Mueon Series A 押注 6500 万美元，重塑 AI 数据中心

Mueon 融资 6500 万美元，推动其 Cubelet 架构走向量产；该公司押注于更高密度的 AI 系统所需的不只是速度更快的单颗芯片。Mueon Series A 瞄准的是这些芯片周边的物理结构，包括内存、网络、供电和散热。

这家位于波特兰的创业公司希望将这些要素整合进模块化的三维构件中。客户可提供适合其工作负载的处理器，而 Mueon 将其集成到更大的系统之中。这一设计挑战了人们熟悉的机架模式：在该模式下，组件位于彼此独立的托盘中，并通过相对较长的电气路径通信。

这也让它与 Nvidia 及其他系统供应商确立的机架级架构形成直接竞争。Mueon 并未承诺推出另一种通用加速器，而是主张 AI 基础设施需要一种不同的物理装配单元。

这种区别至关重要，因为现代 AI 集群日益受制于处理器以外的限制。电力供应、散热能力、内存带宽、网络和安装时间，都会决定一座设施能提供多少有效算力。

Mueon 表示，在相同机架占地面积内，Cubelets 的功耗和成本效率最高可提升十倍。这仍是公司的目标，而非经独立验证的结果。融资让 Mueon 获得更多资源来检验这一主张，但并未解决工程层面的疑问。

Mueon Series A 推动 Cubelets 迈向验证阶段

这笔融资让 Mueon 从一项架构构想转变为一家需要面对可量化量产测试的硬件公司。

Maverick Silicon 领投本轮融资，Intel Capital、Geodesic Alliances Fund、Oregon Venture Fund、M-Ventures、Wellington Capital、IQT 和 Defined 参投。Maverick Silicon 的 Manish Muthal 将加入 Mueon 董事会。

这轮 6500 万美元融资之前，Mueon 曾在 2025 年宣布完成 1550 万美元种子轮融资。Mueon 目前称，自成立以来已筹集超过 8000 万美元。

其近期重点并不像宏大愿景那样引人注目。根据公司发布的 Series A 公告，这笔资金将用于扩充工程和运营团队，同时支持系统验证和量产准备。

这些阶段之所以重要，是因为 Cubelets 尚未成为商用数据中心平台。根据最初的融资报道，Mueon 尚未产生收入，且拒绝披露其估值。

Mueon 于 2025 年在 CEO Wilfred Gomes 的带领下公开亮相。Gomes 曾任 Intel Fellow，参与微处理器设计和三维集成工作。联合创始人兼技术负责人 Jack Hwang 也曾在 Intel 工作多年，专注于半导体制造技术。

这一背景有助于解释 Mueon 以系统为先的思路。该公司将封装、互连、供电、软件和散热视为同一架构的组成部分。大多数硬件供应商只优化其中一两个领域，然后在现有机架形态中整合其产品。

Mueon 则提出了一种名为 Cubelet 的模块化单元。每个单元将整合计算组件、内存、互连、供电和热管理。多个单元随后可构成更大的部署系统。

该公司将其工作分为四条主线。其中一条涵盖芯片、内存和互连架构；另一条涵盖封装、散热和供电；第三条涉及软件编排；第四条则聚焦制造和生态系统验证。

这种广度既是吸引力所在，也是风险来源。掌控更多系统环节的创业公司，能够优化独立供应商无法协调的交互关系；但它也必须让许多紧密相连的技术同时运转。

Mueon 先前的种子轮投资说明称，Cubelets 可兼容既有的 AI 和云软件栈。这种兼容性将降低迁移成本，但 Mueon 尚未公开展示其在常见框架下的大规模生产测试。

因此，本轮融资代表的是为验证提供资金，而非证明平台已经成熟。其价值取决于 Mueon 能否将图纸和原型转化为可重复部署的系统。

这一转变还将决定 Cubelets 会成为新的基础设施类别，还是一个专业封装项目。答案首先取决于 Mueon 认为传统机架无法高效解决的问题。

AI 基础设施正受制于芯片周围的建筑条件

Mueon 瞄准的是加速器进入机架后不断累积的距离、热量和功耗损失。

AI 基础设施传统上依靠更快的处理器和更大的集群来提升性能。这一策略依然有效，但每增加一颗加速器，系统其他环节承受的压力也会增大。

处理器必须与内存、存储和其他处理器交换数据。每一次传输都会消耗能量、引入延迟并产生热量。更大的集群还需要更多交换机、线缆、电力转换设备和散热基础设施。

内存数据移动的成本尤为高昂。加速器或许能高效执行算术运算，却可能在等待模型权重或中间结果时闲置。高带宽内存通过将堆叠内存置于靠近处理器的位置来减少这种延迟，但无法消除系统其他部分的通信开销。

Mueon 希望缩短更多这样的路径。Cubelets 将把不同组件置于紧凑的三维组件中，而不是将其分散在传统服务器机架里。

这种方式类似于 chiplets 背后的逻辑：将处理器拆分为更小的功能裸片，并在同一封装内连接。Mueon 则将模块化集成应用于更大的系统尺度，并扩展至供电和散热。

这一机会十分可观，因为数据中心在计算需求之外还面临物理极限。一项联邦能源估算发现，美国数据中心在 2023 年消耗了全国约 4.4% 的电力。

同一分析预计，到 2028 年这一比例将处于 6.7% 至 12% 的区间。报告估计，数据中心的年度耗电量可能达到 325 至 580 太瓦时。

这些预测并不意味着每座设施都会耗尽可用电力。但它们说明了为何运营商重视从每一兆瓦和每一平方英尺中获取更多计算能力。

机架密度已经显著提升。Nvidia 的 GB200 NVL72 在一个液冷机架级系统中整合了 72 块 Blackwell GPU。Nvidia 表示，其共享机架设计需要 120 千瓦的散热能力。

Mueon 的方案并非只是在类似机柜中放入更多加速器。其提出的可组合数据中心将允许运营商选择不同的处理器和内存技术，再将其集成到 Cubelet 系统中。

CEO Wilfred Gomes 曾将这一目标描述为一种可在数据中心层面自由组合组件的环境。客户可自带 AI 处理器，而不必采用由 Mueon 提供的某一种加速器。

这种灵活性可能会吸引云服务商和专业 AI 公司。一些工作负载优先考虑训练吞吐量，另一些则需要低成本推理、更大内存容量或可预测的延迟。

理论上，模块化平台可以满足这些需求，而不必将每次部署都限制在固定的处理器配置中。它还可能为加速器创业公司提供系统级路径，使其无需自行打造完整机架。

然而，可组合性也有成本。每个可互换接口都可能限制优化空间，而每种定制配置都会增加验证工作。运营商重视选择权，但同样重视可预测的性能和支持。

因此，Mueon 必须在开放性和紧密集成之间取得平衡。如果 Cubelets 支持多种处理器类型，却需要针对每一种类型进行大量重新设计，平台将难以实现经济规模化。

公司还需要能掩盖这种物理复杂性的软件。熟悉的 AI 框架必须能够识别、调度和监控硬件，而无需采用完全不同的运营方式。

Mueon 表示正在构建这一编排层。目前公开资料尚未展示生产部署、性能曲线或客户迁移成果。

Mueon Series A 为产出这些证据争取了时间，同时也让这家创业公司面对一个正在快速演进的既有模式。

Cubelets 挑战的是集成式机架，而不只是 Nvidia 的 GPU

核心竞争在于模块化组件选择与严格控制的机架级集成之间的较量。

Nvidia 越来越多地将 AI 基础设施作为协调一致的系统销售，而非一组 GPU 的集合。其机架产品整合了加速器、CPU、高速网络、液冷和管理软件。

这种模式降低了买家的集成风险。组件以明确的接口、经过测试的配置以及围绕 Nvidia 平台构建的软件环境交付。

它也集中了架构控制权。客户可以在 Nvidia 系统及其合作伙伴之间进行选择，但核心计算、网络和软件决策仍然紧密绑定。

Mueon Cubelets 则提出了不同的边界。该创业公司希望客户和合作伙伴将处理器、内存或专业技术带入模块化系统架构。

这并不意味着 Mueon 可以直接取代 Nvidia。客户理论上可能将兼容 Nvidia 的组件部署在基于 Cubelet 的系统中，尽管尚未公布任何此类商用配置。

更重要的区别在于由谁组装系统，以及优化发生在何处。传统机架通过网络和供电基础设施集成完整服务器。Mueon 希望更多集成工作在紧凑的模块化单元内部完成。

更短的电气连接可降低数据移动所需的能量。较低电压的供电也可减少转换损失，而双面散热则可能帮助从更高密度的组件中带走热量。

最初报道称，Cubelets 将采用较低电压的供电和双面散热。标准服务器配置通常从处理器封装或电路板的一个主要侧面散热。

这些设计选择支撑了 Mueon 的密度目标。该公司称，其架构最终可在相同功耗预算和机架占地面积内提供最高十倍的计算能力。

这一数字值得谨慎看待。Mueon 尚未发布能够支持普遍十倍优势的独立基准测试、工作负载定义、制造配置或对比系统。

密度也可以用多种方式衡量。一个平台可能在一定体积内容纳更多硅芯片，但在应用吞吐量上的提升较小；它也可能改善每瓦性能，却需要成本更高的封装。

有用的比较还需要披露处理器、内存容量、冷却设备、系统功耗、工作负载、利用率以及整体基础设施占地。结果还应包括运行每种配置所需的外部设备。

潜在合作伙伴名单初步证明了业界兴趣。Mueon 已点名推理芯片公司 d-Matrix，以及开发基于 Arm 的服务器处理器的 Ampere Computing。

D-Matrix 联合创始人 Sudeep Bhoja 表示，模块化架构为将 Cubelets 与内存内计算结合提供了选择。这种方法让某些计算在更靠近存储数据的位置完成，从而减少向独立处理器传输数据的需求。

Ampere 联席 CEO Rohit Vidwans 表示，公司正与 Mueon 合作，以降低该技术的风险。措辞很重要。合作表明双方存在技术层面的参与，但并不代表已达成批量采购或生产部署。

这种关系也说明了 Mueon Cubelets 能够提供什么。处理器供应商可以进入高密度系统，而无需独自复刻每一层网络、电力、冷却和编排能力。

从这个意义上说，Mueon 最强的机会可能位于大型云运营商之下。超大规模云厂商能够设计定制服务器，并直接与整个供应链谈判。较小的加速器公司不具备这种规模。

一个通用集成平台或许能帮助这些供应商争夺专用工作负载。它也能让买家在更广泛的基础设施规划中组合不同的计算引擎。

然而，Nvidia 的优势不止于硅片。其软件、网络、参考设计、制造关系和支持团队都降低了运营的不确定性。

Mueon 无法仅凭密度主张来克服这一优势。它需要让客户相信，在安装、升级、组件故障和工作负载变化之后，模块化系统仍将易于管理。

当组件可互换时，可组合数据中心听起来很有吸引力。但在生产环境中，可互换性需要稳定的电气、机械、散热、固件和软件契约。

每一种新的处理器组合都必须满足这些契约。任何一层的故障，都可能抹去其他层带来的收益。

因此，Mueon 的 Series A 融资支持的是一种艰难的竞争形式。这家初创公司不只是在打造更好的组件，而是在尝试建立一个值得信任的交汇点，让许多组件能够在此协同工作。

更高密度将最棘手的问题推入堆叠内部

同样能够降低数据移动成本的近距离，也可能让散热、制造和可靠性更难控制。

三维集成具有明确的物理优势。放置得更近的组件需要更短的连接，这可以提高带宽并降低通信能耗。

不过，密集堆叠会集中热量。逻辑处理器会产生大量热输出，而内存技术通常能承受不同的温度范围。

高温逻辑层可能加热邻近内存。不均匀的温度会影响性能、数据保持、组件老化，以及键合材料之间的机械应力。

近期的热学研究将其描述为三维异构集成的核心问题。更多功能被塞进更小的面积，但可用的散热表面并不会按比例增加。

Mueon 表示，双面冷却将有助于应对这一挑战。这是技术上可行的方向，但其效果将取决于内部布局、冷却液路径、材料和运行功耗。

冷却设备也会在 Cubelet 外部消耗空间和电力。公平的效率比较必须纳入泵、热交换器、分配单元以及设施级散热系统。

供电带来了另一项限制。较低电压可以减少部分转换损耗，但通过紧凑导体输送大电流会产生电阻和热量。随着负载快速变化，电压稳定性也会更难维持。

Mueon 必须将这些影响与封装和互连设计协调起来。更多连接可以提高带宽，但也会引入制造步骤和额外的故障点。

对于复杂集成系统，良率尤为重要。如果某个昂贵组件在组装期间失效，制造商需要有切实可行的方式来替换它，或避免报废整个单元。

模块化可以通过将平台拆分为可维护模块来提供帮助。如果组件变得难以接触或测试，密集封装则可能削弱这一好处。

产能是另一项风险。先进封装、液冷硬件、内存、基板和高速互连已经面临来自成熟供应商的竞争性需求。

Mueon 无需拥有每一家工厂。但它确实需要具备能力的制造合作伙伴，以可接受的规模交付一致的系统。

这家初创公司面临的软件挑战同样重大。来自不同供应商的硬件资源需要具备统一的发现、调度、遥测、故障处理和安全行为。

一个支持常见 AI 框架的平台，仍需要底层集成。驱动程序、编译器、通信库、固件和集群管理器必须协同工作。

这项工作会随着每一种受支持的处理器和内存组合而增长。除非 Mueon 定义狭窄而持久的接口，否则广泛兼容性可能成为维护负担。

安全性同样重要，因为可组合基础设施扩大了信任边界的数量。来自多家供应商的固件可能造成不一致的更新周期和不同的漏洞响应流程。

这些问题均不会否定 Mueon 的架构。它们解释了为何当前阶段重点在于系统验证，而不是立即大规模部署。

最有价值的证据将是一套运行公认 AI 工作负载的完整原型。它应披露持续性能、总功耗、冷却开销、组件温度，以及持续运行下的可靠性。

第二项测试应能在不重新设计整个平台的情况下替换一个计算组件。这将表明 Mueon 的可组合性是否超越了演示图。

第三项测试应考察维护。运营商需要了解技术人员如何识别故障、更换模块、更新固件并恢复工作负载。

该公司尚未公开提供这些结果。在此之前，十倍目标仍是一项工程目标。

投资者似乎愿意为验证期提供资金，因为潜在回报十分广泛。一个可行的模块化层可以连接处理器初创公司、内存供应商、云运营商和制造商。

失败则会带来不同的教训。它可能表明，紧密集成的机架系统仍保有优势，因为验证复杂性增长得比模块化灵活性更快。

这正是 Mueon 融资背后的核心不确定性。这家初创公司识别出了真实的基础设施约束，但其系统必须一并解决它们，而不是在各层之间转移成本。

三个信号将揭示可组合数据中心是否真实可行

量产硬件、可重复的合作伙伴集成，以及客户实际运营，比又一个效率目标更重要。

第一个信号是经过验证、具备完整系统测量数据的 Cubelet 原型。Mueon 需要提供将硬件密度与有效工作负载性能联系起来的结果。

这些披露应说明处理器、内存、软件栈、冷却设备和总能耗。还应明确比较是否包含网络和设施开销。

独立测试将增强结果的说服力。合作伙伴演示可以证明工作负载能够运行，但第三方测量可以揭示影响结果的配置选择。

强劲的结果将支持 Mueon 的主张：更短的数据路径和集成冷却能够改善系统经济性。狭窄或不完整的基准测试将削弱更广泛的十倍叙事。

第二个信号是跨越不止一家处理器供应商的可重复集成。D-Matrix 和 Ampere 为 Mueon 提供了可信的技术关系，但量产细节仍然有限。

关键问题是，同一 Cubelet 架构能否在不进行大量定制工程的情况下适配不同计算引擎。每次成功集成都应需要更少时间和更少的平台改动。

这种模式将证明这是一个可复用的系统，而非一系列定制项目。它也会为较小的芯片开发商采用该平台提供理由。

相反的模式则令人担忧。如果每种处理器都需要新的封装、固件、供电和冷却工作，Mueon 的运营方式就会更像一家定制工程服务商。

定制项目可以带来收入，但无法形成可组合数据中心所暗示的可扩展平台。利润率、部署速度和支持成本都会大不相同。

第三个信号是已有明确客户超越评估阶段。付费试点将具有意义，而持续运行的生产工作负载会提供更有力的证据。

Mueon 需要证明，运营商能够在真实设施内安装、监控、维护和升级 Cubelets。短期演示期间的性能无法回答这些运营问题。

客户证据应包括可用性、维修流程、软件集成和冷却要求。它还应展示 Cubelets 如何连接到现有网络和电力系统。

这些信号不必同时出现。硬件初创公司会在数年内经历原型、送样、认证和量产等阶段。

这笔融资为 Mueon 沿着这一路径推进提供了资源，但并未消除其对制造合作伙伴、加速器供应商和潜在客户的依赖。

竞争对手的反应将提供额外背景。Nvidia 和其他系统供应商已经在提高机架密度、推进液冷技术，并加强处理器与内存之间的连接。

如果这些平台能够以更低的集成风险提供可比的效率，Mueon 的模块化必须带来另一项明确优势。处理器选择和部署灵活性是最可能的候选项。

Mueon 也可能在最大的训练集群之外找到机会。推理系统通常服务于更多样的工作负载和成本约束，使专用处理器更具相关性。

将高效推理引擎与合适内存组合的 Cubelet，可能形成颇具吸引力的部署方案。该公司与 d-Matrix 的关系指向这种可能性，尽管尚未宣布任何商用系统。

企业买家不应将 Mueon 的 Series A 视为产品发布。更准确的理解是，这笔资金用于支持广泛采用之前所需的工程工作。

评估该概念的技术团队应要求提供工作负载层面的证据，而非仅看组件规格。他们还应建模对整个设施的影响，包括冷却和服务要求。

投资者应关注客户接洽转化为明确试验的速度。已宣布的合作关系表明兴趣，但采购承诺和生产计划才能揭示需求。

芯片开发商则有不同的理由关注。一个成功的共享系统层可以减少将专用处理器引入数据中心所需的基础设施工作。

这将把竞争扩展到能够供应完整机架的公司之外。它也可能使加速器选择更贴合具体工作负载。

成熟的机架模式仍是标杆，因为它提供已知的部署流程和日益集成的硬件。Mueon 必须证明，模块化不会牺牲这些运营优势。

Mueon 的 Series A 融资，正是对这一验证过程的一次重大押注。Cubelets 瞄准了一个真实问题：在数据传输、电力转换以及热量从高密度系统中排出时，宝贵的能源不断流失。

Mueon 提出的解决方案，是对这些关系进行协同重构。只有当其高密度设计能够经受热测试、模块仍可替换、软件又能一致地适配不同处理器时，这套架构才真正具有意义。

对于关注 AI 基础设施的读者而言，下一个值得关注的标题不应只是另一笔融资金额，而应是一套经过测量验证的系统、一家具名客户，或一次可重复的集成案例。

在此之前，Mueon 提供的是一个可信的论点，但仍存在尚待验证的缺口。值得关注的是，其首批完整部署能否在保留组件选择自由度的同时，达到集成式机架的可靠性水平。这一结果将决定可组合数据中心会成为一种实际运营模式，还是停留在颇具吸引力的架构构想。