OLIX 融资 3.12 亿美元，打造专用 AI 推理系统

OLIX 以 33 亿美元估值融资 3.12 亿美元，为 Nvidia Techmeme 叙事带来了一位英国新挑战者，以及一项雄心异常庞大的硬件计划。这家伦敦初创公司希望用一条由专用芯片构成、覆盖整个机架的生产线，取代单一通用推理处理器。其首款产品仍计划于 2027 年下半年交付客户。

融资与交付之间的落差，正是这个故事的关键。OLIX 已吸引 Arm、Fundomo、Hudson River Trading 以及 Netflix 联合创始人 Reed Hastings 成为投资者。现有支持者也增加了投入。不过，该公司尚未公布来自已部署客户系统的独立基准测试结果。

眼前的对手是 Nvidia，但更深层的竞争在于架构。Nvidia 持续扩展围绕通用加速器、网络、软件和高带宽内存构建的紧密集成平台。OLIX 则表示，更好的方案是通过光学连接，将 token 生成任务分配给专用芯片。

这轮 3.12 亿美元融资为 OLIX 赢得了打造这一方案的时间。但它并不能证明该方案能如其宣称般运行、能够可靠制造，或适配围绕 Nvidia 硬件建立的软件实践。

新融资将芯片论点转化为交付承诺

OLIX 已从提出替代性架构，转向承诺为真实客户提供完整的推理机架。

该公司于 2026 年 8 月 3 日宣布 B 轮融资。这轮融资令这家成立两年的企业估值达到 33 亿美元。Fundomo、Arm 和 Hudson River Trading 与 Hastings 及回归投资者共同参与。

现有投资者 Hummingbird Ventures、Crane、Plural、Creandum、Phoenix Court 和 Transition 均增加了投入。OLIX 在公告中未披露单一领投方，但《金融时报》报道称 Fundomo 领投了本轮融资。

本轮融资紧随今年 2 月披露的 2.2 亿美元融资。那轮融资由 Hummingbird Ventures 领投，令 OLIX 估值超过 10 亿美元。因此，在这家初创公司交付首款商用芯片之前，其估值已在约六个月内增长逾三倍。

OLIX 还邀请 Nick McKeown 教授加入董事会。McKeown 共同发明了软件定义网络，并参与创建了 OpenFlow 和 P4，这些技术改变了运营商编程网络的方式。他还共同创办了 Nicira 和 Barefoot Networks，两家公司后来分别被 VMware 和 Intel 收购。

这一任命契合该公司面向系统层面的雄心。OLIX 推销的并非一款可让客户直接替换进现有服务器的独立处理器。它计划将芯片、激光器、光学连接、编译器及周边机架作为一个协同系统进行设计。

前 Wise 财务主管 Matt Briers 已加入 OLIX，担任首席财务官。Briers 曾协助 Wise 于 2021 年在伦敦完成直接上市。他的加入让 OLIX 获得了一位具备推动私营科技公司迈向公开市场审视经验的高管。

这些任命之所以重要，是因为新融资有着明确的运营用途。OLIX 表示，资金将用于制造承诺、供应链产能以及更广泛定制芯片平台的开发。该公司也正在伦敦、布里斯托尔、奥斯汀、多伦多和旧金山招聘。

核心里程碑是 DX-1，这是一款为 AI 模型生成回复阶段设计的解码加速器。OLIX 计划在 2027 年下半年向首批客户交付该芯片。

这一目标改变了评估该公司的方式。早期融资奖励的是一项技术论点；B 轮融资则为晶圆、封装、光子技术、编译器成熟度、系统集成和客户验收设定了期限。

芯片初创公司经常面临从前景可观的模拟结果到可靠量产硬件之间漫长的间隔。制造延期可能连锁导致软件里程碑错失和客户部署推迟。完整机架的集成环节又比独立加速器更多。

OLIX 现在拥有可观的资本和突出的技术支持。下一阶段的容错空间更小：该公司必须将这些资源转化为具备可衡量经济效益的可运行系统。

为什么 Nvidia Techmeme 的比较既有用又具误导性

Nvidia Techmeme 的叙事框架指出了现有巨头，但 OLIX 挑战的是 Nvidia 的系统设计，而非打造一款传统 GPU 克隆产品。

Nvidia 提供的远不止加速器芯片。其地位建立在 GPU、网络产品、开发工具、优化库、部署经验，以及围绕 CUDA 接受训练的大型开发者社区之上。客户买入的是这一长期积累的系统，而不仅是一份处理器规格。

OLIX 走的是不同路线。这家初创公司认为，推理包含多种硬件需求各异的操作。在单一通用加速器上运行每个阶段，会在速度、响应能力、功耗和利用率之间产生妥协。

推理是指利用训练好的模型生成答案的过程。它包括提示词处理阶段，以及模型逐个生成 token 的顺序解码阶段。这些阶段对内存带宽和计算能力可能提出不同要求。

OLIX 将数据中心比作一座以 token 为产品的工厂。传统工厂会针对不同生产阶段使用专用设备。该公司表示，推理系统也应遵循同样原则。

其 X-1 平台将把一个模型分布在大量专用芯片上。每个处理器会反复处理模型中的一个部分，同时激活值在系统中传递。OLIX 将这种安排描述为一条 token 生产线。

这种方法转移了技术难题。专用化可以提升单项操作的效率，但前提是处理器之间的数据移动不会抵消这部分收益。因此，延迟、同步、网络能耗和调度都成为设计的核心。

OLIX 提出一种“慢而宽”的光学互连，通过光而非铜传输数据。该公司称，机架规模的协同设计可让连接以较低延迟和能耗传输大量数据。确定性编译器将负责在各机架间调度工作负载。

Nvidia 采取了更具演进性的路径。其 Blackwell architecture 将加速器、高速互连和面向训练及推理的软件平台结合在一起。后续系统在保留广泛可编程性的同时，持续提升内存容量、通信带宽和计算性能。

这种通用性带来额外开销，但也能帮助客户应对快速变化的模型。为一种工作负载购置的加速器，经过软件调整后通常可服务于另一种工作负载。Nvidia 的庞大装机基础也为开发者提供了经过验证的性能分析、优化和部署工具。

OLIX 表示，其芯片将保留灵活的计算结构，而不是将某一种模型硬编码其中。这一区别至关重要。模型架构的变化速度可能快于半导体开发周期，因此僵化的专用化可能令芯片只针对昨天的工作负载进行优化。

Arm 的参与提升了可信度，但并未消除这一风险。Arm 在处理器设计和商业化方面拥有深厚经验，但一笔投资并不能验证 OLIX 所宣称的性能。它表明了对不同推理架构的战略兴趣。

同样的谨慎也适用于估值。投资者为应对不断攀升的推理成本这一潜在有价值的方案提供了资金，但尚未提供决定 X-1 能否取代成熟平台所需的独立技术证据。

OLIX 押注决定上限的是内存，而非算力

该公司的核心主张是：高效移动模型数据，比再增加一档通用计算能力更重要。

大型模型包含权重，即训练过程中学得的数值参数。为这些模型提供服务，处理器需要反复读取权重和中间数据。这种数据移动会消耗时间和能量，尤其是在顺序生成 token 的过程中。

现代加速器通常依赖靠近处理器布置的高带宽内存，即 HBM。HBM 的带宽远高于传统服务器内存，但需要专门的制造工艺和先进封装。二者的供应都已成为 AI 硬件市场的重要战略因素。

OLIX 希望让 DX-1 将模型数据存储在静态随机存取存储器，即 SRAM 中。SRAM 是通常直接集成在芯片上的高速存储器。它延迟低，但密度较低，且每比特存储成本高于外部内存技术。

这家初创公司称，其多芯片架构使这种看似的劣势变得可控。X-1 不会将整个大型模型放在单一处理器旁边，而是会将模型分布到许多芯片和机架上。每颗芯片将存储并执行其被分配的部分。

OLIX 表示，DX-1 不需要 HBM 或先进封装。这一选择可能降低其对由现有加速器供应商主导的供应链的暴露度。此前有关 OLIX 的报道指出，避开供应受限的组件是该公司战略的核心部分。

这一设计也使 OLIX 与其他光子计算方案有所区分。光子技术是指利用光进行通信或计算。在 X-1 中，光学技术主要用于连接处理器，而可编程计算由电子电路完成。

这种混合设计避免了将一切押注于光学运算。它仍要求 OLIX 将激光器、电子芯片、网络、编译器软件和热管理整合为可靠的机架。每个环节都会影响系统可用性和制造良率。

该公司声称，对于拥有 1,000 亿参数的模型，DX-1 将为每位用户提供超过每秒 10,000 个 token 的生成速度。它还声称，在大批量规模下，其每瓦输出 token 吞吐量将高于通用处理器。

OLIX 进一步表示，其架构可扩展至参数量达到 10 万亿或以上的模型。这些是公司预测，而非独立复现的客户结果。公告并未说明比较背后的全部模型、精度、延迟、利用率或功耗条件。

这些缺失条件至关重要。推理性能会随输入长度、输出长度、批次规模、数值精度、模型架构和可接受延迟而变化。针对某一种组合优化的结果，未必能反映典型的生产流量。

“每位用户每秒 token 数”可衡量交互性，但运营商同样关注机架总吞吐量。他们必须在响应能力与可同时服务的请求数量之间取得平衡。能效在芯片和设施两个层面都很重要。

比较对象同样重要。专用解码系统相较于处理全部推理阶段的通用处理器或许表现突出。实际运营中的问题是：在纳入网络、闲置容量、软件和冷却后，完整的 OLIX 机架能否胜过经过优化的异构部署。

OLIX 的inference manifesto为质疑当前主流架构提供了连贯的理由。但这并不能免除对可复现测量结果的需求。最有说服力的证据，将来自在现实服务级别要求下运行当前模型的完整机架。

最困难的部分始于首批芯片回片之后

OLIX 必须证明，其架构效率能够经受制造、模型变化以及生产级推理日常波动的考验。

第一项不确定性在于芯片执行。半导体项目进度可能因设计错误、制造问题、封装限制或良率偏低而延误。OLIX 必须协调定制处理器和光学组件，这在向客户交付前增加了更多依赖环节。

不采用 HBM 并不能消除供应链风险。该公司仍需要晶圆厂产能、基板、激光器、光学组装、测试设备、网络组件和机架制造。它的设计只是将压力转移到了另一组供应商和工艺上。

第二项不确定性是软件。Nvidia 的优势包括成熟的编译器、优化后的内核、调试工具，以及开发者熟悉的框架。新架构需要提供一条软件路径，让客户无需重建整个推理运营体系就能部署模型。

OLIX 表示，确定性编译器将负责在其机架间调度工作负载。确定性调度意味着系统会以可预测的方式规划运算和通信，而非动态分配它们。这可以减少协调开销，但也可能令系统更难吸收不断变化的流量模式。

生产请求很少以整齐、统一的批次到达。提示词长度各不相同，输出长度无法预测。模型会调用工具、复用缓存上下文，并服务于延迟预期不同的用户。若流水线等待最慢的环节，硬件利用率便会下降。

这形成了一个经典的生产线问题。当工作稳定流动时，专业化能够提升吞吐量；但瓶颈也可能让其他环节闲置。OLIX 必须证明，其编译器能够平衡多样化的请求，同时保持该架构承诺的效率。

模型演进带来了另一项挑战。混合专家系统会针对每个 token 激活模型中不同的子集。多模态模型结合文本、图像、音频和视频。投机解码则使用较小模型提出输出建议，再由较大模型进行验证。

每种技术都会改变计算和数据移动方式。OLIX 表示，其灵活互连架构能够适应这些变化，而无需针对某个模型进行硬编码。客户需要看到证据，证明更新不需要漫长的编译器工作或新的芯片。

在机架规模上，可靠性同样重要。一个分布在众多处理器上的系统，单个组件故障时可能损失更多工作。OLIX 需要具备故障隔离、冗余、监控和恢复机制，以在硬件出错期间维持服务。

随后便是经济性检验。客户会从设备、电力、网络、冷却、软件、人员、维护和利用率等方面计算总拥有成本。更快的芯片并不必然带来更便宜的服务。

Nvidia 也能作出回应。这家现有主导厂商正持续改进面向推理的软件、低精度计算、网络和机架设计。超大规模云厂商正在开发自有加速器，而 Cerebras、Groq、d-Matrix 和 Fractile 等初创公司也在探索其他专用方案。

这个拥挤的领域赋予买家更多议价能力。同时，它也意味着 OLIX 在部署时面对的竞争对手，未必是 X-1 设计时可获得的 Nvidia 系统。真正相关的比较对象，将是 2027 年末出货的产品。

政府支持可以延长这家初创公司的资金续航。英国的AI hardware plan优先支持本土算力公司，并提供公共基础设施的使用机会。不过，政策支持不能替代客户验证或可重复的制造能力。

OLIX 提出了技术细节明确的主张，这优于模糊的承诺。如今，这些主张也确立了同样具体的举证责任。

三个信号将显示 OLIX 是否具备成为 Nvidia 替代方案的实力

客户硬件、独立定义的基准测试和重复订单，将决定 OLIX 是成为基础设施供应商，还是仍停留在昂贵的架构实验阶段。

第一个信号，是一套按期交付并能正常工作的 DX-1 机架。OLIX 已将 2027 年下半年定为客户交付目标。在此之前，流片公告、首批芯片结果、机架演示以及具名首发合作伙伴，都将显示开发是否仍按计划推进。

实验室演示还不够。该系统必须能够持续运行当前模型、从故障中恢复，并与客户已经使用的服务软件集成。来自客户环境的证据，将比另一项预测更具分量。

第二个信号，是具备完整测试条件的基准测试。读者应关注模型名称、参数量、数值精度、提示词长度、输出长度、批量大小、延迟目标、机架功耗以及完整系统配置。

OLIX 宣称每位用户每秒可超过 10,000 个 token，这一说法颇为醒目。但其含义取决于上述细节。独立复现将增强该公司发起挑战的可信度，而测试条件狭窄或未披露系统功耗则会削弱它。

有价值的比较必须同时衡量响应速度和总体吞吐量。一个平台可以快速生成单条输出流，却同时服务不了足够多的并发用户。它也可以最大化总 token 数量，却让每位用户承受不可接受的延迟。

第三个信号，是首次部署后的商业扩张。试点项目表明买家愿意评估这项技术。重复订单则表明，该系统提供了足以证明运营变革合理性的价值。

重复需求还将表明，OLIX 的软件和支持团队能够服务生产级客户。仅有硬件性能无法建立基础设施业务。买家需要可预测的交付、维护、安全更新、模型支持，以及可信的产品路线图。

Arm 的投资也值得在这一商业检验中受到关注。Arm 可以贡献技术关系，以及在广泛市场中授权处理器技术的经验。未来的合作、客户引荐或披露的设计组件，将使其战略角色更加清晰。

Nvidia 的回应将通过产品路线图和推理经济性显现。这家公司不需要模仿 OLIX；它只需要足够快地改善每瓦 token 数、延迟和部署成本，以缩小 OLIX 试图切入的空间。

这也是为什么 Nvidia Techmeme 的故事不应被简化为一场初创公司与现有巨头之间的融资竞赛。OLIX 正在检验：AI 推理是否应成为由专用机器构成的流水线，而非继续集中在通用加速器上。

如果这种生产线模式奏效，开发者和企业买家可能获得另一条通往更低延迟推理的路径。更多可用 token 能够支持更长的推理工作负载、更大的用户群体，以及当前服务成本过高的应用。

如果它失败，可能的原因同样具有启发意义。光通信可能无法抵消协调开销；SRAM 容量可能带来艰难的扩展经济性；编译器可能难以应对可变工作负载，或者 Nvidia 的更广泛平台可能会比 OLIX 实现量产的速度提升得更快。

这笔融资提供了足够的资金续航，以寻求这些问题的答案，但并未解决它们。因此，对 Nvidia Techmeme 标题最有用的回应很简单：关注机架，审视基准测试条件，并等待客户第二次下单。