Delos Data 融资为新的 AI 网络押注注入 1 亿美元

Delos Data 融资超过 1 亿美元，旨在解决 AI 数据中心中的一个高成本问题：处理器因等待数据而损失时间。这轮 Delos Data 融资将支持芯片、软件和系统设计，以连接日益混合的 AI 硬件组合。

这家初创公司并不只是要推出另一种更快的线缆。它希望协调加速器、内存、存储、交换机和光链路之间的数据传输。这使其主张直接挑战围绕紧密集成计算平台构建的基础设施。

Nvidia 仍是最明确的参照对象。其 GPU、NVLink 连接、网络产品和软件构成了一套经过实际部署验证的协同技术栈。Delos Data 押注，推理基础设施将变得过于异构，单一以供应商为中心的架构无法满足所有部署需求。

对于一家成立于 2025 年的公司而言，这是一项雄心勃勃的押注。这也解释了为何在 Delos 尚未提供广泛、独立验证的性能结果之前，投资者就已为这一理念投入大量资本。

Delos Data 融资支持全系统方案

这笔投资让 Delos Data 有资源构建多项相互依赖的产品，而不只是单独的一颗网络芯片。

Delos 于 2026 年 9 月 15 日宣布完成融资。其融资公告列出的投资者包括 Matrix、Playground、Socratic Partners、Capricorn’s Technology Impact Fund、Matter Venture Partners 和 IAG。

Reuters 还将 DYNAMIQ 列为参与方。这家新闻机构称，该公司由 Intel 前员工创立，正在开发用于在 AI 数据中心内部传输数据的芯片和软件。

Socratic Partners 表示其领投了 A 轮融资。该投资机构称，普通合伙人兼联合创始人 Christian Gallagher 将加入 Delos Data 董事会。

该公司表示，将利用这笔资金扩充硬件和软件工程团队，并计划加速产品研发和销售。之所以重要，是因为 Delos 正试图在基础设施技术栈的多个层面交付组件。

该产品组合名为 Nonstop AI，包括数据接口、服务器架构、集群设计、管理软件，以及将这些部分连接起来的参考架构。

参考架构是一份有文档记录的系统蓝图，用于向客户展示各组件应如何协同工作。它能够减少集成工作，但并不等同于已被广泛部署的商用系统。

新的 Nonstop AI Data Interface 是核心硬件。Delos 计划将其以 I/O chiplet、近封装光学组件和扩展卡三种形式提供。

I/O chiplet 是为大型处理器封装增加连接能力的小型硅组件。近封装光学技术将光通信置于计算硅片附近，缩短数据必须经过的电气传输距离。

卡式版本提供了更常规的部署路径。它可让系统构建商在无需重新设计加速器封装的情况下加入这项技术。

Delos 表示，这些形态可以连接 GPU、其他加速器、CPU、闪存存储和内存。更广泛的目标是在不同类型端点之间创建一个统一管理的数据传输域。

这一范围使 Delos Data 的 AI 网络方案区别于狭义的接口产品。该公司希望同时影响硅封装、服务器、集群、软件和运营管理。

广泛的范围也带来执行风险。每一种受支持的端点、物理介质和网络拓扑，都会增加一条工程师必须测试的集成路径。

因此，这笔融资带来的改变不只是公司银行账户的余额。它资助了一次验证：独立供应商能否协调从芯片封装延伸至大型集群的基础设施。

本轮融资还为 Delos 争取了在其架构广泛可用前接触潜在客户的时间。在基础设施市场中，设计决策可能让客户在多个硬件世代中被锁定于某个平台。

因此，尽早获得工程评估机会尤为重要。超大规模云服务商或加速器设计商必须在最终的量产系统进入数据中心之前很早就评估互连技术。

这笔 1 亿美元融资让 Delos 获得了进入这些评估流程的重要机会，但并不能保证其技术能够通过这些考验。

混合 AI 硬件为何正在创造网络机遇

Delos 瞄准了日益多样化的 AI 处理器与需要让这些处理器持续忙碌的网络之间的缺口。

早期生成式 AI 部署往往聚焦于使用同质化的 Nvidia GPU 集群训练大型模型。重复采用同一种成熟的构建模块，简化了硬件选择、网络配置和软件支持。

推理改变了工作负载。推理是运行训练完成的模型，为用户生成答案、预测或操作的过程。

智能体应用让情况进一步复杂化。AI 智能体在完成多步骤任务时，可以反复调用模型、检索信息、使用工具并维护状态。

这些应用未必会让同一组 GPU 按一种可预测的通信模式持续工作。它们可能在加速器、CPU、内存池、存储系统和多个模型之间转移工作。

Reuters 报道称，随着数据中心将更多注意力转向推理，AMD 和 Cerebras 的替代方案已获得发展势头。Nvidia 自身也为不同工作负载提供多种处理器类型。

更多处理器选择可以改善成本、可用性或工作负载匹配度，但也迫使基础设施运营商连接那些原本并非作为一套集成系统设计的组件。

Delos 将这种混合称为 MoXI，即互连、加速器、内存、存储、物理层、拓扑、网络和模型的混合。这个标签是专有名称，但其背后的集成问题确实存在。

当处理器等待参数、缓存数据或另一设备的结果时，其昂贵的算术单元便无法得到充分利用。即使有效计算放缓，功耗仍在持续。

现为 Playground 合伙人的前 Intel CEO Pat Gelsinger 在融资详情中直白地描述了这一问题。他告诉 Reuters，无法有效通信的计算机在等待时会成为消耗电力的发热硬件。

Delos CEO Ed Doe 和 CTO Dan Daly 在创办这家 Palo Alto 公司前，都积累了网络和硅芯片领域的相关经验。

他们的履历包括 Intel 和 Barefoot Networks；后者是一家可编程网络公司，于 2019 年被 Intel 收购。行业报道还将该团队与 Broadcom、Fulcrum Microsystems 以及多项开放互连工作联系在一起。

这段历史之所以重要，是因为 AI 集群性能并不只取决于原始带宽。工程师还必须控制拥塞、延迟、路由、集合操作、故障以及软件可观测性。

带宽衡量连接可承载的数据量。延迟衡量传输开始或完成所需的时间。一个系统即便宣称拥有高带宽，在出现拥塞或面对小而频繁的传输时，表现仍可能不佳。

随着集群规模扩大，可靠性变得更难保障。更多处理器、交换机、线缆和光学组件，意味着链路或端点发生故障的机会也更多。

训练任务可以保存进度检查点，并在发生某些故障后重新启动。面向用户的智能体则面临不同标准，因为延迟或丢失的响应会直接影响应用。

Delos 认为，现有基础设施是围绕早期的云计算、高性能计算或训练工作负载构建的。其系统则从面向持续、异构推理的数据传输出发。

这一论点为该公司提供了及时的切入机会，但并不能证明客户需要一套全新的架构，而非现有网络的改进版本。

Delos Nonstop AI 如何计划传输数据

Delos Nonstop AI 将网络视为协调端点的主动系统层，而非一组彼此独立的链路。

该公司的架构将硬件接口与用于观测和管理数据路径的软件相结合。其目标是在计算、内存和存储之间传输信息，同时隐藏部分底层复杂性。

Daly 在接受 Reuters 采访时谨慎地概括了这一策略。他表示，公司并不知道哪种基础设施架构将主导智能体 AI，但打算提供一种快速传输数据的方式。

这种不确定性是设计的核心。Delos 并未假定某一种加速器、链路技术或拓扑会胜出，而是围绕混合部署进行构建。

数据接口为端点提供了进入这一受管理域的方式。根据公司的产品说明，它将以三种物理形态出现。

chiplet 可置于加速器封装内部，提供最紧密的集成。Delos 表示，该版本可提供每秒 30 太比特的带宽。

这一数字是公司规格，并非独立复现的基准测试结果。集成该 chiplet 还需要在制造前获得处理器设计商的配合。

近封装光学技术提供了另一条路径。将光学组件移近处理器，可缩短电气链路长度，同时支持超出服务器范围的通信。

卡式版本应当需要更少的芯片级协调。但基于扩展卡的连接也会受到主机接口、板卡设计、供电、散热和物理空间的限制。

Delos 将该接口与其 Nonstop AI Server 配套。公司将其描述为一种解耦式纵向扩展服务器设计。

纵向扩展网络将加速器紧密连接，使软件能够将其视为一个更大的计算域。横向扩展网络则在更广泛的集群中连接独立服务器或机架。

解耦使运营商能够从独立的计算、内存或存储资源池中组合系统。它可以提高灵活性，尽管每一次分离都会产生额外的数据传输。

Delos 还提供 Nonstop AI Clusters 和 Mosaic 软件。Mosaic 用于监测通信行为，并旨在识别纵向扩展域内的瓶颈。

在 2026 年 5 月的 Computex 上，Delos 演示了 Mosaic 对 AI 工作负载的监测。该公司表示，早期访问版软件已向部分客户开放部署，更广泛的可用性计划在第四季度实现。

最新发布增加了一套将这些元素连接起来的参考架构。Delos 表示，该设计面向包含数十万台设备的集群，而非单个机架或小型设备组。

该公司声称，数据接口可实现低 10 倍的延迟和高 10 倍的效率。另一份公司声明则描述了性能、韧性和规模方面 10 倍的提升。

这些数字需要谨慎看待。Delos 尚未发布足够的独立测试数据，来说明每项比较背后的基线、工作负载、配置或故障条件。

当一种设计同时改变硬件、软件、拓扑结构和工作负载部署方式时，“十倍”可能意味着不同的事情。买方将需要组件级和系统级的结果。

该公司还表示，该系统能够降低每个 token 的成本并提高每瓦 token 数。这些都是有用的运营指标，因为它们将基础设施行为与产出和能耗联系起来。

但这两项指标都取决于模型、批量大小、精度、延迟目标、处理器利用率和电力假设。一个工作负载中的有利结果，并不会自动迁移到另一个工作负载。

因此，从系统层面理解 Delos Nonstop AI，本质上是一项协调方案。它旨在通过控制承载数据的完整路径，让不同类型的处理器保持高效运转。

这一机制具有合理性。尚未解决的问题是，Delos 能否提供足够可量化的收益，以证明引入又一层基础设施的合理性。

核心竞争是集成与灵活性之争

Delos 并非在与单一线缆或交换机竞争；它是在用硬件中立的协调层挑战高度集成的平台。

Nvidia 展示了集成的优势。它开发加速器、NVLink、NVSwitch、网络适配器、交换机、管理软件、库和优化模型。

该公司将 NVLink 描述为一种直接的、双向 GPU 互连技术。当前系统利用它在多个加速器之间构建高带宽通信域。

这种方式减少了需要为系统性能负责的供应商数量。Nvidia 可以协调处理器行为、交换机功能、软件库和参考系统。

集成也为客户提供了清晰的支持路径。当每个主要组件均来自同一个平台供应商时，因性能问题而相互推诿的组织会更少。

代价则是选择空间。希望混用 Nvidia GPU、AMD 加速器、定制处理器或专用推理芯片的数据中心运营商，需要在单一专有域之外建立连接。

Nvidia 已通过扩展其平台作出回应。NVLink Fusion 允许合作伙伴将某些定制处理器与 Nvidia 的互连技术和交换芯片结合。

这一回应削弱了那种简单的说法：客户必须在纯 Nvidia 系统与完全开放的替代方案之间二选一。Nvidia 可以在保留其集成架构大部分特征的同时提供受控定制化。

开放行业标准则提供了另一条竞争路径。UALink Consortium 正在推动面向 AI 加速器的开放式横向扩展连接。

该联盟于 2024 年成立，并于 2025 年发布首份公开规范。其既定目标是让行业生态系统构建兼容的加速器到加速器连接。

对于更大规模集群之间的通信，Ultra Ethernet Consortium 于 2025 年 6 月发布了 Specification 1.0。该规范将广泛部署的以太网生态系统适配于 AI 和高性能计算。

这些项目削弱了“现有网络供应商忽视 AI 工作负载”的观点。它们也创造了 Delos 可以支持而非取代的标准。

Delos 的高管参与过涉及 Ultra Ethernet 和 UALink 的相关工作。该公司将其架构定位为一种协调这些连接及其他技术、覆盖完整系统的方式。

这正是 Delos Data AI 网络论点变得更有意思之处。它不要求 Delos 击败每一种标准或物理连接。

相反，该公司必须成为让其中多种技术高效协同工作的那一层。其价值将来自组合能力、可视性、韧性以及感知工作负载的数据移动。

这一定位也带来战略风险。标准和现有平台可能吸收类似功能，从而压缩独立协调层的生存空间。

以太网交换机供应商已在加入拥塞控制、遥测、负载均衡和特定工作负载功能。加速器供应商也可以将通信引擎直接集成到处理器中。

云服务提供商同样可以构建定制基础设施软件。其规模足以支撑较小客户难以承担的工程投入。

因此，Delos 必须证明的不只是互操作性。它还需要展示，其芯片和软件能够带来竞争对手无法通过渐进式改进实现的结果。

最强的机会在于那些真正需要异构基础设施的客户。这些买方可能因供应、模型要求或内部芯片项目而组合多种加速器系列。

纯 Nvidia 部署的计算则不同。如果其工作负载已经表现良好，增加独立接口和管理层可能会带来复杂性，却没有足够收益。

这一区别将决定采用情况。Delos 不需要让每个 AI 集群都变得异构，但它需要有足够多的大型买方看重灵活性，而非单一平台的简洁性。

性能主张尚未展示的内容

融资验证了投资者兴趣，但并未独立验证 Delos Data 关于延迟、效率、韧性或经济性的主张。

Delos 已公布多项引人注目的目标，包括将延迟降低十倍、将效率提高十倍，以及显著扩大端点域。

该公司还预测，到 2030 年，AI 推理 token 需求将增长约 300 倍。它表示，智能体推理将占据其中大部分增量。

这一预测解释了其叙事中的紧迫性。在未公开方法论并获得独立确认的情况下，它不应被视为有保证的需求曲线。

同样的谨慎也适用于性能比较。可信的评估必须说明竞争系统、组件代际、拓扑、工作负载、软件版本和测量方法。

延迟结果需要呈现分布，而不仅仅是平均值。服务交互式智能体的系统必须控制缓慢的异常值，因为一个延迟的依赖项就可能拖住整个响应。

效率结果也需要明确边界。一项测量可能只覆盖网络芯片、完整服务器，或整个集群。

光模块、交换机、冷却设备和闲置加速器的能耗都可能实质性改变结果。排除其中一类，可能让两个系统看起来比实际差异更大。

韧性需要故障测试。买方应了解，在工作负载仍保持活跃时，平台如何处理链路、交换机、接口、光学组件或端点故障。

恢复时间与恢复本身同样重要。一个最终能够重新路由流量的网络，仍可能不满足交互式 AI 服务的响应时间要求。

规模带来了另一个验证问题。实验室演示无法复现包含数千个加速器的集群中出现的每一种拥塞模式或组件故障。

Delos 表示，其架构可以远超单个机架。随着网络扩大，客户将需要证据证明管理开销和尾延迟仍处于可控状态。

他们还需要了解哪些部分已在交付。参考架构、软件预览版、原型卡、可授权 chiplet 和通过量产认证的设备，代表着截然不同的成熟度水平。

计划中的第四季度可用时间窗口提供了一次早期测试。Delos 应明确哪些产品将广泛供应、供应数量如何，以及支持哪些处理器。

客户披露将提供另一个有用信号。具名部署，即便规模有限，也将表明外部工程团队已开始集成该技术。

然而，单独的客户标识并不能证明已投入生产使用。更有力的证据应包括部署规模、工作负载类型、测得收益和运行时长。

制造也是另一项不确定性。网络芯片必须经历从设计到制造、封装、验证和系统认证的过程。

三种形态规格的策略增加了这些路径。Chiplet 需要处理器合作伙伴，光学产品需要封装和光学合作伙伴，卡产品则需要服务器认证。

软件无法与这项工作分离。Mosaic 必须观察多家供应商的端点，并提供有用的控制能力，同时不能成为另一个运营瓶颈。

安全性同样值得关注。一个能够查看计算、内存和存储流量的层，在数据中心内部处于敏感位置。

Delos 将需要明确的隔离、认证、固件更新和遥测控制机制。买方应在授予该平台广泛运营访问权限之前要求获得这些细节。

这些问题没有否定该架构。它们指出了将 Delos Nonstop AI 从可信的工程论点转变为经验证产品所需的证据。

这笔融资为这一转变提供了资源。它也提高了预期，因为该公司如今拥有足够资本面对更严格的验证。

三个信号将决定这场押注是否奏效

下一项测试不是又一则融资公告；而是 Delos 能否将其架构转化为可测量、可支持且可重复的部署。

第一个信号是 2026 年第四季度的广泛产品可用性。Delos 此前表示，在早期软件部署之后将实现更广泛的访问。

买方应关注实际交付了哪些组件。仅 Mosaic 可用，其意义不如量产卡、通过认证的光学产品或确定的 chiplet 合作伙伴。

推出受支持的硬件组合，将强化该公司能够协调异构基础设施的主张。延期或范围狭窄的预览则会削弱这一主张。

第二个信号是可复现的基准测试披露。Delos 应公布其核心主张背后的配置、工作负载、基线、延迟分布、功耗边界和故障行为。

独立测试的重要性将高于另一场由公司自行控制的演示。跨多种加速器类型的结果将直接检验该架构的灵活性论点。

若基准测试仅在精心挑选的拓扑中显示收益，机会空间将收窄。跨推理模型、批量大小和故障条件的结果，将支持更广泛的论证。

第三个信号是具名的量产客户或芯片合作伙伴。超大规模云服务商、加速器设计商、服务器制造商或大型 AI 运营商，都将提供有意义的外部验证。

最有力的证据将说明部署的用途和规模。将 Delos chiplet 集成进产品的处理器供应商将尤为重要，因为这一决定发生在芯片制造之前。

有限评估不应与量产采用混为一谈。尽管如此，它仍会显示外部工程师是否认为该设计已经足够成熟，可以进入成本高昂的认证工作。

竞争对手的回应可作为辅助背景。Nvidia、UALink 参与者、以太网供应商和其他网络初创公司将继续改进自身产品。

但 Delos 并不会仅仅因为异构基础设施增长而获胜。只有当客户选择其协调层，而不是基于标准的组件、内部工程能力或集成平台时，它才能胜出。

Delos Data 的融资轮次买来了一次证明这一论点的机会。它尚未解决这样一个问题：新的网络架构能否在日常运行中胜过成熟、协调一致的技术栈。

对于基础设施团队而言，实际问题如今已很明确：即将公布的结果是否显示，在混合硬件环境下具备更低延迟、更高利用率和更好的故障恢复能力？

关注第四季度的发布、基准测试方法，以及首批披露的部署案例。这些信号将揭示 Delos Data AI networking 究竟会成为基础设施，还是仍停留在雄心勃勃的蓝图阶段。