Nvidia และ AMD ร่วมลงทุนรอบ 100 ล้านดอลลาร์ ของ RadixArk สตาร์ทอัพเครื่องมือ AI

RadixArk สตาร์ทอัพที่จัดหาเครื่องมือสำหรับนักพัฒนาปัญญาประดิษฐ์ ได้ระดมทุน 100 ล้านดอลลาร์จากกลุ่มผู้สนับสนุนระดับแนวหน้า

Accel เป็นผู้นำในการระดมทุนรอบ Seed ร่วมกับ Spark Capital โดยมีกองทุน NVentures ของ Nvidia, Advanced Micro Devices, Databricks, Hock Tan ประธานเจ้าหน้าที่บริหารของ Broadcom และนักลงทุนรายอื่น ๆ เข้าร่วมด้วย The Wall Street Journal รายงานว่าปัจจุบัน RadixArk มีมูลค่าอยู่ที่ 400 ล้านดอลลาร์

บริษัทกำลังสร้างเครื่องมือพัฒนา AI เชิงพาณิชย์โดยอิงจากโปรเจกต์โอเพนซอร์สสองรายการที่เรียกว่า SGLang และ Miles สมาชิกของทีม RadixArk ได้ช่วยพัฒนาเทคโนโลยีตัวแรกก่อนที่จะมีการเปิดตัวบริษัท ส่วน Miles ได้รับการเปิดให้เป็นโอเพนซอร์สโดย RadixArk เมื่อเดือนพฤศจิกายนปีที่แล้ว

ทีมซอฟต์แวร์สามารถใช้ Miles เพื่อปรับปรุงโปรเจกต์การเรียนรู้แบบเสริมกำลังให้มีประสิทธิภาพยิ่งขึ้น การเรียนรู้แบบเสริมกำลังเป็นวิธีการฝึก AI ที่นิยมใช้ในการพัฒนาโมเดลภาษาขนาดใหญ่ ซึ่ง Miles สามารถบีบอัด LLM ที่มีพารามิเตอร์หนึ่งล้านล้านตัวให้เป็นรูปแบบที่พอดีกับหน่วยความจำของการ์ดจอรุ่นไฮเอนด์เพียงตัวเดียว ซึ่งช่วยลดต้นทุนในการฝึกฝนได้อย่างมาก

ซอฟต์แวร์นี้ยังช่วยปรับปรุงโปรเจกต์ AI ให้มีประสิทธิภาพในด้านอื่น ๆ ด้วย โดยมีสิ่งที่เรียกว่า Asynchronous Co-evolutionary Framework อย่าง MrlX ซึ่งสามารถฝึกเอเจนต์ AI หลายตัวในเวลาเดียวกันด้วยการวางไว้ในสภาพแวดล้อมจำลองเดียวกัน การจัดวางเช่นนี้ช่วยให้เอเจนต์สามารถขัดเกลาความสามารถในการใช้เหตุผลของตนเองได้ด้วยการเรียนรู้จากกันและกัน

หลังจากที่นักพัฒนาฝึก AI ด้วย Miles แล้ว พวกเขาก็สามารถใช้ SGLang เพื่อดำเนินการอนุมานได้ โปรเจกต์หลังนี้เป็นส่วนประกอบพื้นฐานสำหรับการสร้างสภาพแวดล้อมการอนุมาน ตามข้อมูลของ RadixArk ระบุว่า SGLang ขับเคลื่อนคลัสเตอร์ AI ซึ่งประกอบด้วยการ์ดจอมากกว่า 400,000 ตัวรวมกัน

กลไกความใส่ใจของ LLM ซึ่งเป็นโมดูลที่ใช้ในการตีความคำสั่งของผู้ใช้ จะสร้างข้อมูลชั่วคราวในปริมาณมากในขณะที่กำลังประมวลผลพรอมต์ข้อมูลดังกล่าวจะถูกจัดเก็บไว้ในโครงสร้างข้อมูลที่เรียกว่าแคช KV โดยทั่วไป LLM จะล้างแคช KV หลังจากประมวลผลทุกพรอมต์

SGLang ช่วยให้ LLM สามารถนำข้อมูลแคช KV บางส่วนกลับมาใช้ซ้ำข้ามพรอมต์ได้ สิ่งนี้ช่วยหลีกเลี่ยงการสร้างข้อมูลใหม่ทั้งหมดตั้งแต่ต้นหลังจากการร้องขอแต่ละครั้ง ซึ่งช่วยลดค่าใช้จ่ายด้านโครงสร้างพื้นฐานที่เกี่ยวข้อง ยิ่งไปกว่านั้น SGLang ยังช่วยเพิ่มความเร็วในการตอบสนองพรอมต์ในกระบวนการดังกล่าวด้วย

ฟีเจอร์การนำแคช KV กลับมาใช้ซ้ำของเครื่องมือนี้ได้รับการเสริมด้วยการปรับปรุงประสิทธิภาพอื่น ๆ อีกหลายประการ SGLang ใช้วิธีการที่เรียกว่า Speculative Decoding เพื่อถ่ายงานบางส่วนจาก LLM ของแอปพลิเคชันไปยังโมเดลที่เบากว่าและใช้ฮาร์ดแวร์น้อยกว่า นอกจากนี้ เครื่องมือนี้ยังสามารถกระจายการคำนวณที่เกี่ยวข้องกับการประมวลผลพรอมต์ไปยังชิปที่มีสถาปัตยกรรมต่างกันได้ แนวทางดังกล่าวสามารถเพิ่มประสิทธิภาพของโมเดลได้อย่างมากในบางกรณี

ผลิตภัณฑ์เชิงพาณิชย์ที่ RadixArk วางแผนจะสร้างโดยใช้ Miles และ SGLang จะรวมถึง “โครงสร้างพื้นฐานและเครื่องมือพร้อมการจัดการ” ตามรายงานของ Journal บริการเหล่านี้จะช่วยให้ลูกค้าสามารถโฮสต์โมเดล AI ไว้บนคลาวด์ได้ RadixArk ยังวางแผนที่จะปรับปรุงเวอร์ชันโอเพนซอร์สของ SGLang และ Miles ด้วย

ที่มา: https://siliconangle.com/2026/05/05/nvidia-amd-back-100m-round-ai-tooling-startup-radixark/