再获融资近5亿！清华系AI创业新势力成为最吸金的“算力运营商”
编辑日期：2024年09月02日
累计获得10亿巨额融资创纪录
最近，一家公司获得了近5亿元的新一轮融资，专门用于AI大模型的研究。
此次融资吸引了15家新的股东加入，包括来自北京、上海等地的国有资本和地方基金，以及顺为资本、达晨财智等知名市场化风险投资机构，还有券商直接投资和产业CVC。
截至目前，这家成立仅1年零4个月的初创企业已累计融资近10亿元人民币。
尽管公司未透露最新估值，但据相关统计，它已成为当前国内大模型赛道中累计融资额最高的AI基础设施公司，没有之一。
问题来了——这家吸金能力极强的AI创业公司是如何炼成的？
无问芯穹的联合创始人兼CEO夏立雪，在对话中给出了答案。
去年5月31日，无问芯穹正式成立。然而，这家公司在AI领域的积累远远早于此。
事实上，其团队源自清华大学NICS-EFC实验室。该实验室成立于2008年，全称“Nanoscale Integrated Circuits and System Lab, Energy Efficient Computing Group”，专注于电子工程领域。
实验室的负责人正是无问芯穹的发起人及灵魂人物——清华大学电子工程系系主任汪玉教授。
夏立雪是汪玉的学生，在汪玉指导下攻读博士学位；联合创始人兼CTO颜深根同样是清华大学校友，现任电子工程系副研究员，曾担任商汤科技数据与计算平台部执行研究总监，并负责搭建过大规模集群。
联合创始团队中的另一位核心成员——首席科学家、上海交通大学长聘教轨副教授戴国浩，也是清华大学电子系的毕业生，获得学士和博士学位。
可以这么说，这个团队非常具有清华电子系的背景。
在无问芯穹，这几人带领着一支超过150人的团队，其中100多人专注于AI大模型软硬件技术的研发。
这就是所谓的“人和”。
让我们继续关注清华NICS-EFC实验室。
回顾过去，在2016年，这个实验室成功孵化了AI芯片公司深鉴科技。两年后，深鉴科技被全球最大的FPGA（可编程芯片）厂商赛灵思以3亿美元的价格收购。
深鉴科技主要通过算法等软件层面提升芯片效率。而作为其“发源地”的NICS-EFC实验室，则一直坚持另一条不同的路线：协同软硬件，进行联合优化。
夏立雪表示，在AI 1.0时代，这种路线受到很大限制，因为当时技术的泛化能力不足，每个小场景都需要单独优化，需要特定的模型。
然而，2022年底，ChatGPT的问世标志着大模型时代的开始，也就是AI 2.0时代的到来。
“大模型的出现是一个重要的转折点，因为它可以用相同的模型支持不同的场景。”夏立雪解释道，“这样一来，我们之前积累的经验和技术只需进行一次优化，就能满足多个场景的需求。”
与此同时，AI 2.0也为AI基础设施层带来了更大的未来价值。现在，可能只需付出20%的努力，就能支撑80%的场景。
大模型时代的到来无疑为无问芯穹的成立和发展带来了“天时”。
无问芯穹之所以备受市场看好，除了上述的人和、天时外，地利同样不可或缺。
当前的形势是，外部算力入口变得越来越窄，而国内芯片产业仍处于成长期。据不完全统计，已有不少于100个宣布拥有千卡规模的中国算力集群，其中大部分集群已经或正在从同构转向异构。
国内算力市场呈现出一种既供大于求又供小于求的局面：算力中心不知道该卖给谁，而许多人却需要使用产品化的算力来完成各种任务。
这种特殊的本地需求迫切需要有人能够整合不同厂商的异构芯片资源，发挥出最高效率。
因此，此次宣布的A轮融资及四种资方的入股，也为无问芯穹实现这一目标提供了坚实的支持。
无问芯穹自行计算后，提出了一条AI模型算力公式：芯片算力 × 优化系数（软硬协同）× 集群规模（多元异构）= AI模型算力
该公式包含三个关键变量：
此公式的最终结果，代表了我国可以支持的AI规模。具体数值的重要性，不如其所提供的认识重要，即软硬件协同设计与多元异构适配，在整个产业链中的价值。
算力市场的潜力巨大，显而易见，其背后的技术栈需求也相当高。
无问芯穹希望实现模型与算力的垂直整合，并致力于建立全面的技术能力。
为何要实现全栈技术？
首先，无问芯穹自信能够胜任。
从顶层的应用模型到底层的算力硬件，可以分为多个层次，其中包括集群层面、模型任务优化层面、框架层面、算子层面以及硬件的定制化与优化层面。
据夏立雪介绍，过去的一年中，团队已经招募了超过100名技术人员，“在国内除了大型企业之外，我们是唯一拥有全栈技术能力的团队。”
其次，全栈技术有助于提供产品化的服务。
具体例子就是无问芯穹今年推出的Infini-AI异构云平台。
该平台集成了世界上首个支持单一任务千卡规模异构芯片混合训练的平台，具有万卡扩展性，支持AMD、华为昇腾、天数智芯、沐曦、摩尔线程、NVIDIA等六种芯片的大模型混合训练，可以一键启动700亿参数的大模型训练。
向上可以直接对接各类集群，向下使建模者和用户能够轻松使用，打通中间环节，这是无问芯穹的主要差异化特点。
这种理念也体现在无问芯穹的核心思想中。
自创业以来，“MxN”的概念一直是他们的核心思想。
什么是“MxN”？
“MxN”指的是打破不同芯片与不同模型之间的壁垒，通过软硬件协同优化的方式，实现M种模型与N种芯片的整合与统一。具体而言，这包括提供一个高效的算力平台以整合异构算力资源，并配备支持软硬件联合优化与加速的中间件，从而大幅提高主流硬件和异构硬件的利用率。
目标是打造一个AI原生的基础设施，适应多模型、多芯片的格局，最终使异构芯片的算力表现达到或超越英伟达。
值得注意的是，无问芯穹早已明确了自己的目标：实现大模型落地成本降低10000倍。
目前，无问芯穹已经实现了1000倍的成本下降。这一成就得益于在算法层、硬件层和软件层等多个层面的联合优化。
正是由于进行了跨层次的联合优化，产生了“化学效应”，使得模型层的压缩能够在硬件层实现加速算子的真实运行。
然而，从1000倍到10000倍的成本下降，虽然只差一个“0”，但却不是简单的几步之遥。
夏立雪表示：“我们已经实现了较深层次的软硬协同，要达到‘万倍成本下降’的目标，则需要对硬件结构进行相应的调整。”
因此，真正实现成本万倍下降，需要与芯片厂商共同探索并设计适应新需求的芯片结构。这不仅是一个理论上的构想，还需要投入实际的新芯片设计和流片过程。
这无疑是一项巨大的工程。
对此，无问芯穹表示，A轮融资的一部分资金将专门用于探索端上模型与端芯片的融合落地项目。
商业模式
无问芯穹并没有选择最常见的软件付费模式，而是成为了一个“淘宝”式的平台。
作为智能计算领域的运营商，他们将软件直接嫁接到各种硬件集群上，出售tokens。
这种模式使得无问芯穹能够更好地整合资源，为用户提供更灵活和高效的算力解决方案。
国内AI大模型领域的许多知名企业，如智谱AI、Kimi和生数等，都是无问芯穹的客户。这表明无问芯穹已经在技术能力、产品能力、业务能力和商业模式方面得到了初步验证。
接下来，无问芯穹计划进行规模扩展。
代码为“CMDS”
如果不做大模型，就没有算力可用。
Sam Altman：宇宙中的智能每18个月翻一番
