热门初创公司 Multiverse 以紧凑的高性能模型重新定义 AI
- Aisha Washington
- 6月7日
- 讀畢需時 11 分鐘
已更新：6月18日
为什么 Multiverse Computing 的紧凑型高性能模型至关重要
Multiverse Computing作为 AI 领域的先驱初创公司，因宣布一项突破性技术而登上新闻头条。该技术可将大语言模型 (LLMs) 压缩高达 95%，在显著缩小体积的同时不损害性能。这一卓越成就得到了近期 2.15 亿美元重大融资的支持，旨在扩展这一创新技术并重塑 AI 在各行业的部署方式。通过大幅减少 LLMs 的计算占用空间，Multiverse Computing 不仅降低了运营成本，还让初创公司、企业和监管机构能够更广泛地获取 AI 能力。
本文将探讨 Multiverse Computing 是谁及其压缩技术突破的意义，深入研究其方案的技术基础，分析近期融资带动的业务势头，并讨论市场和监管影响。我们还将重点介绍实际应用案例，并提供解答关于压缩 LLMs 常见问题的 FAQ。最终，读者将清晰地理解为什么这些紧凑型高性能模型有望转型 AI 的下一阶段。
Multiverse Computing 与模型压缩的兴起
头条新闻背后的公司 —— Multiverse Computing 概览
Multiverse Computing 成立于西班牙，其传承植根于量子计算和人工智能研究，已稳步发展成为先进 AI 技术领域的关键参与者。公司最初专注于为金融和制造业等行业提供基于量子的优化解决方案。然而，意识到大规模 AI 模型面临的日益增长的计算挑战，它将注意力转向模型压缩，将其作为增强可扩展性和可访问性的战略途径。
Multiverse Computing 突破性的压缩技术完美契合其路线图，即提供结合前沿研究与现实影响的务实 AI 解决方案。通过将 LLMs 压缩高达 95%，他们解决了 AI 部署中最显著的瓶颈之一：现代语言模型庞大的体积和资源需求。这一能力使他们独特地处于量子启发算法与 AI 模型效率的交汇点。
他们最近一轮 1.89 亿欧元的融资反映了投资者对这一愿景的信心，使他们能够扩大运营规模并加速商业化进程。
什么是 LLM 压缩以及它为何重要
模型压缩是指在旨在保持其准确性和功能特性的同时，减少机器学习模型的尺寸和计算要求的技术。对于拥有数千亿参数的大型语言模型来说，这一点至关重要。压缩方法包括剪枝（移除冗余参数）、量化（使用低精度数值）、知识蒸馏（训练较小的模型来复制较大的模型）以及优化模型结构的算法创新。
其益处是显而易见的：
延迟改进： 更小的模型响应速度更快。
成本节约： 减少云基础设施和能源消耗。
能源效率：更小的模型需要更少的功耗，从而提高了可持续性。
Multiverse Computing 的方法利用这些技术来创建紧凑的高性能模型，在保持强大推理质量的同时，大幅降低资源消耗。这直接解决了企业大规模运行 AI 时的运营挑战，并通过降低与训练和推理周期相关的碳足迹，为更广泛的环境可持续发展目标做出贡献。
研究基础 —— 证据与早期结果
将 LLM 压缩高达 95% 的前景得到了新兴学术研究的支持。例如，最近的预印本如 arXiv:2507.04270 表明，通过精心的算法设计（通常结合混合量化和逐层剪枝），可以在不损失关键任务性能的情况下显著减小模型尺寸。
然而，这里存在一些重要的注意事项。压缩效果因应用领域而异，并且需要对压缩后的模型进行重新训练或微调以完全恢复准确性。必须仔细权衡模型大小与鲁棒性之间的关系，以确保生产环境中的安全性和可靠性。
Multiverse Computing 的结果与这些发现一致，但更进一步，通过整合专有方法来优化压缩率和模型保真度，使这些紧凑的高性能模型能够在各种场景中实现实际部署。
Multiverse Computing 的融资与业务势头
融资头条 —— 数据与投资者
2025年6月，Multiverse Computing 宣布获得一笔重大资金注入，总额约为 2.15亿至2.17亿美元（1.89亿欧元），吸引了风险投资机构、战略企业投资者和公共资金机构的共同参与。数据上的差异源于欧元与美元之间的汇率转换，但均反映了这一大规模融资的真实情况。
这笔资金的注入凸显了投资者对紧凑型高性能模型经济潜力的强劲信心。投资者看到了一个机会，通过支持一家能以前所未有的规模压缩 LLM 的公司，来打破目前 LLM 部署成本高昂的现状。
为什么投资者押注紧凑型高性能模型
目前，大型语言模型需要庞大的计算资源，这转化为高昂的云托管费用，限制了除资金雄厚的参与者之外的广泛采用。通过压缩这些模型，Multiverse Computing 大幅降低了推理成本，使得：
中小企业 (SMBs) 能够采用 AI 驱动的工具。
在边缘设备上本地运行复杂的语言处理。
云服务提供商优化基础设施利用率。
经济逻辑非常具有说服力：云端支出的成本节约直接转化为更低的 AI 服务价格，并开辟了此前因算力限制而无法进入的新市场。
Multiverse Computing 的商业模式和进入市场策略的影响
Multiverse Computing 计划通过多种渠道将其技术变现：
向云服务提供商许可其压缩算法。
提供带有压缩 LLMs 的模型即服务（model-as-a-service）平台。
与企业合作，针对行业需求量身定制本地化部署方案。
他们的竞争优势在于专有的混合压缩方法，该方法同时优化了体积缩减和模型保真度。因此，他们区别于通用的开源压缩工具或专注于硬件的解决方案。
技术深度解析：Multiverse Computing 如何压缩 LLM
核心技术主张 —— 详解高达 95% 的压缩率
当 Multiverse Computing 声称其将 LLM 压缩高达 95% 时，这一数字主要指参数规模和内存占用的减少，这直接影响存储需求和运行效率。它还与推理过程中每秒浮点运算次数 (FLOPs) 的减少相关。
他们的方法结合了：
混合量化： 在模型层之间使用可变精度级别，以保留关键信息。
无损变换： 在不降低学习表示质量的前提下减少冗余的数学方法。
高级剪枝技术： 在保持整体结构的同时，动态移除非核心参数。
这种多管齐下的策略超越了传统的单一剪枝或量化技术，能够实现紧凑的高性能模型，在大幅缩减体积的同时提供接近原始模型的准确度。
性能权衡与验证
压缩不可避免地涉及模型大小与准确度之间的权衡。Multiverse Computing 强调针对行业标准数据集和任务进行严格的基准测试，以验证压缩后的性能保持情况。其结果表明，在获得显著效率提升的同时，准确度下降极小——通常在几个百分点以内。
至关重要的是，他们优先保留：
安全性： 避免可能引入偏差或错误的行为偏移。
鲁棒性： 保持对对抗性输入的抵御能力。
溯源性： 确保模型更新在压缩周期中的可追溯性。
实施路径 —— 云端、边缘和混合部署
压缩后的 LLMs 开启了多种部署模式：
云端：具有更低延迟且更具成本效益的托管方式。
边缘/设备端：在智能手机、物联网设备或车辆上本地运行复杂的 NLP 应用程序，可增强隐私性和响应速度。
混合模式：结合云端的可扩展性与边缘端的自主性，适用于离线场景或数据敏感环境。
集成需要兼容的 MLOps 流水线，以支持模型更新和硬件加速（例如：专用 GPU 或 NPU）。Multiverse Computing 开展合作与云服务提供商和硬件供应商紧密合作，以优化部署工作流。
风险与待解决的技术问题
尽管取得了进展，但挑战依然存在：
压缩权重的完整性安全性风险需要进一步研究。
压缩后的迁移学习能力需要在不同任务中进行验证。
透明度要求第三方审计和标准化基准以建立信任。
持续的研发工作旨在解决这些问题，同时在不牺牲可靠性的情况下确保可扩展性。
Multiverse Computing 驱动的市场影响和行业趋势
重新定义 AI 经济学 —— 更廉价的推理和更广泛的访问
通过如此高效地压缩 LLM，Multiverse Computing促进了推理成本的大幅降低—— 这是 AI 的一项关键运营支出AI服务提供商。这一转变可能会大幅降低单位推理成本（price-per-inference），使先进的语言技术能够跨越科技巨头，普及到中小企业（SMBs）和新兴市场。
趋势：模型压缩成为 AI 技术栈中的主要类别
模型压缩正迅速获得认可，与基础模型开发、微调实践以及边缘 AI 创新并驾齐驱。投资者日益将 Multiverse Computing 等初创公司视为构建可扩展 AI 生态系统的关键推动者，在这些生态系统中，效率与原始能力相辅相成。
基础设施转型 —— 实现设备端与混合部署
压缩模型减少了对传统 LLM 推理所需的大规模 GPU 集群的依赖。这种演进鼓励了针对小占用空间量身定制的各种硬件加速器 —— 从而促进了结合云端超级计算机与边缘设备的异构基础设施环境。
监管格局：AI 规则如何影响 Multiverse Computing
欧盟 AI 法案对 Multiverse Computing 影响的概述
在欧盟即将出台的Artificial Intelligence Act，通用人工智能系统（包括压缩后的 LLMs）面临基于风险类别的合规义务。像 Multiverse Computing 这样的初创公司必须确保其紧凑型高性能模型符合透明度、鲁棒性和安全性标准，以符合旨在减轻危害并促进创新的监管框架。
美国对先进 AI 模型的报告要求及其跨境影响
美国商务部提议对先进 AI 系统进行强制性报告，这可能会影响在国际上运营的初创公司。这些要求强调运营透明度，但除非政策能够灵活调整，否则可能会增加压缩 LLMs 公司的合规负担。
对灵活、亲创新监管的需求
思想领袖主张采取灵活的监管方法，在降低风险与初创公司友好政策之间取得平衡。Multiverse Computing 与政策制定者的接触有助于塑造能够认可压缩模型独特属性且不阻碍技术进步的框架。
Multiverse Computing 紧凑型模型的用例和客户场景
由压缩 LLMs 赋能的边缘和设备端应用
压缩 LLMs 为边缘计算开启了新的可能性：在本地处理自然语言的移动虚拟助手；进行实时分析的工业 IoT 设备；离线运行的医疗分诊应用；以及在不依赖云端的情况下提供响应式体验的车载语音助手。这些场景受益于更低的延迟、增强的隐私保护以及更低的带宽需求。
企业级部署 —— 高性价比的客户服务与分析
可持续发展案例 —— 更低的能耗和碳足迹
通过将模型大小缩减高达 95%，推理过程中的能耗也相应下降。这种缩减通过降低与 AI 工作负载相关的温室气体排放，支持企业的 ESG 目标 —— 这是各行各业在追求可持续数字化转型过程中日益重视的优先级。
初创公司构建紧凑型高性能模型所面临的挑战、风险与解决方案
监管与合规障碍
像 Multiverse Computing 这样的初创公司在欧洲和美国都面临着复杂的监管环境，不断演变的框架提出了透明度要求、安全认证和报告义务。主动策略包括尽早与监管机构沟通，并在开发过程中嵌入合规机制（合规即设计）。
用于验证的算力和数据获取
验证压缩模型需要大量的算力资源，这往往是初创公司难以负担的。授予超级计算机访问权限的公共倡议——例如旨在促进 AI 创新的 EU 计划——有助于弥补这一差距。与云服务提供商的合作也有助于构建可扩展的验证环境。
最佳实践解决方案 —— 政策、伙伴关系与透明度
促进创新且辅以稳健第三方评估的灵活政策，使初创公司能够建立对紧凑型高性能模型的信任。公开基准测试结合学术界、工业界和云生态系统的战略联盟，可加速负责任的开发。
案例研究：Multiverse Computing 的融资轮次与战略路线图
所筹资金的时间表与用途
Multiverse Computing计划将这 2150 万美元的融资用于：扩大研发力度以优化压缩算法；拓展包括销售和市场营销在内的商业化活动；与云服务提供商建立合作伙伴关系；招聘工程和业务职能方面的人才；以及投资于支持大规模部署的基础设施增强。
早期客户吸引力和试点部署
后续关注重点 —— 里程碑和证明点
关键绩效指标包括：
实现与未压缩模型相比的基准性能对等。
展示大规模推理成本的降低。
扩大合作伙伴生态系统集成。
顺利通过监管审批。
跟踪这些指标将预示未来一年的技术成熟度和市场就绪情况。
FAQ — 关于 Multiverse Computing 和压缩 LLMs 的常见读者问题
Q1：Multiverse Computing “将 LLMs 压缩高达 95%” 究竟意味着什么？ 这意味着将模型的规模（例如参数或内存占用）减少高达 95%，使其在不显著损失准确性或功能的情况下变得更小。
Q2：压缩后的模型会像全尺寸 LLMs 一样准确吗？ 准确率取决于具体任务；通常情况下，压缩模型保留了大部分能力，但可能需要微调。在部署前进行基准测试验证至关重要。
Q3：这如何改变部署 AI 的经济效益？
更小的模型大幅降低了云计算成本，使更广泛的应用成为可能，特别是对于小型公司或边缘应用。
Q4：在生产环境中使用压缩后的 LLM 是否存在监管风险？是的；诸如《欧盟 AI 法案》之类的法规根据风险类别施加合规性要求，这些要求同样适用于压缩模型。
Q5：初创公司如何获取计算资源来验证压缩模型？诸如 EU supercomputers 之类的项目提供免费或补贴性质的访问权限；与云服务提供商的合作也有助于扩展测试环境。
Q6: 企业买家在部署压缩模型前应该向 Multiverse Computing 咨询哪些问题？询问基准测试结果、安全审计、更新工作流、服务水平协议 (SLAs) 以及合规性文档。
Q7: 这会让设备端 LLMs 成为主流吗？压缩技术通过在保持性能的同时降低资源需求，显著提高了设备端使用的可行性。
Q8: 政策制定者应如何看待压缩技术？监管应当灵活且基于风险评估，在确保安全的同时鼓励创新。
Q9: 压缩技术会减缓基础模型的开发速度吗？不会；压缩技术通过让现有模型更高效来补充基础性工作，而不是取代创新。
Q10：我在哪里可以关注 Multiverse Computing 的进展更新？他们的官方新闻页面提供持续更新，各大主流科技新闻媒体也会报道他们的里程碑事件。
结论与前瞻性分析：Multiverse Computing 对 AI 下一阶段意味着什么
Multiverse Computing 处于新兴人工智能革命的前沿，其能力在于提供紧凑型高性能模型，可将 LLMs 压缩高达 95%。这一创新通过使先进的语言技术在从云端数据中心到边缘设备的各种部署场景中变得更实惠、更易获取、更可持续且更具适应性，预示着深刻的市场变革。
对于企业而言，在通过严格基准测试要求透明度的同时，试点压缩后的 LLMs 将在不牺牲质量或合规性的情况下实现成本节约。投资者应监测关键的验证点，如基准测试对等性、合作伙伴集成、客户留存率以及监管进展，将其作为可扩展潜力的指标。同时，建议政策制定者采用灵活的、基于风险的框架，在保护用户的同时营造有利于创新的环境——这种平衡对于促进负责任的 AI 增长至关重要。
展望未来 12-24 个月，随着压缩模型与云生态系统以及针对小占用空间优化的新兴硬件加速器进行更深层次的整合，预计将迎来广泛采用的里程碑。随着领导者从针对 AI 技术栈中这一关键利基市场且不断壮大的初创企业领域中脱颖而出，市场整合可能会随之而来。
最终，Multiverse Computing 的历程说明了效率方面的创新——而不仅仅是能力——将如何定义 AI 的下一个阶段。通过负责任地推进大规模压缩 LLMs 的紧凑型高性能模型，他们帮助开启了一个让强大的 AI 真正触及所有利益相关者的未来：无论企业大小、全球消费者、寻求安全与进步平衡的监管机构，以及环境本身。
