编者按：本文来自微信公众号 “阿尔法公社”（ID：alphastartups），作者：发现非凡创业者的，创业邦经授权转载。
最近一段时间，AI网络通信领域，越来越热。
一方面，硅谷的AI网络通信初创公司们频频获得大额融资，另一方面，二级市场的AI网络通信，尤其是光通信公司，股价也快速增长。
为什么AI网络通信的热度在提升？本质还是需求在推动：模型尺寸越来越大，Token消耗越来越多，算力出现紧缺。而要从算力端以较低成本榨出更多算力，就得从底层技术去想办法。
加快芯片与芯片间的通信，加快节点与节点之间的通信，提高整个算力基础设施的效率，就是一条正在被验证的路。
一家叫Upscale AI近期融资很猛。它在2025年9月获得1亿美元种子轮融资，由Mayfield与Maverick Silicon共同领投，StepStone Group、Celesta Capital、Xora、Qualcomm Ventures、Cota Capital、MVP Ventures及 Stanford University参投。
2026年1月又获得2亿美元A轮融资，由Tiger Global、Premji Invest和Xora Innovation领投，Maverick Silicon、StepStone Group、Mayfield、Prosperity7 Ventures、Intel Capital和Qualcomm Ventures参投。
最近，又有消息称，它在洽谈1.8亿至2亿美元的新一轮融资。
大参数，MoE，长上下文，模型创新倒逼AI算力网络创新
一个创立不到一年的企业，为什么能接连获得大额融资，这与它的创始团队有很大关系。事实上，Upscale AI是从Auradine孵化出来的，Auradine本身就是一家新兴的AI基础设施公司，它现在已改名Velaura AI，致力于为云端、边缘及实体人工智能应用提供经过验证的突破性超低功耗计算方案。
Barun Kar和Rajiv K，图片来源：Upscale AI
Upscale AI的联合创始人和CEO Barun Kar，此前是Auradine的COO，而联合创始人及执行董事长Rajiv K此前是Auradine的CEO，现在也是Velaura AI的CEO，Upscale AI的CTO Puneet Agarwal此前在博通工作十年，还在Marvell当过数据中心部门的CTO。
Barun Kar和Rajiv K，在前一次创业之前，也都有巨型企业的工作经历，可以说，这是一支在行业里浸淫多年，具有丰富经验的团队。
AI网络通信，为什么重要？这要从技术底层开始说起。
AI计算负载的特点是高度同步。大规模模型训练、MoE架构，以及分布式推理等现代工作负载，都会给网络带来极高的同步压力。
训练过程中，模型的参数梯度需要以高度同步的波次在成千上万张GPU之间传递；推理计算则会产生大规模扇出流量，同时对时延提出极其严苛的要求。
网络一旦跟不上，GPU就会停转等待，时延持续攀升，算力集群的效率随之崩塌。
这是架构错配，不是调优可以解决的。
传统的网络，追求通用性，而兼容多种负载引入的复杂性，如今在AI场景中反而变成了阻力。确定性通信，以及GPU集合通信所要求的强同步，正在超越传统网络的设计极限。
AI算力集群需要的网络，必须能够在大规模环境下，支持确定性、同步化、高吞吐的通信。
AI网络必须从底层重新构建，围绕Scale-Up与Scale-Out连接的真实需求来设计。
进一步细化拆解，就落到了模型上。
现在模型的两个特点，让它对AI算力集群网络的压力特别大。一个是模型的参数规模指数提升，另一个是长上下文和Cot的持续进化。
以刚发布的DeepSeek V4 pro为例，它的尺寸参数来到1.6T，上下文达到1M。1.6T的尺寸，就需要1.6T内存，一块卡的内存肯定不够，需要切分到大量加速器上运行，而芯片间通信也因此迅速成为瓶颈。
超长上下文窗口，会让KV cache的体量急剧膨胀，也会超过单张GPU的HBM内存容量。这些都对内存容量和通信带宽形成双重挤压。
不是单纯的芯片级创新，而是全栈革新
要完成这种大参数和长上下文窗口模型的训练和流畅推理，真正的解决办法是重定义“计算边界”，让更多的GPU能够以超高速网络连接，拥有亚微秒级时延和高吞吐集合通信能力，能够把它们看成一个“超级GPU”，于是机架这种形式就出现了。
以NVIDIA的NVL72为为例，它不再把72张GPU视为彼此独立的设备，而是将其作为一个具备内存语义的一致性机器来运行，内部NVLink带宽达130TB/s。
在这里，就引入了AI基础设施的两个连接层级：机架级GPU互连（Scale-Up）和集群级网络结构互连（Scale-Out）。
这两个层面必须协同运作，才能让成千上万张GPU像一个统一的分布式计算引擎那样高效工作。
针对AI基础设施的两个连接层级，Upscale AI开发了一套为AI定制的网络架构。对于机架级AI互连（Scale-Up），它有SkyHammer芯片架构，对于集群级AI网络结构（Scale-Out），它有Open Ethernet。
SkyHammer是一套为突破Scale-Up AI网络瓶颈而打造的芯片架构，它基于开放标准，目标是在超大规模下实现确定性时延、极致带宽与可预测性能，使GPU和XPU能够作为一个高度同步的计算引擎协同运行。
其特点之一确定性时延，代表着数据在机架内部各组件之间传输所需的时间，可以被高度可预测地控制。
图片来源：Upscale AI
SkyHammer从ASIC层开始构建，并在芯片、系统与机架三个层面进行整体协同设计，确保每一层都能协调工作。它的每一个环节都被重新设计：从数据如何在芯片中流动，到fabric如何在负载压力下自适应调整，再到超级集群如何在高度同步的压力之下依旧保持可预测性。
它支持ESUN、UEC、UALink等新兴标准，也为尚未出现的未来创新预留了空间。凭借灵活的架构，SkyHammer可以在不重构、不妥协的前提下平滑适配新的标准定义，在开放且多元的环境中实现互操作，同时保持性能表现。
基于SkyHammer架构的产品计划于2026年发布。
Open Ethernet主要针对集群级AI网络结构（Scale-Out）。在集群层面，AI系统需要的是开放性、互操作性以及海量带宽。
Upscale AI打造了针对AI优化的Open Ethernet网络结构，该系统将基于NVIDIA Spectrum-X Ethernet交换芯片，以及SONiC网络操作系统构建，并提供端到端支持。
通过将ASIC原生遥测能力、确定性无损以太网行为，以及行业标准化网络工作流加以整合，系统能够在大规模场景下提供可预测的性能、简化运维以及高可靠性。
简而言之，它可将数千张GPU连接为一张统一的高性能网络，支撑分布式训练与大规模推理。
为了这个项目，Upscale AI加入NVIDIA Partner Network，并正与NVIDIA及其生态伙伴紧密合作，围绕参考架构与经验证设计展开协同，以加速大规模AI数据中心网络的部署。
可以看到，Upscale AI做的事情，没有止步于打造一款更快的网络芯片，而是在芯片、系统与软件之间实现紧密耦合。要运行大型AI计算集群，必须持续掌握整个网络结构中的拥塞状况、同步行为以及GPU利用率。
这包括：高性能RDMA网络、自适应拥塞管理、面向GPU的遥测与可观测性、覆盖整个网络结构的实时运维可视性。Upscale AI会在这些环节都进行优化，构建现代AI计算集群运行所必需的确定性网络基础。
模型需求与AI算力基础设施的错配，诞生了多方面的创业机会
AI算力基础设施，仍然有巨大的发展潜力。事实上，它可能会长期处于与AI软件，尤其是模型，交替创新的状态。当模型的架构进行了创新，AI算力基础设施的硬件或软件出现结构性错配后，新的机会就出现了。
现在的情况就是这样，MoE架构，超大参数，超长的上下文窗口，Agent对于Token的渴求，这些因素的合力，让AI算力处于供不应求状态，同时也让AI算力基础设施有了创新的机会。
在算力芯片层面，最近半年我们就关注到了Unconventional AI（融资4.75亿美元），MatX（融资5亿美元）；在AI赋能芯片设计领域，关注到了Ricursive（融资3亿美元）、Cognichip（融资6000万美元）；当然还有AI数据中心的网络互联，例如本文中的Upscale AI （已经融资3亿美元，还计划融2亿），Eridu（融资2亿美元）、Ethernovia（融资9000万美元）。
中国的开源AI模型，已经实现了全球领先，尤其是最近发布的DeepSeek V4，在AI基础设施层面，中国暂时还处于追赶状态，但这也代表了巨大的创新空间，观察中国的创投市场，大量的创新公司已经开始涌现，而有一部分已经初步获得成功。
本文为专栏作者授权创业邦发表，版权归原作者所有。文章系作者个人观点，不代表创业邦立场，转载请联系原作者。如有任何疑问，请联系editor@cyzone.cn。
