d-Matrix dołącza do platformy NVIDIA NVLink Fusion, ale Raptor wciąż musi się sprawdzić
d-Matrix dołącza do platformy NVIDIA NVLink Fusion z wieloletnim planem dla Raptora, choć pierwsze zintegrowane szafy firmy są oddalone o ponad rok. Producent układów do inferencji oczekuje, że Raptor osiągnie etap tape-out przed końcem 2026 roku. Pierwsza dostępność szaf NVIDIA MGX jest planowana na czwarty kwartał 2027 roku.
Partnerstwo daje d-Matrix bezpośrednią drogę do architektury szafowej NVIDIA, jej sieci, chłodzenia i łańcucha dostaw. Ujawnia też trudniejszą prawdę o konkurowaniu z NVIDIA. Wyróżniający się akcelerator już nie wystarcza. Klienci coraz częściej oczekują kompletnego, gotowego do wdrożenia systemu z potwierdzonymi rozwiązaniami sieciowymi i oprogramowaniem.
NVIDIA korzysta na tym wymaganiu. NVLink Fusion umożliwia niestandardowym procesorom wejście do jej infrastruktury bez zastępowania otaczających je komponentów NVIDIA. Dla d-Matrix układ ten zmniejsza nakład prac inżynieryjnych potrzebny do skalowania Raptora. Dla NVIDIA rozszerza zasięg platformy na szafy zawierające procesory budowane jako alternatywa dla uniwersalnych GPU.
To sprawia, że ogłoszenie dotyczy mniej pojedynczej licencji na interkonekt, a bardziej kontroli nad szafą AI. Raptor obiecuje wyspecjalizowaną, zorientowaną na pamięć inferencję. NVIDIA dostarcza znaczną część systemu, który przekształca procesor w infrastrukturę. Otwarte pozostaje pytanie, czy d-Matrix zdoła zachować istotną przewagę techniczną i ekonomiczną w tym środowisku.
d-Matrix dołącza do platformy NVIDIA NVLink Fusion z celem na 2027 rok
Umowa przenosi Raptora z autonomicznej mapy rozwoju układu do modelu wdrożeń NVIDIA w skali szafy, ale nie czyni z Raptora gotowego produktu.
d-Matrix ogłosił współpracę 10 września 2026 roku. Jego wieloletnia mapa rozwoju zaczyna się od Raptora, układu inferencyjnego XPU nowej generacji firmy. XPU to akcelerator przeznaczony do konkretnych obciążeń, zaprojektowany tak, aby wykonywać wybrane zadania obliczeniowe wydajniej niż procesor ogólnego przeznaczenia.
Raptor będzie łączyć się przez NVLink Fusion, technologię NVIDIA służącą do integrowania z jej skalowalną strukturą zewnętrznych CPU i niestandardowych akceleratorów. Sieć scale-up łączy procesory w obrębie ściśle powiązanej domeny obliczeniowej. Projekt wykorzysta również Spectrum-X Ethernet do sieci scale-out między systemami.
Planowana szafa zawiera znacznie więcej niż krzem d-Matrix. Ogłoszona konfiguracja obejmuje procesory NVIDIA Vera, przełączniki NVLink, jednostki przetwarzania danych BlueField-4, karty ConnectX-9 SuperNIC oraz sieć Spectrum-X. Będzie zgodna z architekturą referencyjną NVIDIA MGX, w tym z modułowymi, bezkablowymi tacami obliczeniowymi.
Astera Labs zapewni rozwiązania łączności, które mają wspierać przepływ danych o wysokiej przepustowości w całym systemie. Jest to istotne, ponieważ wydajność akceleratora może zostać utracona przez wąskie gardła komunikacyjne, gdy obciążenie obejmuje procesory, tace i szafy.
NVIDIA przedstawia ten układ jako drogę od niestandardowego krzemu do wdrożenia na pełną skalę. Jej plan dla skali szafowej umieszcza Raptora obok infrastruktury NVIDIA, zamiast traktować go jako odizolowane urządzenie. Operatorzy zyskaliby wspólną konstrukcję szafy, zdolną obsługiwać GPU, CPU i wyspecjalizowane XPU.
Pierwszym proponowanym zastosowaniem jest rozproszona inferencja, która dzieli różne etapy wykonywania modelu między różne procesory. W przypadku kodowania wspomaganego przez AI, GPU NVIDIA mogłyby przetwarzać intensywny obliczeniowo etap prefill. Raptor mógłby następnie obsługiwać wrażliwy na opóźnienia etap decode, generujący tokeny jeden po drugim.
Ten podział odzwierciedla rzeczywistą różnicę architektoniczną. Prefill przetwarza dane wejściowe użytkownika i buduje stan roboczy modelu. Decode wielokrotnie odczytuje wagi modelu i tworzy odpowiedź. Wydajność decode może być ograniczana przez transfer danych w pamięci, szczególnie gdy użytkownicy oczekują szybkich, interaktywnych wyników.
d-Matrix celuje w to ograniczenie poprzez architekturę zorientowaną na pamięć. Raptor ma łączyć układ pamięci DRAM z układem obliczeniowym SRAM w pionowo ułożonym pakiecie. SRAM zapewnia szybki dostęp blisko logiki obliczeniowej, podczas gdy DRAM oferuje większą pojemność. Firma twierdzi, że dwupoziomowa konfiguracja skraca ścieżki danych i zwiększa użyteczną przepustowość.
Ogłoszona szafa pozostaje jednak elementem mapy rozwoju. d-Matrix oczekuje, że Raptor osiągnie etap tape-out przed końcem 2026 roku. Tape-out oznacza ukończenie projektu układu przed rozpoczęciem produkcji, a nie komercyjną dostawę. Nadal konieczne są produkcja, pakowanie, walidacja, kwalifikacja oprogramowania i integracja z szafą.
Firma spodziewa się pierwszych systemów Raptor MGX w czwartym kwartale 2027 roku. Ten harmonogram definiuje zasadnicze napięcie. d-Matrix zapewnił sobie wiarygodną drogę do centrów danych opartych na NVIDIA, lecz klienci nie mogą jeszcze zmierzyć parametrów gotowej szafy.
Dla kupujących ogłoszenie zmienia zatem bardziej pewność architektoniczną niż natychmiastową dostępną moc. Raptor ma teraz nazwany interkonekt, CPU, stos sieciowy, format szafy i cel wdrożeniowy. Rzeczywisty produkt wciąż musi pokonać lukę między zobowiązaniem projektowym a zwalidowaną infrastrukturą.
NVIDIA przekształca wybór akceleratora w zapotrzebowanie na platformę
d-Matrix zyskuje dostęp do dojrzałego systemu wdrożeniowego, podczas gdy NVIDIA sprawia, że jej infrastruktury trudniej uniknąć klientom wybierającym akceleratory spoza NVIDIA.
NVIDIA wprowadziła NVLink Fusion w maju 2025 roku jako sposób budowania półniestandardowej infrastruktury AI. Jej początkowe ogłoszenie NVLink Fusion wymieniało wśród uczestniczących firm MediaTek, Marvell, Alchip Technologies, Astera Labs, Synopsys, Cadence, Fujitsu i Qualcomm.
Program oddziela decyzję o wyborze akceleratora od reszty szafy. Dostawca chmury może wybrać niestandardowy XPU, zachowując procesory, interkonekty, przełączniki, adaptery sieciowe, jednostki przetwarzania danych oraz projekty referencyjne NVIDIA. NVIDIA może zatem uczestniczyć w projekcie, nawet gdy jej GPU nie jest jedynym silnikiem obliczeniowym.
Ma to strategiczne znaczenie, ponieważ hyperskalerzy i laboratoria AI rozwijają wyspecjalizowany krzem, aby zmniejszyć zależność od pojedynczego dostawcy akceleratorów. Niestandardowe układy pozwalają też operatorom dostosować sprzęt do konkretnych obciążeń, limitów mocy i wymagań usługowych.
NVLink Fusion odpowiada na ten trend, czyniąc specjalizację kompatybilną z platformą NVIDIA. Nie wymaga, aby każdy procesor był GPU NVIDIA. Zachęca te procesory do działania w systemie zaprojektowanym przez NVIDIA.
Dla mniejszej firmy produkującej układy taka wymiana jest atrakcyjna. Zbudowanie konkurencyjnego akceleratora już wymaga projektowania krzemu, kompilatorów, kerneli, oprogramowania runtime, obsługi modeli, pakowania i produkcji. Wdrożenie w skali szafy dodaje dostarczanie zasilania, chłodzenie cieczą, kable, przełączniki, łatwość serwisowania, certyfikację i wsparcie w terenie.
Każda dodatkowa warstwa tworzy kolejny powód, by kupujący opóźnił wdrożenie. Akcelerator może działać dobrze w laboratorium, lecz wymagać nieznanych serwerów lub odrębnej sieci. Operatorzy centrów danych muszą wtedy kwalifikować nowy stos, utrzymując jednocześnie istniejącą infrastrukturę NVIDIA.
MGX zmniejsza te trudności dzięki wielokrotnie wykorzystywanym specyfikacjom szaf i serwerów. d-Matrix może skoncentrować więcej prac inżynieryjnych na Raptorze i stosie oprogramowania Aviator. Może również przedstawić kupującym komponenty i wzorce operacyjne, które już występują w innych wdrożeniach NVIDIA.
Kosztem jest większa zależność architektoniczna. d-Matrix nie tylko łączy się z otwartą siecią na obrzeżu szafy. Proponowany system integruje technologie NVIDIA w warstwach scale-up, scale-out, CPU, interfejsu sieciowego i zarządzania danymi.
Niezależna ocena byłaby tu przydatna, ale kluczowy kompromis jest widoczny w ogłoszonym zestawieniu komponentów. d-Matrix zyskuje wiarygodność wdrożeniową, akceptując szafę NVIDIA jako środowisko operacyjne.
Nie czyni to XPU nieistotnym. Akcelerator nadal określa, jak efektywnie wykonywane są docelowe operacje modelu. NVIDIA kontroluje jednak wiele interfejsów, które decydują o tym, czy wydajność pojedynczego układu przekłada się na trwałą wydajność aplikacji.
Dlatego d-Matrix wywiera większą presję na konkurencyjne ścieżki infrastrukturalne, niż bezpośrednio na NVIDIA. Startup mógłby budować rozwiązanie wokół Ethernetu, PCI Express lub własnej struktury połączeń. Musiałby wówczas przekonać klientów, że alternatywa zapewnia wystarczającą niezależność lub wydajność, aby uzasadnić dodatkowe prace integracyjne.
Raptor zamiast tego trafia do kupujących tam, gdzie działa już znaczna część ich infrastruktury AI. Ta decyzja może skrócić cykle zakupowe i kwalifikacyjne. Wzmacnia również NVLink jako powszechną opcję scale-up dla niestandardowych procesorów.
NVIDIA skutecznie poszerza swój dostępny rynek platformowy. Jeśli uniwersalne GPU zachowają wszystkie obciążenia, NVIDIA wygrywa. Jeśli wyspecjalizowane akceleratory przejmą wybrane obciążenia, ale będą opierać się na NVLink, MGX, Spectrum-X i BlueField, NVIDIA nadal zajmuje kluczowe części systemu.
Rezultatem jest bardziej subtelna mapa konkurencyjna. Wybór akceleratorów się rozszerza, lecz konwergencja infrastruktury może rosnąć. Wpływ NVIDIA przesuwa się od posiadania każdego urządzenia obliczeniowego ku definiowaniu sposobu, w jaki heterogeniczne urządzenia stają się jedną fabryką AI.
Mechanizm Raptora celuje w wąskie gardło decode
Raptor ma znaczenie tylko wtedy, gdy jego architektura pamięci przełoży mniejszy transfer danych na lepsze opóźnienia aplikacji, zużycie energii i ekonomikę szafy.
d-Matrix zbudował swoją pozycję rynkową wokół inferencji, a nie trenowania modeli. Trenowanie tworzy lub aktualizuje parametry modelu za pomocą dużych obliczeń równoległych. Inferencja wykorzystuje te parametry, gdy wdrożony model odpowiada użytkownikom.
Te fazy nie zawsze premiują identyczny sprzęt. GPU pozostają bardzo elastyczne i korzystają z dojrzałego oprogramowania, szerokiej obsługi modeli oraz wdrożeń na masową skalę. Wyspecjalizowane procesory inferencyjne mogą skupiać zasoby krzemowe i pamięciowe na powtarzalnych operacjach dominujących w obsłudze produkcyjnej.
Raptor rozwija architekturę stojącą za obecnym produktem Corsair firmy d-Matrix. Corsair wykorzystuje cyfrowe obliczenia w pamięci, które umieszczają operacje arytmetyczne blisko przechowywanych danych modelu. Celem jest ograniczenie energii i opóźnień związanych z wielokrotnym przenoszeniem wag między pamięcią a jednostkami obliczeniowymi.
Transfer danych ma znaczenie podczas generowania tokenów, ponieważ duże modele muszą nieustannie uzyskiwać dostęp do znaczących zbiorów parametrów. Procesor o dużej mocy arytmetycznej wciąż może czekać na pamięć. Teza d-Matrix zakłada, że przybliżenie obliczeń do wag modelu pozwala uzyskać szybszą inferencję przy małych partiach danych.
Małe partie są istotne dla aplikacji interaktywnych. Dostawca może zwiększyć wykorzystanie sprzętu, łącząc wiele żądań w większą partię. Oczekiwanie na zebranie takiej partii może zwiększyć opóźnienie, podczas gdy przetwarzanie pojedynczych żądań może pozostawiać konwencjonalny sprzęt niewykorzystany.
Asystenci programowania, chatboty działające na żywo i agenci głosowi bezpośrednio pokazują ten kompromis. Użytkownik zauważa opóźnienie przed pierwszym użytecznym wynikiem oraz rytm kolejnych tokenów. Operator platformy zauważa ilość sprzętu i energii potrzebną do utrzymania tej responsywności w wielu równoczesnych sesjach.
d-Matrix nazywa ten rynek usługami premium tokenów. Określenie to opisuje inferencję, w której klienci cenią niskie opóźnienia na tyle, by uzasadnić wyspecjalizowaną infrastrukturę. Jest to sposób przedstawiania rynku przez firmę, a nie uznana kategoria ekonomiczna z niezależnie raportowaną wielkością rynku.
Proponowana architektura Raptor ma zwiększyć pojemność pamięci dostępną dla tego podejścia. d-Matrix twierdzi, że umieści pamięć DRAM nad układem obliczeniowym SRAM, tworząc krótką fizyczną ścieżkę między pojemnością a przetwarzaniem. Różni się to od konwencjonalnych projektów akceleratorów, które łączą logikę z oddzielnymi stosami pamięci o wysokiej przepustowości.
Firma publicznie zaprezentowała swoje podejście do pamięci 3D, ale koncepcja techniczna nie jest jeszcze benchmarkiem szafowym. Zachowanie termiczne, uzysk produkcyjny, pojemność pamięci, wsparcie kompilatora i wydajność połączeń będą wpływać na końcowy system.
NVLink Fusion odpowiada za inną część tego mechanizmu. Pojedyncze urządzenie Raptor nie obsłuży samodzielnie każdego dużego lub rozproszonego obciążenia. Połączenie wielu XPU w domenie o wysokiej przepustowości i niskich opóźnieniach pozwala d-Matrix obsługiwać większe modele i więcej równoczesnych żądań.
Spectrum-X łączy następnie szafy lub domeny systemowe przez Ethernet. Ten podział między skalowaniem w górę a skalowaniem wszerz daje d-Matrix drogę od jednego wyspecjalizowanego urządzenia do wdrożenia w centrum danych. NVIDIA już oferuje te warstwy sieciowe jako część swojej infrastruktury AI.
Heterogeniczna dezagregacja zapewnia najczytelniejszy proponowany przypadek użycia. GPU obsługuje prefill, gdzie wartościowe są obliczenia równoległe. Raptor obsługuje decode, gdzie większe znaczenie mają dostęp do pamięci i opóźnienie dla pojedynczego użytkownika. Oba typy procesorów muszą wymieniać stan modelu wystarczająco wydajnie, by zachować tę korzyść.
Ten ostatni warunek zasługuje na uwagę. Podział obciążenia tworzy narzut komunikacyjny i orkiestracyjny. Jeśli przenoszenie stanu między GPU a XPU zajmuje zbyt dużo czasu, połączony system może utracić przewagę mierzoną osobno na każdym z procesorów.
Oprogramowanie zdecyduje o tym, czy taki podział pozostanie możliwy do zarządzania. Operatorzy potrzebują harmonogramowania, obsługi modeli, monitoringu, obsługi awarii i przewidywalnej wydajności przy zmieniających się wzorcach żądań. Potrzebują również deweloperów, którzy mogą wdrażać modele bez utrzymywania osobnych potoków dla każdej kombinacji sprzętowej.
Oprogramowanie Aviator od d-Matrix musi połączyć te wymagania. Komponenty systemowe NVIDIA pomagają w sieci i operacjach szafowych, ale nie sprawiają automatycznie, że modele dobrze działają na Raptor. Jakość kerneli, wsparcie kwantyzacji, kompatybilność z frameworkami i obserwowalność produkcyjna pozostają odpowiedzialnością d-Matrix.
Corsair dostarcza pewnych dowodów, że firma wyszła poza etap symulacji. d-Matrix poinformowało w czerwcu 2026 roku, że Corsair wszedł do pełnej produkcji, a dostawy wolumenowe dla wybranych klientów są planowane. Jego aktualizacja produkcyjna Corsair opisywała również chłodzone powietrzem karty i systemy szafowe.
Firma przywołała testy Gimlet Labs, w których konfiguracja GPU i Corsair skróciła bazowy czas odpowiedzi z 24 sekund do mniej niż dwóch sekund. Wynik dotyczył konkretnej konfiguracji speculative decoding. Nie należy go uogólniać na każdy model, wzorzec żądań ani konkurencyjny system GPU.
Mimo to Corsair daje Raptorowi poprzednika z działającym krzemem i bazą oprogramowania. d-Matrix nie proponuje swojego pierwszego akceleratora. Trudniejszym krokiem jest przełożenie tego doświadczenia na nowy pakiet 3D i szafę zintegrowaną z NVIDIA.
To mechanizm stojący za decyzją d-Matrix dotyczącą NVLink Fusion. Raptor zapewnia wyspecjalizowaną moc dla decode. NVLink i MGX dostarczają warstwę połączeń oraz fizyczny system. GPU pozostają dostępne dla etapów, do których lepiej się nadają.
Jeśli połączenie zadziała, nabywcy mogliby przypisywać różne etapy modelu do różnych procesorów bez budowania osobnej architektury centrum danych. Jeśli zawiedzie, dodatkowy XPU stanie się kolejnym komponentem, który trzeba kupić, programować, monitorować i wspierać.
Termin dostawy w 2027 roku pozostawia główne twierdzenia niezweryfikowane
Partnerstwo zmniejsza ryzyko integracji, ale nie potwierdza wydajności Raptora, gotowości produkcyjnej ani ekonomiki dla klientów.
Pierwszym ogłoszonym kamieniem milowym Raptora jest tape-out przed końcem 2026 roku. Udany tape-out zamroziłby projekt na potrzeby produkcji. Nie potwierdziłby jednak uzysku produkcyjnego, częstotliwości taktowania, zużycia energii, wymagań chłodzenia ani trwałej wydajności aplikacyjnej.
Kolejnym wyzwaniem jest pakiet z pamięcią warstwową. Łączenie różnych technologii pamięci i układów logicznych wymaga ścisłej kontroli warunków produkcyjnych i termicznych. Projekt, który skraca ścieżki elektryczne, może również koncentrować ciepło i zwiększać złożoność pakowania.
d-Matrix podaje, że Raptor jest oceniany przez hyperscalerów AI i laboratoria pracujące nad modelami frontier. W ogłoszeniu nie wskazano tych podmiotów. Ocena różni się też od zamówienia zakupu, wdrożenia produkcyjnego czy zobowiązania do obsługi stałego obciążenia.
Ta sama ostrożność dotyczy zgłaszanej przez firmę liczby patentów. d-Matrix twierdzi, że Raptor jest objęty ponad 100 patentami. Patenty mogą chronić wybory implementacyjne, ale nie dowodzą, że system da się produkować lub że jest ekonomicznie lepszy.
Niezależne testy będą musiały porównywać kompletne systemy, a nie izolowane komponenty. Przydatne pomiary obejmują czas do pierwszego tokena, opóźnienie między tokenami, trwałą przepustowość, opóźnienie ogonowe, energię na token, pobór mocy szafy, pojemność pamięci i wykorzystanie zasobów.
Jakość modelu musi pozostać stała podczas takich porównań. Kwantyzacja, speculative decoding, batchowanie i modyfikacje modelu mogą zwiększać szybkość, jednocześnie zmieniając wynik lub przenosząc pracę w inne miejsce. Nabywcy potrzebują przejrzystych konfiguracji, aby zrozumieć, co wygenerowało każdy rezultat.
Najmocniejszy benchmark odtworzyłby usługę produkcyjną przy realistycznej współbieżności. Powinien obejmować komunikację między GPU NVIDIA a XPU Raptor, a nie tylko kernel decode działający na jednym urządzeniu. Powinien także raportować wydajność dla kilku rozmiarów i architektur modeli.
Dojrzałość oprogramowania tworzy kolejną niewiadomą. GPU NVIDIA obsługują szeroki zestaw frameworków, bibliotek i narzędzi operacyjnych. Wyspecjalizowany akcelerator nie musi oferować identycznej szerokości wsparcia, lecz musi obsługiwać obciążenia uzasadniające jego wdrożenie.
Szybkie zmiany modeli mogą komplikować to zadanie. Nowe mechanizmy uwagi, konstrukcje mixture-of-experts, dłuższe okna kontekstu i odmienne formaty numeryczne mogą zmieniać równowagę między obliczeniami a pamięcią. Architektura Raptora musi pozostać użyteczna wraz z ewolucją tych obciążeń.
Harmonogram na 2027 rok daje konkurentom czas na reakcję. NVIDIA będzie nadal poprawiać własną wydajność inferencji poprzez GPU, oprogramowanie, pamięć i projekty szafowe. Inni wyspecjalizowani dostawcy mogą dążyć do niższych opóźnień za pomocą odmiennych architektur procesorów i pamięci.
Cerebras wykorzystuje systemy wafer-scale, aby ograniczyć komunikację między oddzielnymi układami. Groq koncentruje się na deterministycznym wykonywaniu i generowaniu tokenów o niskim opóźnieniu. Hyperscalerzy, w tym Amazon i Google, rozwijają własne akceleratory wokół pionowo zintegrowanych usług chmurowych.
Szersza konkurencja na rynku układów do inferencji pokazuje, dlaczego wdrożenie ma równie duże znaczenie jak architektura. Startupy muszą konkurować dostępnością sprzętu, znajomością narzędzi przez deweloperów, dostępem do chmury i zaufaniem w procesie zakupowym, a nie tylko wynikami benchmarków.
Platforma NVIDIA może pomóc d-Matrix pokonać kilka z tych barier. Nie eliminuje jednak kosztu dodania kolejnego typu procesora. Nabywcy nadal będą pytać, czy zysk w opóźnieniach lub efektywności przewyższa koszty integracji, zapasów, oprogramowania i działalności operacyjnej.
Warunki handlowe pozostają nieujawnione. Firmy nie opublikowały oczekiwanych konfiguracji szaf, dostępnej pamięci, limitów poboru energii, warunków serwisowych ani zobowiązań klientów. Te szczegóły ukształtują rzeczywistą wartość współpracy.
Istnieje również ryzyko strategicznej zależności. d-Matrix pozycjonuje Raptora jako uzupełnienie GPU, lecz jego szafa opiera się na licznych komponentach NVIDIA. Zmiany w planach rozwoju NVIDIA, licencjonowaniu, alokacji dostaw lub priorytetach interfejsów mogą więc wpływać na wdrożenia d-Matrix.
Ta zależność nie unieważnia partnerstwa. Każda firma infrastrukturalna opiera się na dostawcach i standardach. Oznacza jednak, że deklaracje o poszerzonym wyborze akceleratorów należy oceniać wraz z koncentracją otaczającej technologii.
Kluczowe rozróżnienie dotyczy walidacji architektonicznej i walidacji rynkowej. Udział NVIDIA potwierdza, że Raptor jest poważnym kandydatem do integracji. Walidacja rynkowa wymaga dostarczonych systemów, odtwarzalnych pomiarów, obsługiwanych modeli oraz klientów obsługujących trwały ruch produkcyjny.
Dopóki te sygnały się nie pojawią, d-Matrix Joins the NVIDIA NVLink Fusion Platform pozostaje historią o planie rozwoju. To znaczący plan, ponieważ wskazuje komponenty, podział obciążenia i okno dostępności. Nie stanowi dowodu, że Raptor zdobył udział w produkcyjnej inferencji.
Trzy sygnały pokażą, czy partnerstwo ma znaczenie
Tape-out, benchmarki na poziomie szafy i wskazane wdrożenia produkcyjne zdecydują, czy ogłoszenie stanie się infrastrukturą, czy pozostanie planem integracji.
Pierwszym sygnałem jest tape-out Raptora. d-Matrix oczekuje tego kamienia milowego przed końcem 2026 roku. Jego osiągnięcie wskazywałoby, że architektura, interfejs NVLink i projekt fizyczny są gotowe do wejścia do produkcji.
Opóźnienie osłabiłoby zaufanie do celu dostępności w czwartym kwartale 2027 roku. Po tape-oucie następują produkcja układów, wstępne testy krzemu, poprawki, kwalifikacja pakowania i walidacja systemu. Każdy etap pozostawia ograniczone pole na poślizg, gdy komercyjny system ma już określoną datę.
Jakość pierwszego krzemu ma równie duże znaczenie jak terminowość. d-Matrix musi pokazać, że pakiet pamięci 3D działa przy zakładanych poziomach wydajności i poboru energii. Istotne poprawki po produkcji wywarłyby dodatkową presję na harmonogram dostaw.
Drugim sygnałem jest kompleksowy benchmark szafy Raptor MGX. Powinien on porównywać obsługę wyłącznie przez GPU z heterogenicznym prefill i decode przy identycznych modelach, ustawieniach precyzji, wzorcach żądań i celach jakościowych.
Wiarygodny wynik musi uwzględniać całą ścieżkę danych. Oznacza to przetwarzanie przez GPU, transfer stanu, dekodowanie przez Raptora, komunikację NVLink, sieć i harmonogramowanie. Twierdzenia o przepustowości na poziomie komponentu nie odpowiadają na pytanie, czy użytkownicy otrzymują szybsze odpowiedzi.
Na szczególną uwagę zasługuje opóźnienie ogonowe. Średnia szybkość generowania może ukrywać wolne żądania, które pogarszają usługi interaktywne. Operatorzy powinni szukać pomiarów percentylowych przy zmieniającej się współbieżności, długościach kontekstu i długościach odpowiedzi.
Energia i wykorzystanie zasobów powinny być prezentowane obok opóźnień. Wyspecjalizowany XPU może zapewniać imponujący czas odpowiedzi, pozostając bezczynny w innych fazach obciążenia. Pomiary na poziomie szafy pokazują, czy połączony system poprawia ogólną efektywność.
Te benchmarki wzmocniłyby argumentację, gdyby niezależni ewaluatorzy mogli je odtworzyć. Osłabiłyby ją, gdyby zyski zależały od wąskich klas modeli, nietypowo małych batchy lub konfiguracji obniżających jakość wyników.
Trzecim sygnałem jest wskazane wdrożenie produkcyjne. d-Matrix twierdzi, że hyperscalerzy i laboratoria frontier oceniają Raptora, ale nie ujawniło klientów zobowiązanych do korzystania z szafy NVLink Fusion.
Wskazany operator uruchamiający rzeczywistego asystenta programowania, usługę głosową lub chatbota dostarczyłby mocniejszych dowodów niż kolejna prezentacja architektury. Wdrożenie produkcyjne pokazałoby, że korzyść w opóźnieniach uzasadnia nowy sprzęt, oprogramowanie i procedury operacyjne.
Znaczenie będzie miała skala wdrożenia. Ograniczony test potwierdza kompatybilność. Stałe wdrożenie w wielu szafach potwierdza niezawodność usługi i ekonomię. Rozszerzenie po okresie próbnym stanowiłoby najmocniejszy dowód wartości dla klienta.
Nabywcy powinni także obserwować, które etapy modeli klienci przypisują Raptorowi. Konsekwentne użycie go do decode wspierałoby skoncentrowaną na pamięci tezę d-Matrix. Szersze zadania inferencyjne sugerowałyby, że architektura ma większą elastyczność, niż podkreśla początkowe ogłoszenie.
d-Matrix dołącza do platformy NVIDIA NVLink Fusion w momencie, gdy startupy tworzące akceleratory mierzą się z problemem systemowym. Zaprojektowanie wyróżniającego się krzemu to dopiero początek. Produkt musi pasować do sieci, szafy rack, oprogramowania, chłodzenia i środowiska zakupowego, które klienci już wykorzystują.
NVIDIA oferuje to środowisko firmom, których układy mogą ograniczyć zapotrzebowanie na GPU NVIDIA w wybranych zastosowaniach. Sprzeczność ta jest pozorna tylko wtedy, gdy biznes NVIDIA postrzega się przez pryzmat pojedynczego procesora. W ujęciu strategii platformowej logika jest bezpośrednia.
d-Matrix zyskuje szybszą drogę do wiarygodnych wdrożeń na skalę szaf rack. NVIDIA rozszerza swoją infrastrukturę na systemy heterogeniczne. Klienci otrzymują kolejną opcję akceleratora bez rezygnowania z otaczającego go stosu NVIDIA.
Nierozstrzygnięte pozostaje pytanie, kto przejmie wynikającą z tego wartość. Raptor musi zapewnić wystarczającą poprawę opóźnień lub efektywności, by zasłużyć na miejsce obok GPU. NVIDIA musi utrzymać atrakcyjność NVLink Fusion, nie czyniąc jednocześnie partnerów nierozróżnialnymi w ramach własnej architektury.
Dla deweloperów i nabywców korporacyjnych praktyczna odpowiedź brzmi: śledzić dowody, a nie diagramy topologii. Monitorujcie tape-out, wymagajcie pełnych benchmarków szaf rack i szukajcie nazwanych wdrożeń produkcyjnych. Te trzy sygnały pokażą, czy partnerstwo rzeczywiście poszerza wybór mocy obliczeniowej, czy głównie zwiększa wpływ NVIDIA na ten wybór.
Kolejny ruch należy do d-Matrix. Czy firma zdoła przełożyć kamień milowy projektowy z 2026 roku na zweryfikowane szafy Raptor do końca 2027 roku, z mierzalnymi korzyściami dla modeli produkcyjnych? Do tego czasu najważniejszy rezultat umowy jest jasny: alternatywny krzem AI coraz częściej trafia do centrum danych za pośrednictwem infrastruktury definiowanej przez NVIDIA.
