nächste Benchmark, die nächste Fertigungspartnerschaft und der nächste Kundeneinsatz werden zeigen, ob dieses Versprechen den Kontakt mit der Produktion übersteht.
