OLIX 融资 3.12 亿美元，挑战 Nvidia 在 AI 推理领域的地位

OLIX 融资 3.12 亿美元，用于开发 AI 推理芯片，为一则醒目的 Google News 标题提供了可观的融资数字，以及与 Nvidia 的直接对比。据报道，这家伦敦初创公司目前估值达 33 亿美元。然而，其首款已公布的加速器要到 2027 年下半年才计划向客户交付。

这一时间差正是故事的关键所在。客户尚无法在商业规模上独立测试其硬件，投资者却已将 OLIX 视为严肃的替代方案。该公司表示，其专用芯片可通过替代包括高带宽内存在内的多种常见组件，降低推理成本。

OLIX 并不试图在每一种 AI 工作负载上击败 Nvidia。它瞄准的是推理，即运行已训练模型以生成回答的过程。其策略是将令牌生成的不同阶段分开，并交由专用芯片处理。

据报道，这笔融资为 OLIX 提供了预订制造产能、招聘工程师以及筹备供应链的资金。它并不能确定该公司的架构能否在生产数据中心中可靠运行。

Google News 标题未提及的内容

这笔 3.12 亿美元融资改变了 OLIX 的财务状况，但并未将其架构主张转化为经验证的性能。

报道称，此次融资为 B 轮融资，参与方包括 Fundomo、Arm 和 Hudson River Trading。据报道，天使投资人包括 Netflix 联合创始人 Reed Hastings。现有投资方也增加了投入。

这笔新资金紧随 2026 年 2 月宣布的 2.2 亿美元融资。根据 OLIX 法律顾问发布的融资披露，此前一轮融资由 Hummingbird Ventures 领投，公司估值超过 10 亿美元。

最新的融资报道称，OLIX 估值达 33 亿美元。报道还指出了一项具体的运营目标：在 2027 年下半年向首批客户交付 DX-1 解码加速器。

这一交付日期比标题中的估值更重要。半导体初创企业必须经历设计验证、晶圆制造、封装、系统集成、软件认证和客户测试等环节。任何一个阶段出现问题，都可能推迟商业发布。

OLIX 表示，这笔融资还将支持其在伦敦、布里斯托尔、奥斯汀、多伦多和旧金山的工程团队。这些地点使其能够接近英国芯片研究人才、北美客户以及成熟的半导体工程社区。

该公司由 James Dacombe 于 2024 年创立，此前以 Flux Computing 之名运营。其快速融资轨迹反映了市场对推理基础设施的迫切需求，也让一家尚未提供广泛可用硬件的公司承受了不同寻常的高期望。

Google News 的搜索结果可以广泛传播融资公告，但信息聚合并不能增加技术验证。读者应将已确认的交易与关于未来效率、性能或量产准备情况的主张区分开来。

最明确且已确认的变化在于财务层面。OLIX 拥有了更多资金、更多战略支持，以及更长的周期来推进这项昂贵的硬件计划。其据报估值也提高了其最终产品必须达到的标准。

该公司已从一个神秘的芯片项目转变为备受关注的基础设施押注。它如今面临公开的交付期限，以及与客户已在部署的硬件进行比较的压力。

为什么 AI 推理已成为压力点

OLIX 瞄准推理，是因为在训练结束后，模型的反复使用愈发决定 AI 基础设施成本。

训练通过处理大型数据集并调整参数来创建模型。推理则利用训练完成的模型回答提示、分类信息或执行其他任务。每一次生成的回答都会消耗计算资源、内存带宽、电力和数据中心容量。

当一项服务需要处理大量用户，或生成较长的推理轨迹时，其经济压力会更加显著。模型可能只是定期训练，但推理可以持续进行。因此，成功的产品会通过日常使用不断放大推理需求。

这种需求巩固了 Nvidia 的地位。其 GPU 通过成熟的处理器、网络、系统和软件组合，支持训练与推理。开发者无需为了陌生的加速器重建整个技术栈，便可部署熟悉的框架。

OLIX 认为，通用 GPU 在特定推理阶段会带来不必要的成本。它的答案是专用芯片，即围绕更狭窄的工作负载设计的处理器。更高的专用化程度可以提升效率，但也会降低灵活性。

这家初创公司将语言模型推理划分为预填充和解码两个阶段。预填充会并行处理用户的初始提示。随后，解码会在反复访问模型数据的同时，按顺序生成输出令牌。

OLIX 首款公布的芯片 DX-1 专注于解码。这是一项有意为之的边界设定，并非要完全替代 GPU 的所有功能。因此，该公司必须展示其加速器如何融入更广泛的系统。

对于生成长篇回答的应用而言，解码可能成为成本高昂的阶段。编程助手、推理系统、研究型代理和文档分析工具，每次请求都可能生成数千个令牌。更高的使用量会让微小的效率差异转化为显著的基础设施成本。

这使得 OLIX 的意义不止于芯片买家。软件团队会通过模型延迟、服务限制和运营预算感受到硬件约束。知识工作者也会以响应更慢或产品访问范围更窄的形式，面对同样的限制。

构建可搜索档案或个人知识库的团队，同样依赖价格可承受的推理能力。一次可见的请求，可能会因检索、摘要和综合而触发多次模型调用。

不过，仅有需求并不能保证每一种加速器都有市场。客户希望在不牺牲软件兼容性、可靠性、安全性或部署灵活性的前提下降低成本。专用芯片必须在计入集成费用后，仍能带来节省。

Nvidia 也可以改进自身的推理系统。其规模使它能够协同优化处理器、网络、软件库和部署工具。OLIX 必须超越这个不断移动的目标，而不是与某一代固定的 GPU 竞争。

因此，压力落在双方身上。Nvidia 必须捍卫通用加速计算的经济性；OLIX 则必须证明，专用化带来的价值足以支持客户采用一个新平台。

OLIX 的 X-1 设计以专用化取代内存带宽

OLIX 押注于片上 SRAM 和光学链路，认为它们能够降低制约传统推理系统的数据移动成本。

据报道，该公司的 X-1 平台将模型分布在定制处理器之间。其首个组件 DX-1 使用静态随机存取存储器，即 SRAM，来处理解码。SRAM 是一种速度快、可部署在计算电路附近的内存。

大多数大型 AI 加速器都高度依赖高带宽内存，即 HBM。HBM 将内存芯片堆叠在处理器附近，并通过先进封装进行连接。它能提供很高的数据传输速率，但也增加了成本和供应链复杂性。

OLIX 表示，DX-1 通过快速的片上 SRAM，避免使用 HBM 和先进封装。据报道，该设计将模型数据置于多个芯片之中，而不是反复从外部内存移动数据。

这种安排试图解决“内存墙”问题。该术语描述了处理器速度与内存提供数据的速度之间不断扩大的差距。当计算单元在等待模型权重时，更快的算术运算作用有限。

OLIX 的平台还采用光学互连，即通过光在线硬件节点之间传输数据。该公司将其方法描述为“慢而宽”，优先让数据以广泛并行的方式移动，而不是追求单个连接的极高速度。

这与使用光进行主要数学运算的光子处理器有重要区别。据报道，OLIX 的设计使用专用芯片进行计算，并用光学技术实现通信。商业层面的问题在于这一整套系统的表现。

将模型分布在众多芯片上，可以减少对外部内存的重复访问，但也可能带来协调挑战。软件必须调度工作、管理故障，并在完整的芯片网络中保持低延迟。

光学连接并不会自动让系统变得高效。激光器、光学组件、转换电路、控制系统和热管理都会消耗能源。制造公差也可能影响良率和可靠性。

OLIX 必须在机架层面展示完整结果。客户为系统、电力、冷却、网络、维护和工程时间付费。一项有利的芯片规格，可能会在昂贵的部署成本中失去优势。

这种方案还假设，关键模型能够有效映射到专用硬件上。模型架构变化很快。新的注意力机制、量化技术和混合专家设计，都可能改变内存与通信需求。

GPU 可通过可编程性吸收其中一部分变化。专用芯片则以部分灵活性换取效率。OLIX 必须证明，其设计在多个模型世代中都能保持实用价值。

据报道，Arm 的参与增添了战略意义。Arm 提供的处理器架构广泛用于移动设备、服务器和嵌入式系统。其参与并不能独立验证 OLIX 的性能，但让这家初创公司与经验丰富的芯片合作伙伴建立了联系。

Hudson River Trading 则带来了另一种视角。高频交易公司极为关注延迟、基础设施效率和专用计算。其参与表明，技术型投资者认为 OLIX 的架构方向具有价值。

不过，投资代表的是在不确定性下的信心，而非基准测试。投资者可以接受企业客户可能会拒绝的技术、进度和市场风险。

OLIX 已经说明了一种合理的机制：专攻解码、让内存接近计算单元，并通过光学链路连接芯片。下一步任务是用可重复的测量结果证明这一机制。

真正的对手是 Nvidia 已部署的平台

OLIX 竞争的对象是 Nvidia 的一体化平台和客户使用习惯，而非某一项 GPU 规格。

简单的芯片比较低估了 Nvidia 的优势。客户购买的是由编译器、软件库、编排工具、服务合同、云访问和受过培训的工程师支持的系统。CUDA 仍是这一环境中尤其重要的一部分。

Nvidia 还提供专为推理打造的软件和经过优化的服务框架。其客户无需替换硬件架构，就能提高资源利用率。这使其既有优势具有直接的经济价值。

OLIX 需要一层兼容软件，让现有模型只需进行有限修改即可运行。它还需要可观测性、调度、安全性和故障恢复能力。当硬件支撑面向客户的 AI 服务时，这些要求会变得更加严格。

一种新型加速器可能在实验室中展现出亮眼吞吐量，却难以应对真实工作负载。生产流量在提示词长度、输出长度、批处理规模和延迟要求上各不相同。当请求到达不均匀时，利用率可能下降。

因此，OLIX 最有力的应用场景是稳定、高容量的工作负载。一家服务于热门模型的公司，若可预测的需求能够带来显著节省，或许会接受专用硬件。规模较小的用户则可能更倾向于云端 GPU，因为它们可在多种任务中保持实用性。

这造成了部署层面的分化。超大规模云服务商和主要模型提供商可以大规模评估专用基础设施。工作负载波动较大的企业，则可能优先选择熟悉的软件和灵活的算力容量。

其他 AI 芯片初创公司也说明了其中的难度。Graphcore 围绕其 Intelligence Processing Unit 获得了大量融资，但难以克服 Nvidia 的平台优势。Cerebras 推进晶圆级系统，而 Groq 则专注于低延迟推理。

Fractile 提供了一个尤其相关的英国对照案例。英国政府报告称，Fractile 和 OLIX 均在 2026 年融资 2.2 亿美元。其 technology update 将这些融资轮次视为本土 AI 硬件投资增长的证据。

这些公司并不都采用相同的设计路线。它们共同面临的挑战，是将架构差异化转化为可靠的客户价值。融资能够支持这一进程，但无法缩短所有制造或市场采用周期。

OLIX 还面临时机问题。其计划于 2027 年交付，这将给 Nvidia 和其他供应商留下多个产品周期来提升推理性能。云服务商也可能在同期推出自己的芯片。

Google 的 TPU、Amazon 的 Inferentia 芯片以及其他内部加速器，已经证明专用推理硬件可以发挥作用。它们也展示了同时掌控硬件及客户使用它的云环境所带来的优势。

OLIX 缺乏这种封闭式分发渠道。它必须说服外部客户测试、购买并集成一个独立的平台。战略合作伙伴关系将至关重要。

据报道，33 亿美元的估值所假设的不只是一次成功的流片——即将完成的设计交付制造的过程。它意味着 OLIX 能够在 AI 基础设施领域建立具有商业意义的地位。

这一结果需要完整的产品方案。芯片必须按时出货，软件必须可用，系统经济性必须经得起审视，客户必须从试点扩展到更大规模。Nvidia 已部署的平台对这些要求中的每一项都构成压力。

因此，竞争并不是光与铜之间简单的对决，而是专注型架构与成熟计算平台之间的竞争。OLIX 需要具备显著的效率优势，才能让迁移变得合理。

融资轮无法回答最棘手的问题

OLIX 已披露雄心勃勃的产品方向，但判断其成败所需的证据目前仍大多不可得。

第一个不确定性涉及基准测试。公开报道尚未提供可由独立方复现的 DX-1 与当前 Nvidia 系统的对比结果。比较需要使用相同的模型、精度格式、批处理规模、延迟目标和功耗边界。

仅凭每秒生成的 token 数量，无法解决这一问题。系统可能通过批量处理请求来最大化吞吐量，却为交互式应用带来不可接受的延迟。它也可能将能耗成本转移到网络或其他配套组件上。

第二个不确定性涉及制造。据报道，OLIX 避开了 HBM 和先进封装，这可能减少其对供应紧张环节的暴露。然而，定制芯片仍需要晶圆厂产能、封装、测试、板卡、光学组件以及可靠的良率。

避开一个瓶颈，可能会暴露出另一个瓶颈。光学组装也有自身的制造要求。跨多颗芯片设计的系统，同样需要可预测的组件供应和高效的最终集成。

第三个不确定性涉及软件兼容性。OLIX 表示其平台面向现有 AI 模型，但客户需要了解实际细节。他们必须知道哪些框架、模型架构、数据类型和部署工具能获得完整支持。

狭义的解码加速器还需要与执行预填充的硬件协同。组合系统必须能够在不同阶段之间转移请求，而不抹去预期收益。这一交接环节值得进行严密测量。

第四个不确定性涉及客户采用。“首批客户”可以指从评估合作伙伴到承诺采购用于生产的买家之间的任何情况。其意义取决于部署规模、付费使用情况和扩展计划。

客户名称有助于建立可信度，但仅有名称并不足够。最有力的信号将是：某项生产工作负载因 OLIX 提供了更优的总体经济性而从 GPU 迁移过来。

第五个不确定性涉及报道中的估值。33 亿美元的私募估值反映的是某一轮融资的条款，并不代表公开市场流动性、营收或已被证明的产品需求。

相较此前的十亿美元估值，估值跃升也提高了执行压力。OLIX 必须建立一个能够跨多个国家交付硬件的组织。快速招聘可以加速开发，但也会增加协调难度。

政府参与又增加了一层因素。英国已设立 Sovereign AI 风险基金，并推出了支持本土基础设施的更广泛计划。其政策更新提到，公共部门将投入资金采购 AI 硬件并发展半导体产业。

这种支持可以提供资本和潜在需求，但也可能带来围绕本地就业、国内产能和国家技术目标的政治期待。OLIX 必须满足商业买家的需求，同时承载英国工业政策的象征性意义。

AI 部长 Kanishka Narayan 将芯片描述为国家影响力的来源。这一说法概括了各国政府为何关注 OLIX。掌控更多计算技术栈的国家，在供应短缺或地缘政治争端期间将拥有更多选择。

但主权并不能消除市场纪律。一款获得国内支持的处理器，仍需要具备有竞争力的性能、制造渠道和可用的软件。公共资金可以吸收早期风险，但最终决定平台能否存续的仍是客户。

Google News 的曝光可能会放大公司的发展势头，但不应模糊这些区别。融资、技术可行性和商业验证是三个不同阶段。

在 OLIX 于 2027 年出货前应关注什么

三个信号将决定 OLIX 正在打造可信的推理平台，还是一场昂贵的演示。

第一个信号是可由独立方复现的系统性能。OLIX 应公布明确界定模型、工作负载、延迟、批处理规模、数值精度、功耗边界和竞品硬件的测试结果。

最有价值的结果应涵盖多种工作负载形态。简短的交互式回答、长篇推理输出和高容量批处理会以不同方式考验系统。可信的平台应说明自己在哪些场景胜出，又在哪些场景并不占优。

来自客户、研究实验室或工程合作伙伴的独立验证将增强说服力。如果 OLIX 只发布内部的醒目数据，不确定性仍将很高。透明的方法论比单一的大比例数字更重要。

第二个信号是向具名首批客户交付可运行的芯片。样品、开发系统和生产部署代表不同的里程碑。相关报道应明确区分它们。

成功流片将表明 OLIX 完成了可制造的设计。功能样品将确认实体芯片能够运行。客户认证则将证明系统能够经受实际测试。

请密切关注时间表。该公司目前目标是在 2027 年下半年交付 DX-1。任何对这一时间窗口的调整，都会影响投资者和客户对该项目的评估。

还应关注“交付”的具体含义。有限的工程样品并不等同于广泛可得的硬件。最有力的确认应包括安装规模、生产工作负载以及获得重复订单的路径。

第三个信号是软件和生态系统支持。OLIX 需要展示客户如何编译、部署、监控并扩展熟悉的模型。文档和开发者访问权限将揭示该平台已推进到何种程度。

与服务器制造商、云服务商、模型开发商或数据中心运营商的合作关系，将降低集成风险。没有交付生态系统支撑的已发布芯片，仍然很难被大多数买家采用。

Nvidia 的回应也属于第三个信号的一部分。在 DX-1 到来之前，推理软件或内存效率的改进就可能缩小 OLIX 所提出的优势。新的竞争加速器也可能改变对比结果。

对开发者而言，实际问题不在于光学连接听起来是否有前景，而在于现有模型能否以可预测的方式运行，并带来可衡量的收益。对企业买家而言，问题则涉及总成本、可靠性、支持和供应。

对知识工作者而言，影响将是间接但有意义的。更低成本的推理可以支持更长的上下文、更频繁的模型调用和更快的智能体工作流。这些好处只有在基础设施节省传导至应用层时才会出现。

3.12 亿美元的融资轮给予 OLIX 一个严肃的机会来回答这些问题，但也让错过里程碑变得更难被原谅。资本已不再是这家初创公司最显眼的限制因素。

Google News 有助于传播这则引人注目的融资新闻。下一阶段需要更扎实的证据：透明的基准测试、可运行的系统，以及在生产环境中使用 DX-1 的客户。

请关注这三个信号，而非仅看估值。如果 OLIX 能交付这三项成果，其专用设计就值得与 Nvidia 的平台相提并论。如果不能，这轮融资仍将是该公司最亮眼的成果。