Fotonowy interkonekt AI Volantis pozyskuje 88 mln USD na zakład o przełamanie bariery pamięci
Volantis pozyskał 88 mln USD na rozwój fotonowego interkonektu AI, który ma rozwiązać jedno z najtrudniejszych ograniczeń obliczeń inferencyjnych: wystarczająco szybkie przesyłanie danych modelu. Runda Serii A zapewnia startupowi półprzewodnikowemu znaczące finansowanie dla systemu A-1. Cele wydajnościowe przypisywane temu systemowi pozostają jednak deklaracjami firmy, a nie niezależnie odtworzonymi wynikami.
Finansowanie ma znaczenie, ponieważ Volantis nie proponuje po prostu kolejnego kabla optycznego między serwerami. Jego projekt umieszcza łącza optyczne wewnątrz pakietu akceleratora, łącząc obliczenia i pamięć na znacznie większym obszarze fizycznym. Firma twierdzi, że ta architektura może połączyć pojemność dużych pul pamięci z przepustowością bliższą szybszym, mniejszym systemom pamięci.
Stawia to Volantis obok coraz poważniejszej grupy firm fotonicznych, w tym Ayar Labs, Lightmatter oraz działu Celestial AI należącego do Marvell. Startup mierzy się też ze sprawdzoną architekturą zasiedziałych graczy. GPU połączone z pamięcią o wysokiej przepustowości mają już ugruntowane systemy oprogramowania, produkcji i wdrożeń. Volantis musi wykazać, że jego tkanina optyczna tworzy wystarczającą wartość, by uzasadnić zmianę tego stosu technologicznego.
Runda finansowania Volantis wspiera kompletny system inferencyjny
Volantis wykorzystuje nowy kapitał do budowy architektury inferencyjnej, a nie do sprzedaży samodzielnego komponentu optycznego.
Volantis ogłosił rundę Serii A 1 października 2026 r. Lachy Groom i Abstract Ventures współprowadzili rundę, według ogłoszenia o finansowaniu firmy. Wśród pozostałych uczestników znaleźli się John Doerr, VXI Capital, Triatomic i Susa Ventures.
Firma wymieniła również Dwarkesha Patela, Naveena Rao i Sholto Douglasa jako inwestorów anielskich. Volantis podaje, że finansowanie podnosi łączną kwotę pozyskanego kapitału do 97 mln USD.
Lista inwestorów nadaje rundzie większe znaczenie niż sama jej wielkość. Rao wcześniej kierował grupą produktów AI w Intel, a Doerr wspierał kilka generacji firm komputerowych. Ich udział nie potwierdza deklaracji inżynieryjnych Volantis, ale wskazuje na poważne zainteresowanie alternatywami dla konwencjonalnego sprzętu inferencyjnego.
Zespół założycielski firmy obejmuje weteranów Nvidia, AMD, Broadcom i Ayar Labs. Volantis twierdzi, że członkowie zespołu wcześniej współtworzyli komercyjne systemy pakowania CoWoS i fotoniki krzemowej. CoWoS to zaawansowana metoda pakowania, która umieszcza wiele układów i pamięć o wysokiej przepustowości blisko siebie.
A-1 jest pierwszym planowanym systemem Volantis. Firma opisuje go jako platformę inferencyjną dla modeli o ponad 20 bilionach parametrów. Celuje też w przepustowość do 10 000 tokenów na sekundę dla każdego użytkownika.
Są to wyjątkowo ambitne cele. Należy traktować je jako założenia projektowe, dopóki klienci, niezależne laboratoria lub partnerzy systemowi nie opublikują porównywalnych pomiarów. Ogłoszenie nie zawierało standaryzowanych wyników benchmarków, danych o wdrożeniach u klientów ani harmonogramu produkcji wystarczająco szczegółowego do zewnętrznej weryfikacji.
Publiczne materiały firmy opisują również wcześniejszy próg ponad 10 bilionów parametrów. Ta rozbieżność może odzwierciedlać ewoluującą specyfikację produktu. Wzmacnia potrzebę odróżniania intencji architektonicznej od ustalonej, dostarczanej konfiguracji.
Volantis przedstawia A-1 jako rozwiązanie dla interaktywnej inferencji, a nie treningu modeli. Inferencja to etap, na którym wytrenowany model przetwarza prompty i generuje wyniki. Szybsza inferencja może usprawnić agentów programistycznych, systemy badawcze oraz inne aplikacje, które wielokrotnie wywołują model podczas realizacji zadania.
Firma argumentuje, że obecny sprzęt zmusza operatorów do wyboru między szybką, lecz ograniczoną pamięcią a większą, ale wolniejszą pamięcią. A-1 zaprojektowano tak, by osłabić ten kompromis poprzez połączenie wielu chipletów pamięci za pomocą tkaniny optycznej.
Zmienia to zasadnicze pytanie wokół rundy finansowania Volantis. Nie chodzi o to, czy łącza optyczne mogą przesyłać dane. Fotonika już dziś działa w całych nowoczesnych centrach danych. Pytanie brzmi, czy Volantis zdoła zintegrować wystarczającą liczbę połączeń optycznych w pobliżu pamięci i obliczeń, aby zmienić ekonomię inferencji.
To wyzwanie wykracza poza rutynowe ogłoszenie o finansowaniu firmy półprzewodnikowej. Startup obiecuje zmianę na poziomie systemu w sposobie, w jaki wagi modeli, kontekst i dane pośrednie docierają do procesorów, które z nich korzystają.
Dlaczego inferencja AI wciąż napotyka barierę pamięci
Ograniczenie, na które celuje Volantis, wynika z przesyłania danych, a nie z prostego niedoboru wydajności obliczeniowej.
Duże modele AI zawierają rozległe tablice wag numerycznych. Podczas inferencji procesory wielokrotnie pobierają te wagi i przenoszą inne dane robocze przez hierarchię pamięci. Procesor może pozostawać niewykorzystany, gdy pamięć nie potrafi dostarczać informacji w wymaganym tempie.
Ta niezgodność jest powszechnie nazywana barierą pamięci. Zdolności obliczeniowe mogą rosnąć szybciej niż praktyczna przepustowość i pojemność pamięci. Dodanie większej liczby jednostek arytmetycznych nie rozwiązuje problemu, gdy jednostki te spędzają czas, czekając na dane.
Pamięć o wysokiej przepustowości, czyli HBM, rozwiązuje część tego ograniczenia. HBM umieszcza warstwową pamięć blisko akceleratora i łączy ją z nim przez bardzo szeroki interfejs. Taki układ zapewnia znacznie większą przepustowość niż konwencjonalna pamięć serwerowa.
Jednak fizyczna przestrzeń pakietu ogranicza ilość HBM, którą można umieścić obok procesora. Połączenia elektryczne tracą również jakość sygnału i zużywają więcej energii wraz ze wzrostem odległości i szybkości transmisji danych. Efekty te komplikują budowę większych pul bez poświęcania opóźnień lub przepustowości.
Problem staje się bardziej widoczny przy interaktywnej inferencji z małą liczbą zadań wsadowych. Usługa obsługująca jedno żądanie nie zawsze może polegać na grupowaniu wielu użytkowników dla zwiększenia wydajności. Każdy wygenerowany token może wymagać kolejnego przeniesienia wag modelu i aktywnych danych kontekstowych.
Dłuższe okna kontekstu tworzą kolejne źródło presji. Modele muszą przechowywać dane kluczy i wartości reprezentujące wcześniejsze części rozmowy lub zadania. Ta pamięć podręczna rośnie wraz z kontekstem, zwiększając wymagania pamięciowe nawet wtedy, gdy bazowy model pozostaje niezmieniony.
Agent programistyczny stanowi konkretny przykład. Może potrzebować wag modelu, dużego repozytorium, wyników poleceń, dokumentacji i długiej historii działań. Szybsze procesory przynoszą ograniczone korzyści, jeśli system stale czeka na dotarcie tych informacji.
Obecne systemy stosują kilka rozwiązań. Operatorzy dzielą modele między wiele akceleratorów, kwantyzują wagi, buforują powtarzające się dane lub przenoszą wybrane informacje do wolniejszych warstw pamięci. Każda z tych technik pomaga, lecz każda wprowadza ograniczenia związane z dokładnością, opóźnieniami, złożonością programowania lub wykorzystaniem zasobów.
Ulepszenia oprogramowania nadal będą istotne. Lepsze harmonogramowanie i kompresja modeli mogą zmniejszyć presję bez potrzeby nowej architektury pakietu. Volantis musi więc przewyższyć zmieniającą się bazę odniesienia, a nie zamrożoną generację systemów GPU.
Mimo to szersza branża uznaje przesyłanie danych za poważny problem skalowania. Przegląd dotyczący fotoniki z 2025 r. opisał optyczne I/O i optyczne interposery jako pojawiające się podejścia obok dojrzałej pamięci HBM i sieci elektronicznych.
Nvidia również wprowadziła fotonikę głębiej do swoich produktów sieciowych. Jej systemy optyczne łączą optykę pluggable i współpakowane przełączniki optyczne dla dużych wdrożeń AI. Ta inwestycja wspiera założenie Volantis, że łączność elektryczna napotyka rosnące ograniczenia.
Podejście Nvidia uwydatnia jednak także różnicę. Większość komercyjnych wdrożeń optycznych koncentruje się na komunikacji między przełącznikami, szafami rack lub pakietami akceleratorów. Volantis chce sprawić, by światło działało bardziej jak wyjątkowo gęste okablowanie wewnątrz systemu inferencyjnego.
To trudniejszy problem integracyjny. Oferuje jednak również większą potencjalną korzyść, ponieważ ruch pamięci znajduje się bezpośrednio na krytycznej ścieżce czasu odpowiedzi modelu.
Jak działa fotonowy interkonekt AI Volantis
Volantis proponuje zastąpienie krótkich ścieżek elektrycznych gęstymi falowodami optycznymi, które łączą chiplety obliczeniowe i pamięciowe przez interposer.
Interposer to podłoże łączące kilka układów w jednym pakiecie. Konwencjonalne interposery wykorzystują ścieżki elektryczne, które dobrze działają na krótkich odległościach. Ich zasięg staje się bardziej ograniczony, gdy inżynierowie zwiększają przepustowość, liczbę połączeń i rozmiar pakietu.
Volantis nazywa swoje podejście przewodami optycznymi, a nie kablami optycznymi. Określenie to opisuje mikroskopijne łącza oparte na świetle, zintegrowane z pakietem. Łącza te mają łączyć chiplety bez prowadzenia konwencjonalnych włókien między poszczególnymi komponentami.
Według specyfikacji technicznych firmy pojedyncze tory działają z szybkością 24 gigabitów na sekundę. Volantis deklaruje opóźnienie poniżej pięciu nanosekund i zużycie energii poniżej jednego pikodżula na bit.
Firma twierdzi, że dziesiątki tysięcy torów może zapewnić ponad 200 terabajtów na sekundę łącznej przepustowości. Twierdzi również, że falowody optyczne mogą przebiegać przez interposer na dystansie przekraczającym 200 milimetrów.
Dla porównania Volantis opisuje użyteczny zasięg elektryczny w tym zastosowaniu jako około dwóch do pięciu milimetrów. Dłuższa ścieżka optyczna pozwoliłaby pamięci zajmować znacznie większy obszar pakietu bez konieczności umieszczania każdego komponentu bezpośrednio obok procesora.
Ten fizyczny zasięg ma kluczowe znaczenie dla architektury. Typowy układ HBM otacza matrycę obliczeniową ograniczoną liczbą stosów pamięci. Rozszerzenie łączności przez większy interposer mogłoby pomieścić znacznie więcej chipletów pamięci.
Volantis podaje, że jego projekt może połączyć ponad 220 chipletów pamięci w jednej puli. Pula ma zapewniać spójne właściwości dostępu, zamiast działać jak kilka wyraźnie oddzielonych warstw pamięci.
Architektura wykorzystuje zintegrowane macierze mikro-VCSEL. Laser powierzchniowo emitujący o pionowej wnęce rezonansowej, czyli VCSEL, emituje światło prostopadle do swojej powierzchni. VCSEL-e są już stosowane w produktach do czujników i komunikacji, chociaż Volantis proponuje wyspecjalizowaną implementację na poziomie pakietu.
Wiele systemów fotoniki krzemowej opiera się na zewnętrznych laserach. Volantis twierdzi natomiast, że jego lasery są zintegrowane z tkaniną optyczną. Wyeliminowanie zewnętrznych zespołów laserowych mogłoby zmniejszyć złożoność pakowania i zwiększyć gęstość połączeń.
Firma unika także konwencjonalnego włókna wewnątrz pakietu. Prowadzi światło przez zintegrowane falowody, które kierują sygnały optyczne przez interposer. Volantis twierdzi, że falowody te zajmują znacznie mniej miejsca niż włókno optyczne.
To połączenie wspiera to, co firma nazywa szeroką i wolną sygnalizacją. Każdy tor działa z relatywnie umiarkowaną szybkością transmisji danych, podczas gdy system wykorzystuje bardzo dużą liczbę równoległych torów. Równoległość może zmniejszyć obciążenie energetyczne i związane z przetwarzaniem sygnału przypadające na każde połączenie.
Strategia różni się od dążenia do ekstremalnych prędkości w niewielkiej liczbie łączy. Wolniejsze tory mogą wymagać mniej wymagającej elektroniki i niższej energii pracy. Jednak produkcja tysięcy niezawodnych ścieżek optycznych stwarza własne wyzwania dotyczące uzysku i testowania.
Volantis podaje współczynniki błędów bitowych poniżej jednego błędu na bilion przesłanych bitów w łączach w skali wafla. Twierdzi również, że łącza działają w temperaturze powyżej 95 stopni Celsjusza. Obie cechy są istotne, ponieważ komponenty optyczne muszą wytrzymać warunki termiczne panujące wokół procesorów o wysokiej wydajności.
Liczby te nie zostały jeszcze potwierdzone w dostarczonym systemie A-1. Czysta demonstracja łącza nie potwierdza automatycznie działania kompletnej struktury pamięci. Cała platforma musi skoordynować obliczenia, kontrolery pamięci, łącza optyczne, obudowę, chłodzenie i oprogramowanie.
Pula pamięci wprowadza dodatkową złożoność. Sprzęt potrzebuje spójnego sposobu adresowania danych w wielu chipletach. System musi też zarządzać awariami, rywalizacją o zasoby i rozmieszczeniem danych, nie powodując opóźnień niwelujących przepustowość struktury optycznej.
Volantis twierdzi, że architektura może łączyć bardzo dużą pojemność z szybkością zbliżoną do SRAM. SRAM to szybka pamięć zazwyczaj umieszczana bezpośrednio przy procesorze, lecz jej gęstość fizyczna ogranicza pojemność. Osiągnięcie porównywalnej efektywnej wydajności w dużej puli byłoby wymagającym osiągnięciem inżynierii systemowej.
Mechanizm proponowany przez startup pozostaje jednak spójny. Zasięg optyczny zwiększa użyteczną powierzchnię pakietu, a równoległe linie podnoszą łączną przepustowość. Zintegrowane lasery i falowody mają zapewnić wystarczającą gęstość konstrukcji dla ruchu pamięciowego.
Nierozstrzygnięte pozostaje pytanie, czy te elementy mogą współpracować w skali komercyjnej. Prototyp łącza dowodzi koncepcji urządzenia. System inferencyjny musi zapewniać niezawodne wyniki przy długotrwałych obciążeniach i w praktycznym budżecie energetycznym.
Główna rywalizacja to pamięć optyczna kontra ugruntowane systemy HBM
Volantis musi pokonać pod względem ekonomicznym i dojrzałości akceleratory oparte na HBM, a nie jedynie wykazać, że światło może przesyłać bity.
Dzisiejsze czołowe akceleratory łączą wydajne procesory, HBM, szybkie połączenia wewnątrz pakietu oraz dojrzałe oprogramowanie. Klienci mogą wdrażać je za pośrednictwem uznanych dostawców serwerów i operatorów chmurowych. Inżynierowie rozumieją też ich charakterystykę wydajnościową w typowych obciążeniach modeli.
Volantis wchodzi na ten rynek bez tych atutów. A-1 musi zaoferować istotną poprawę opóźnień, pojemności, przepustowości lub kosztów eksploatacji. Niewielkie zyski trudno byłoby uzasadnić nabywcom infrastruktury wobec wysiłku związanego z integracją.
Najmocniejszy argument startupu dotyczy jednocześnie pojemności i przepustowości. Konwencjonalne systemy często zwiększają pojemność, rozdzielając model między większą liczbę akceleratorów. Takie podejście wprowadza też narzut komunikacyjny i zmusza operatorów do płacenia za moc obliczeniową potrzebną głównie do utrzymywania pamięci.
Duża optyczna pula pamięci mogłaby zmienić tę równowagę. Więcej danych modelu mogłoby pozostać dostępnych dla mniejszej liczby jednostek obliczeniowych. Jeśli wykorzystanie zasobów wzrośnie, operatorzy mogliby uzyskiwać więcej użytecznej pracy z każdego kosztownego procesora.
Korzyść ta byłaby szczególnie istotna dla modeli rzadkich. Architektury rzadkie aktywują tylko wybrane komponenty modelu dla każdego wejścia. Wciąż jednak potrzebują wystarczającej pamięci, by przechowywać znacznie większy zbiór dostępnych parametrów.
Modele mixture-of-experts ilustrują ten problem. Takie modele kierują każdy token przez podzbiór wyspecjalizowanych komponentów. Aktywne obliczenia mogą pozostawać możliwe do opanowania, podczas gdy całkowity przechowywany model rośnie znacznie ponad pojemność jednego akceleratora.
Aplikacje obsługujące długi kontekst stanowią kolejną szansę. Agenci pracujący z repozytoriami, dokumentami i rozbudowaną historią interakcji tworzą duże zapotrzebowanie na pamięć. Większa lokalna pula mogłaby ograniczyć konieczność przenoszenia kontekstu między wolniejszymi warstwami pamięci masowej.
Systemy HBM również się jednak rozwijają. Producenci pamięci stale zwiększają pojemność i przepustowość stosów. Dostawcy akceleratorów przeprojektowują szafy, interkonekty, pamięci podręczne i oprogramowanie planujące pod kątem obciążeń inferencyjnych.
AMD i Nvidia mogą koordynować sprzęt oraz oprogramowanie w obrębie kompletnych platform. Startupowi trudno dorównać takiej integracji. Volantis będzie potrzebować partnerów zdolnych dostarczać pamięć, produkcję układów, obudowy, systemy i oprogramowanie dla obciążeń.
Rynek fotoniki obejmuje też dobrze finansowanych specjalistów. Ayar Labs umieszcza chiplety optycznego I/O blisko procesorów i wykorzystuje zewnętrzne źródło lasera. Jego technologia koncentruje się na łączach o wysokiej przepustowości w większych systemach obliczeniowych.
Platforma Passage firmy Lightmatter również celuje w łączność optyczną dla infrastruktury AI. Koncentruje się na łączeniu procesorów między pakietami i płytami za pośrednictwem programowalnej sieci fotonicznej.
Celestial AI opracowało strukturę optyczną obejmującą łączność na poziomie pakietu, systemu i szafy. Marvell sfinalizował przejęcie Celestial AI w lutym 2026 roku, wprowadzając tę technologię do grona dużych dostawców półprzewodników.
Firmy te nie sprzedają identycznych produktów. Niektóre kładą nacisk na ogólne optyczne I/O, podczas gdy inne łączą obliczenia bezpośrednio z rozproszoną pamięcią. Ich obecność mimo to podnosi poprzeczkę komercyjną dla Volantis.
Duzi gracze mogą dostarczać zweryfikowane interfejsy, relacje produkcyjne i wsparcie dla klientów. Mogą też wbudowywać fotonikę w istniejące plany rozwoju produktów. Volantis musi wykazać, że jego wyspecjalizowana konstrukcja zapewnia przewagę, której szersze platformy nie będą mogły łatwo odtworzyć.
Jednym z punktów wyróżniających jest strategia zintegrowanych VCSEL. Unikanie zewnętrznych laserów może uprościć pewne elementy zespołu optycznego. Może także ograniczyć zależność od komponentów laserowych często stosowanych w konstrukcjach fotoniki krzemowej.
Wybór ten rodzi własne pytania techniczne. Zintegrowane źródła światła muszą działać przewidywalnie mimo zmian temperatury i zmienności produkcyjnej. Uszkodzone emitery lub falowody nie mogą podważać niezawodności pakietu zawierającego wiele kosztownych chipletów.
Główna rywalizacja pozostaje zatem architektoniczna. Volantis argumentuje, że rozszerzenie łączności optycznej wewnątrz pakietu może przezwyciężyć ograniczenie HBM wynikające z niewielkiej przestrzeni krawędziowej dostępnej dla połączeń elektrycznych.
Ugruntowani dostawcy akceleratorów przekonują swoimi produktami, że bliższe HBM, lepsza sieć i optymalizacja oprogramowania mogą nadal się skalować. Obie drogi wykorzystują fotonikę, ale umieszczają ją w różnych punktach systemu.
Volantis wygra tylko wtedy, gdy zbliżenie optyki do pamięci zapewni mierzalną przewagę systemową. Sama nowość optyczna nie przekona nabywców zarządzających kosztownymi, krytycznymi dla biznesu flotami inferencyjnymi.
Czego twierdzenia dotyczące Volantis A-1 jeszcze nie dowodzą
Największa niepewność nie dotyczy samego łącza optycznego, lecz tego, czy Volantis potrafi przekształcić je w niezawodny i ekonomiczny system produkcyjny.
Firma opublikowała kilka celów na poziomie urządzenia. Nie udostępniła kompletnego niezależnego testu porównawczego A-1 z obecnymi platformami inferencyjnymi. Ta luka ogranicza wnioski dotyczące wydajności aplikacyjnej.
Liczba tokenów na sekundę może także ukrywać istotne zmienne. Wyniki zależą od architektury modelu, precyzji, długości kontekstu, wielkości wsadu, długości odpowiedzi i sposobu pomiaru opóźnień. Wartość bez tych warunków nie pozwala na uczciwe porównanie platform.
Cel 10 000 tokenów na sekundę na użytkownika jest szczególnie wrażliwy na definicję obciążenia. Mniejsze lub silnie skompresowane modele mogą generować tokeny szybciej niż ogromne systemy graniczne. Ten sam sprzęt może działać inaczej wraz ze wzrostem kontekstu.
Volantis łączy ten cel przepustowości z modelami przekraczającymi 20 bilionów parametrów. Firma nie wskazała publicznie takiego modelu produkcyjnego ani nie przedstawiła odtwarzalnego zestawu testów. Czytelnicy powinni traktować to połączenie jako cel systemowy.
Pula pamięci również wymaga weryfikacji. Szczytowa łączna przepustowość nie jest równa trwałej przepustowości dostępnej dla każdego obciążenia. Narzut protokołów, rywalizacja o zasoby, rozmieszczenie danych i działanie kontrolerów pamięci mogą ograniczać rzeczywistą wydajność.
Podobny problem dotyczy opóźnień. Łącze poniżej pięciu nanosekund nie oznacza, że aplikacja otrzymuje dane w ciągu pięciu nanosekund. Kontrolery, przełączniki, arbitraż i dostęp do pamięci dodają własne opóźnienia.
Niezawodność staje się trudniejsza wraz ze wzrostem liczby komponentów. Struktura z tysiącami kanałów optycznych potrzebuje redundancji i zarządzania błędami. Pakiet zawierający setki chipletów pamięci musi tolerować zmienność produkcyjną i awarie komponentów.
Kolejną kwestią jest zachowanie termiczne. Urządzenia fotoniczne mogą zmieniać swoje parametry wraz z temperaturą, podczas gdy akceleratory AI generują znaczne ilości ciepła. Volantis twierdzi, że jego konstrukcja pozostaje stabilna powyżej 95 stopni Celsjusza, lecz dowody na poziomie systemu są nadal ograniczone.
Obudowa może przesądzić o praktyczności architektury. Duże interposery są kosztowne i trudne do wytwarzania z wysoką wydajnością uzysku. Każdy dodatkowy interfejs optyczny i elektroniczny tworzy kolejny punkt wymagający montażu oraz testowania.
Strategia łańcucha dostaw może pomóc wyróżnić konstrukcję. Firma podkreśla zastosowanie VCSEL wykonanych z arsenku galu, zamiast technologii laserowych zależnych od innych materiałów półprzewodnikowych. Inny zestaw materiałów nie eliminuje jednak ryzyka produkcyjnego.
Istotna jest także kompatybilność programowa. Platformy do obsługi modeli oczekują określonych zachowań pamięci, bibliotek komunikacyjnych i interfejsów akceleratorów. Volantis nie wyjaśnił w pełni, w jaki sposób istniejące oprogramowanie inferencyjne będzie wykorzystywać A-1.
Klienci będą potrzebować narzędzi do planowania, profilowania, odzyskiwania sprawności po awariach i rozmieszczania modeli. Dojrzenie tych możliwości często zajmuje lata. Wydajność sprzętu może pozostać niedostępna, gdy oprogramowanie nie potrafi jej konsekwentnie wykorzystywać.
Kolejne pytanie dotyczy jednostki handlowej. Volantis opisuje system, lecz potencjalni nabywcy potrzebują szczegółów dotyczących wdrożenia. Będą pytać, czy A-1 trafi na rynek jako urządzenie typu appliance, akcelerator, szafa, licencjonowana architektura czy komponent integrowany przez partnerów.
Firma musi także wskazać swój rynek początkowy. Laboratoria pracujące nad modelami granicznymi mogą cenić ekstremalną pojemność, lecz wymagają szeroko zakrojonej walidacji. Dostawcy chmury oferują skalę, choć zwykle wymagają przewidywalnych dostaw i wsparcia.
Przedsiębiorstwa stanowią szerszy rynek o innych potrzebach. Wiele z nich uruchamia mniejsze modele mieszczące się na istniejących akceleratorach. Mogą preferować konwencjonalny sprzęt, chyba że pula optyczna zapewni niższe koszty bez złożoności operacyjnej.
Volantis A-1 opisany w materiałach publicznych jest zatem mocną propozycją architektoniczną, a nie rozstrzygniętym werdyktem rynkowym. Jego twierdzenia opisują, do czego system został zaprojektowany. Nie potwierdzają gotowości produkcyjnej.
To rozróżnienie nie czyni projektu nieistotnym. Startupy półprzewodnikowe rutynowo pozyskują kapitał przed finalizacją krzemu i wdrożeniami u klientów. Określa jedynie dowody, które są nadal potrzebne, zanim deklaracje dotyczące wydajności staną się uznanymi faktami.
Trzy sygnały pokażą, czy zakład dotyczący pamięci działa
Kolejny etap zależy od odtwarzalnych wyników sprzętowych, dowodów produkcyjnych i wiarygodnego wdrożenia u klienta.
Pierwszym sygnałem będzie kompletna demonstracja A-1 z użyciem nazwanego modelu i ujawnionych warunków testowych. Volantis powinien wskazać rozmiar modelu, precyzję numeryczną, długość kontekstu, wielkość wsadu, opóźnienie, zużycie energii i trwałą przepustowość.
Wynik z niezależnego laboratorium lub od klienta miałby większą wagę niż demonstracja wewnętrzna. Pokazałby, czy fotoniczna struktura pamięci poprawia wydajność całej aplikacji, a nie tylko przepustowość łącza.
Taki test porównawczy wzmocniłby argumentację firmy, gdyby A-1 utrzymywał wysoką przepustowość wraz ze wzrostem rozmiaru modelu i kontekstu. Słabe skalowanie lub restrykcyjne warunki testowe obniżyłyby zaufanie do architektury.
Drugim sygnałem będzie plan produkcji i obudowy. Volantis musi wskazać partnerów z obszarów fabrykacji, pamięci, obudowy i systemów, nawet jeśli część szczegółów handlowych pozostanie poufna.
Plan powinien wyjaśniać, w jaki sposób firma testuje zintegrowane lasery i falowody na dużą skalę. Powinien również uwzględniać redundancję, naprawę, chłodzenie i uzysk w obrębie dużego interposera optycznego.
Postęp w tym obszarze pokazałby, że Volantis potrafi pokonać lukę między urządzeniami laboratoryjnymi a powtarzalnym sprzętem. Opóźnienia lub istotne zmiany specyfikacji wskazywałyby, że integracja nadal pozostaje główną przeszkodą.
Trzecim sygnałem będzie walidacja przez klienta. Hiperskaler, twórca modeli lub producent serwerów musi wykazać, że A-1 rozwiązuje problem obciążenia na tyle istotny, by uzasadniał zmianę infrastruktury.
Najbardziej przekonujące wdrożenie obejmowałoby model, którego istniejące systemy HBM nie potrafią efektywnie obsługiwać przy niskich opóźnieniach. Naturalnymi kandydatami są agenci z długim kontekstem i duże modele rzadkie.
Klient powinien również ujawnić wskaźniki operacyjne wykraczające poza szczytową liczbę tokenów na sekundę. Wykorzystanie zasobów, pobór energii, wskaźniki błędów, dostępność i koszt jednego ukończonego zadania pokazałyby, czy projekt poprawia rzeczywistą ekonomikę działania.
Reakcje konkurencji mają znaczenie we wszystkich trzech sygnałach. Ayar Labs, Lightmatter, Marvell, Nvidia oraz dostawcy akceleratorów będą nadal rozwijać własne architektury optyczne i pamięciowe. Volantis nie dysponuje niekwestionowanym oknem rozwoju.
Runda Series A o wartości 88 mln dolarów zapewnia Volantis zasoby do rozwijania fotonicznego interkonektu AI na istotną skalę. Nie eliminuje jednak potrzeby przedstawienia dowodów w obszarach pakowania, oprogramowania, niezawodności i operacji klientów.
Dla deweloperów i kupujących z przedsiębiorstw najważniejszym wnioskiem nie jest dziś przeprojektowywanie systemów wokół nieopublikowanej platformy. Należy raczej obserwować, gdzie pojawiają się wąskie gardła inferencji w rzeczywistych obciążeniach.
Zespoły powinny mierzyć wykorzystanie pamięci, czas do pierwszego tokenu, trwałą szybkość generowania, wzrost kontekstu oraz czas bezczynności procesora. Te obserwacje pokażą, czy przyszłe optyczne systemy pamięci rozwiązują rzeczywiste ograniczenie.
Fotoniczny interkonekt AI Volantis stanie się istotny, jeśli pozwoli uczynić ogromne modele interaktywnymi bez zwielokrotniania liczby akceleratorów. Kolejny benchmark, partnerstwo produkcyjne i wdrożenie u klienta pokażą, czy ta obietnica wytrzyma zderzenie z produkcją.
