Volantis 光子 AI 互连获 8800 万美元融资，押注突破内存墙

Volantis 融资 8800 万美元，用于开发一种光子 AI 互连技术，瞄准推理计算中最棘手的限制之一：如何足够快速地移动模型数据。这轮 A 轮融资为这家半导体初创公司开发 A-1 系统提供了可观支持。不过，该系统相关的性能目标目前仍是公司自身的说法，尚未得到独立复现验证。

这笔融资之所以重要，是因为 Volantis 提出的并非只是服务器之间又一条光缆。其设计将光学链路置于加速器封装内部，在更大的物理范围内连接计算与内存。该公司称，这种架构能够兼具大规模内存池的容量，以及更快、更小型内存系统所接近的带宽。

这使 Volantis 跻身日益受重视的一批光子学公司之列，其中包括 Ayar Labs、Lightmatter 以及 Marvell 旗下的 Celestial AI 业务。与此同时，这家初创公司还要面对一种已被验证的主流架构。搭载高带宽内存的 GPU 已拥有成熟的软件、制造和部署体系。Volantis 必须证明，其光学互连网络能创造足够价值，以值得业界改变这一技术栈。

Volantis 融资轮支持完整推理系统

Volantis 正利用新资金构建推理架构，而非销售独立的光学组件。

据该公司的融资公告，Volantis 于 2026 年 10 月 1 日宣布完成 A 轮融资。Lachy Groom 与 Abstract Ventures 共同领投，本轮其他参与者包括 John Doerr、VXI Capital、Triatomic 和 Susa Ventures。

该公司还将 Dwarkesh Patel、Naveen Rao 和 Sholto Douglas 列为天使投资人。Volantis 表示，这笔融资使其累计融资额达到 9700 万美元。

这份投资者名单令本轮融资的重要性不止于其规模。Rao 此前曾领导 Intel 的 AI 产品团队，而 Doerr 曾投资过多代计算公司。他们的参与并不验证 Volantis 的工程主张，但表明市场对传统推理硬件替代方案抱有严肃兴趣。

该公司的创始团队成员曾任职于 Nvidia、AMD、Broadcom 和 Ayar Labs。Volantis 称，团队成员此前参与过商用 CoWoS 封装和硅光子系统的开发。CoWoS 是一种先进封装方法，可将多枚芯片与高带宽内存紧密集成。

A-1 是 Volantis 计划推出的首个系统。该公司将其描述为面向参数量超过 20 万亿的模型的推理平台，并以每位用户最高每秒 10,000 个 token 的吞吐量为目标。

这些目标异常激进。在客户、独立实验室或系统合作伙伴公布可比测量结果之前，应将其视为设计目标。该公告未提供标准化基准测试结果、客户部署数据，也未给出足以供外部验证的详细量产时间表。

该公司的公开材料也提到过一个早期门槛，即参数量超过 10 万亿。这一差异可能反映出产品规格仍在演变，也进一步说明，有必要区分架构意图与固定、已出货的配置。

Volantis 将 A-1 定位于交互式推理，而非模型训练。推理是训练完成的模型处理提示并生成输出的阶段。更快的推理能够改善编程智能体、研究系统以及其他在完成任务时反复调用模型的应用。

该公司认为，现有硬件迫使运营商在速度快但容量有限的内存，与容量更大但速度更慢的内存之间取舍。A-1 旨在通过光学互连网络连接大量内存 chiplet，以削弱这种权衡。

这改变了围绕 Volantis 融资轮的核心问题。关键不在于光学链路能否传输数据——光子学早已广泛应用于现代数据中心。真正的问题是，Volantis 能否在内存和计算单元附近集成足够多的光学连接，从而改变推理的经济性。

这一挑战令故事超出了一则常规半导体融资公告的范畴。这家初创公司承诺，将从系统层面改变模型权重、上下文和中间数据抵达处理器的方式。

为什么 AI 推理不断撞上内存墙

Volantis 瞄准的限制源于数据移动，而非单纯缺乏算术性能。

大型 AI 模型包含庞大的数值权重阵列。推理期间，处理器会反复读取这些权重，并让其他工作数据在内存层级中流动。当内存无法以所需速率提供信息时，处理器可能处于闲置状态。

这种不匹配通常被称为内存墙。计算能力的增长速度可能快于实际可用的内存带宽与容量。当算术单元花时间等待数据时，增加更多算术单元并不能解决问题。

高带宽内存，即 HBM，缓解了部分限制。HBM 将堆叠内存置于加速器附近，并通过极宽接口连接。这种布局提供的带宽远高于传统服务器内存。

不过，物理封装空间限制了处理器旁可放置的 HBM 数量。随着距离和数据速率提升，电气连接的信号质量会下降，能耗也会增加。这些影响使得在不牺牲延迟或带宽的情况下构建更大内存池变得更加复杂。

在低批量、交互式推理中，这一问题更为明显。处理单个请求的服务并不总能通过将大量用户合批来提升效率。每生成一个 token，可能都需要再次移动模型权重和活跃上下文数据。

更长的上下文窗口又带来了新的压力来源。模型必须保留代表对话或任务早期部分的键和值数据。随着上下文增长，即使底层模型不变，这一缓存也会扩大，从而提高内存需求。

编程智能体提供了一个具体例子。该智能体可能需要模型权重、大型代码仓库、命令输出、文档和较长的操作历史。如果系统持续等待这些信息抵达，更快的处理器带来的收益将十分有限。

现有系统采用多种应对方式。运营商会将模型分布到多个加速器上、量化权重、缓存重复数据，或将选定信息转移到较慢的内存层级。每种技术都有帮助，但也都会在准确性、延迟、编程复杂性或利用率方面带来限制。

软件改进仍将持续发挥作用。更好的调度和模型压缩能够在无需新型封装架构的情况下减轻压力。因此，Volantis 必须超越的是一个持续演进的基准，而非一代停滞不前的 GPU 系统。

不过，更广泛的行业仍将数据移动视为重大扩展难题。一篇 2025 年的光子学综述将光学 I/O 和光学中介层列为新兴方案，与成熟的 HBM 和电子网络并列。

Nvidia 也在其网络产品中进一步引入光子学。其光学系统结合可插拔光学器件和共封装光学交换机，用于大规模 AI 部署。这项投入支持了 Volantis 的前提，即电气连接正面临日益增长的限制。

不过，Nvidia 的做法也突显出一项区别。大多数商用光学部署集中在交换机、机架或加速器封装之间的通信。Volantis 则希望让光像推理系统内部极其密集的布线一样发挥作用。

这是一个更困难的集成问题。但其潜在回报也更大，因为内存流量直接处于模型响应时间的关键路径上。

Volantis 光子 AI 互连如何运作

Volantis 提议以密集的光学波导取代短距离电气路径，通过中介层连接计算与内存 chiplet。

中介层是在单个封装内连接多枚芯片的基板。传统中介层使用电气走线，在短距离内表现良好。但随着工程师提高带宽、连接数量和封装尺寸，其可达范围会变得更受限制。

Volantis 将其方案称为光学导线，而不是光缆。这一说法指的是集成于封装内的微观光基链路。这些链路旨在连接 chiplet，而无需在各组件之间铺设传统光纤。

根据该公司的技术规格，单条通道的运行速率为每秒 24 千兆比特。Volantis 宣称其延迟低于 5 纳秒，能耗低于每比特 1 皮焦耳。

该公司表示，数以万计的通道可提供超过每秒 200 太字节的总带宽。它还称，光学波导可在中介层上延伸超过 200 毫米。

相比之下，Volantis 将这一场景下有用的电气连接距离描述为约 2 至 5 毫米。更长的光学路径可使内存占据更大的封装面积，而无需将所有组件都紧挨处理器放置。

这种物理可达范围是该架构的核心。典型 HBM 布局是在计算 die 周围布置数量有限的堆叠。将连接扩展至更大的中介层，或可容纳更多内存 chiplet。

Volantis 表示，其设计可将超过 220 个内存 chiplet 连接为一个内存池。该内存池旨在呈现一致的访问特征，而非表现为多个明显分离的内存层级。

该架构采用集成式 micro-VCSEL 阵列。垂直腔面发射激光器，即 VCSEL，会垂直于其表面发射光。VCSEL 已用于传感和通信产品，但 Volantis 提出的是一种专用的封装级实现方案。

许多硅光子系统依赖外部激光器。Volantis 则表示，其激光器集成在光学互连网络中。省去外部激光器组件可能降低封装复杂度，并提高连接密度。

该公司也避免在封装内部使用传统光纤。它通过集成波导传导光信号，使其跨越中介层。Volantis 称，这类波导占用的空间远小于光纤。

这种组合支撑了该公司所称的“宽而慢”信号传输。每条通道以相对适中的数据速率运行，而系统部署数量极多的并行通道。并行化可降低每条连接所需承受的功耗和信号处理负担。

这一策略不同于将少量链路推向极限速度。较慢的通道可能需要要求较低的电子器件，并带来更低的运行能耗。不过，制造数千条可靠的光学路径也会带来自身的良率和测试挑战。

Volantis 报告称，其晶圆级链路的误码率低于每传输一万亿比特出现一次错误。该公司还表示，这些链路可在超过 95 摄氏度的环境下运行。这两项特性都很重要，因为光学组件必须承受高性能处理器周围的热环境。

这些指标尚未在实际出货的 A-1 系统中得到验证。一次干净的链路演示并不能自动证明完整内存互连架构的有效性。整个平台必须协调计算、内存控制器、光链路、封装、散热和软件。

内存池化还会增加复杂性。硬件需要一种一致的方式，在众多 chiplet 之间寻址数据。系统还必须管理故障、争用和数据放置，且不能引入抵消光学互连带宽优势的延迟。

Volantis 表示，该架构能够将极大容量与接近 SRAM 的速度结合起来。SRAM 是通常直接置于处理器上的高速内存，但其物理密度限制了容量。若能在大型内存池中实现与其相当的有效性能，将是一项要求极高的系统工程成就。

尽管如此，这家初创公司的机制在逻辑上是连贯的。光学传输距离扩大了可用的封装面积，而并行通道则提升了总带宽。集成式激光器和波导旨在让设计保持足够高的密度，以应对内存流量。

尚未回答的问题是，这些部分能否在商业化规模下协同运行。原型链路证明的是器件概念。推理系统则必须在持续工作负载下、在可行的功耗预算内，稳定地产出可靠结果。

核心竞争是光学内存与成熟 HBM 系统之间的较量

Volantis 必须在经济性和成熟度上胜过基于 HBM 的加速器，而不仅仅是证明光能够传输比特。

如今领先的加速器结合了强大的处理器、HBM、高速封装链路和成熟的软件。客户可以通过成熟的服务器厂商和云服务商部署这些产品。工程师也了解它们在常见模型工作负载下的性能特征。

Volantis 进入这一市场时并不具备这些优势。A-1 必须在延迟、容量、吞吐量或运营成本上带来显著改善。对于基础设施买家而言，微小的提升很难证明集成工作是值得的。

这家初创公司最有力的论点在于同时提升容量和带宽。传统系统通常通过将模型分布到更多加速器上来增加容量。这种方式也会引入通信开销，并使运营方不得不为主要用于容纳内存的计算能力付费。

大型光学内存池可能改变这种平衡。更多模型数据或许可以让更少的计算引擎访问。如果利用率提高，运营方就能从每个昂贵处理器中获得更多有效工作量。

这一优势对稀疏模型尤其重要。稀疏架构仅为每个输入激活选定的模型组件，但仍需要足够的内存来存储规模大得多的可用参数集合。

混合专家模型说明了这一点。这类模型将每个 token 路由至一部分专用组件。活跃计算量可能仍可控制，但模型的总存储规模远超单个加速器所能容纳的范围。

长上下文应用带来了另一项机会。跨代码库、文档和长期交互历史工作的智能体会产生巨大的内存需求。更大的本地内存池可减少在较慢存储层之间移动上下文的需求。

不过，HBM 系统也在持续改进。内存制造商不断提高堆叠容量和带宽。加速器供应商正围绕推理工作负载重新设计机架、互连、缓存和调度软件。

AMD 和 Nvidia 能够在完整平台层面协调硬件与软件。这种整合能力对初创公司而言很难复制。Volantis 将需要能够提供内存、制造、封装、系统和工作负载软件的合作伙伴。

光子市场中也有资金雄厚的专业厂商。Ayar Labs 将光学 I/O chiplet 放置在处理器附近，并使用外部激光源。其技术强调在更大规模计算系统中实现高带宽连接。

Lightmatter 的 Passage 平台同样瞄准 AI 基础设施的光学连接。它专注于通过可编程光子网络连接跨封装和跨板卡的处理器。

Celestial AI 开发了覆盖封装、系统和机架连接的光学互连架构。Marvell 于 2026 年 2 月完成了对 Celestial AI 的收购，将这项技术纳入一家大型半导体供应商体系。

这些公司销售的产品并不完全相同。有些侧重于通用光学 I/O，另一些则将计算直接连接至解耦内存。但它们的存在仍提高了 Volantis 面临的商业化门槛。

大型现有厂商能够提供经过验证的接口、制造关系和客户支持。它们还可以将光子技术嵌入既有产品路线图。Volantis 必须证明，其专用设计带来的优势并非这些更广泛的平台能够轻易复现。

其集成式 VCSEL 策略构成了一个差异化点。避免使用外部激光器可能简化光学组装的某些环节，也可能减少对硅光子设计中常用激光组件的依赖。

这一选择也带来了自身的技术问题。集成光源必须在温度变化和生产差异条件下保持可预测的运行。失效的发射器或波导不能削弱包含大量昂贵 chiplet 的封装。

因此，核心竞争仍然是架构层面的。Volantis 认为，在封装内部扩展光学连接能力，可以突破 HBM 的“海岸线”限制，即可用于电连接的边缘空间有限。

成熟的加速器厂商则通过其产品表明，更紧密的 HBM、更好的网络和软件优化仍可继续扩展。两种路径都使用光子技术，但将其部署在系统中的不同位置。

只有当将光学技术更靠近内存能够带来可量化的系统优势时，Volantis 才能胜出。仅凭光学技术的新颖性，无法说服那些管理着高成本、关键业务推理集群的买家。

Volantis A-1 的主张尚未证明什么

最大的未知数不是光链路本身，而是 Volantis 能否将其转化为可靠且经济的量产系统。

该公司已公布若干器件级目标，但尚未发布完整的第三方基准测试，将 A-1 与当前推理平台进行比较。这一缺口限制了对应用性能的判断。

每秒 token 数也可能掩盖重要变量。结果取决于模型架构、精度、上下文长度、批次大小、输出长度和延迟测量方法。如果缺少这些条件，就无法对平台作出公平比较。

每位用户每秒 10,000 个 token 的目标尤其取决于工作负载的定义。较小或高度压缩的模型可以比超大前沿系统更快地产生 token。同一硬件在上下文扩展时也可能呈现不同表现。

Volantis 将这一吞吐量目标与参数超过 20 万亿的模型联系起来。该公司尚未公开指明此类生产模型，也未提供可复现的基准测试套件。读者应将这一组合视为系统目标。

内存池同样需要仔细审视。峰值总带宽并不等同于每种工作负载都能获得的持续带宽。协议开销、争用、数据放置和内存控制器行为都会降低实际性能。

延迟也存在类似问题。低于五纳秒的链路并不意味着应用能在五纳秒内获得数据。控制器、交换机、仲裁和内存访问都会增加延迟。

随着组件数量增加，可靠性变得更加困难。拥有数千条光学通道的互连架构需要冗余和错误管理。容纳数百个内存 chiplet 的封装必须能够容忍制造差异和组件故障。

热行为是另一项关注点。光子器件可能随温度变化而漂移，而 AI 加速器会产生大量热量。Volantis 表示其设计在高于 95 摄氏度时仍保持稳定，但系统级证据仍然有限。

封装可能决定该架构能否落地。大型中介层成本高昂，且难以实现高良率制造。每增加一个光学或电子接口，就增加一个需要组装和测试的环节。

供应链策略或许有助于实现设计差异化。该公司强调采用砷化镓制造的 VCSEL，而不是依赖其他化合物半导体材料的激光技术。但不同的材料体系并不能消除制造风险。

软件兼容性同样重要。模型服务平台需要特定的内存行为、通信库和加速器接口。Volantis 尚未充分说明现有推理软件将如何面向 A-1 进行开发。

客户将需要用于调度、性能分析、故障恢复和模型放置的工具。这些能力通常需要数年才能成熟。当软件无法稳定调用硬件性能时，硬件性能可能依然难以获得。

另一个问题涉及商业交付单元。Volantis 描述的是一个系统，但潜在买家需要了解部署细节。他们会问，A-1 是以一体机、加速器、机架、授权架构，还是合作伙伴集成组件的形式交付。

该公司还必须确定其初始市场。前沿实验室或许看重极端容量，但它们要求广泛验证。云服务商能够提供规模，但通常要求可预测的供应和支持。

企业市场则更广泛，需求也有所不同。许多企业运行的模型较小，能够装入现有加速器。除非光学池化能在不增加运营复杂性的前提下降低成本，否则它们可能更倾向于传统硬件。

因此，根据公开材料所解读的 Volantis A-1，是一项有力的架构提案，而不是已经完成的市场结论。其主张描述的是系统的设计目标，并不能证明其已具备量产准备度。

这种区分并不意味着该项目不重要。半导体初创公司通常会在最终硅片和客户部署之前融资。它只是界定了在性能主张成为公认事实前仍需具备的证据。

三个信号将显示这场内存押注是否奏效

下一阶段取决于可复现的硬件结果、制造证据以及可信的客户部署。

第一个信号是使用具名模型并披露测试条件的完整 A-1 演示。Volantis 应说明模型规模、数值精度、上下文长度、批次大小、延迟、功耗和持续吞吐量。

来自独立实验室或客户的结果，比内部演示更具说服力。它将表明光子内存互连是否提升了完整应用性能，而不只是链路带宽。

如果 A-1 能够随着模型规模和上下文增长而维持高吞吐量，这类基准测试将强化该公司的论点。扩展性不足或测试条件限制严格，则会降低人们对该架构的信心。

第二个信号是制造与封装路线图。Volantis 需要明确代工厂、内存、封装和系统合作伙伴，即使部分商业细节仍须保密。

该路线图应说明公司如何大规模测试集成式激光器和波导，也应涵盖大型光学中介层的冗余、修复、散热和良率问题。

这方面的进展将表明，Volantis 能够跨越实验室器件与可重复硬件之间的鸿沟。延误或重大规格变更将意味着集成仍是核心障碍。

第三个信号是客户验证。超大规模云服务商、模型开发商或服务器制造商必须证明，A-1 能够解决一个值得为此改变基础设施的工作负载问题。

最具说服力的部署案例，应当是现有 HBM 系统无法以低延迟高效支持的模型。长上下文智能体和大型稀疏模型是天然候选。

客户还应披露峰值每秒 token 数以外的运营指标。利用率、功耗、错误率、可用性以及单次完成任务的成本，才能说明该设计是否真正改善了经济效益。

三项信号都离不开竞争对手的回应。Ayar Labs、Lightmatter、Marvell、Nvidia 以及各类加速器厂商，将持续推进各自的光学和内存架构。Volantis 并不拥有毫无竞争的发展窗口。

这笔 8,800 万美元的 A 轮融资，为 Volantis 以有意义的规模推进其光子 AI 互连技术提供了资源。但它并未消除在封装、软件、可靠性和客户运营方面拿出证据的必要。

对开发者和企业买家而言，眼下的启示并不是围绕一个尚未发布的平台重新设计系统，而是关注真实工作负载中推理瓶颈出现的位置。

团队应衡量内存利用率、首个 token 生成时间、持续生成速度、上下文增长以及处理器空闲时间。这些观察将揭示未来的光学内存系统是否解决了真实约束。

如果 Volantis 的光子 AI 互连技术能够在不成倍增加加速器数量的情况下，让超大模型具备交互性，它就将变得举足轻重。下一轮基准测试、制造合作伙伴关系和客户部署，将验证这一承诺能否经受住生产环境的检验。