Gimlet Labs以30亿美元估值完成3亿美元融资，用于将其六芯片AI推理架构扩展到数百兆瓦的部署规模。

Gimlet Labs 已完成 3 亿美元的 B 轮融资，该轮融资使其估值达到 30 亿美元。这笔资金为这家专注于 AI 推理基础设施的初创公司提供了新的资本支持，助力其将“多硅片”（multi-silicon）战略更深入地推向人工智能背后的物理基础设施领域。本轮融资由 Andreessen Horowitz 领投，Arm Holdings、微软旗下风险投资部门 M12 以及三星风投（Samsung Ventures）等机构参与。至此，Gimlet Labs 的累计融资金额已达 3.92 亿美元，其中包括此前通过种子轮和 A 轮筹集的 9200 万美元。

与开发另一种 AI 芯片不同，Gimlet Labs 致力于构建软件和基础设施，旨在让多种不同类型的处理器协同工作。其平台目前支持来自六家半导体制造商的硬件：Nvidia、AMD、Intel、Arm、Cerebras 和 d-Matrix。该公司将其核心产品描述为“多硅片推理云”。该技术并未将整个 AI 推理任务分配给单一类型的处理器，而是将工作负载分解为多个阶段。随后，各个阶段会根据任务特性被发送至 GPU、CPU 或专用加速器中处理。对于开发者而言，该系统允许只需编写一次推理代码，底层平台即可自动决定执行位置。Gimlet Labs 表示，其软件会根据成本和速度等因素路由作业，从而降低对单一硬件供应商的依赖。

这一区别至关重要，因为 AI 推理的不同阶段对硬件的需求各不相同。负责处理输入信息的“预填充”（prefill）阶段需要大量的计算能力；而按顺序生成令牌的“解码”（decode）阶段则更依赖于内存带宽。AI 智能体进一步加剧了这种平衡的复杂性，因为它们可能在单个任务中反复调用模型和外部工具。Gimlet Labs 押注于这样一个观点：这些差异创造了机会，使得可以将工作负载分散到不同的处理器上，而不是强制每个阶段都运行在相同的架构上。

该公司声称，在相同的成本和功耗条件下，这种异构方法可以将前沿 AI 工作负载的性能提高 3 到 10 倍。它还表示，在等效的功耗范围内，吞吐量和交互性能可提高多达 10 倍。需要注意的是，这些数据为公司自身宣称的结果，所提供的信息并未包含独立的基准测试结果。

除了软件编排之外，Gimlet Labs 现在正扩展至数据中心基础设施领域。在同一设施内运行不同类别的硅片引入了独特的挑战，因为 GPU、CPU 和专用加速器在功率密度、网络和数据冷却方面有着不同的要求。现有的数据中心并非为此类组合专门建造。为了应对这些限制，该公司正在协助客户进行数据中心建设，同时扩大其自身的托管容量。自今年三月以来，Gimlet Labs 已签下数十亿美元的合同，并将其托管容量提升至数百度兆瓦级别。此外，该公司还与 Arm 合作，使其软件能够在基于 Arm 的半导体上运行。

Gimlet Labs 成立于 2023 年，源自斯坦福大学的一个研究项目。这家总部位于旧金山的公司一直保密运营，直到 2025 年 10 月才公开亮相，并推出了面向 AI 智能体的推理平台。首席执行官 Zain Asgar As 及创始团队成员此前曾在 Pixie 共事，这是一家 Kubernetes 可观测性公司，于 2020 年被 New Relic 收购。最新的融资使这家成立仅两年的公司获得了独角兽地位，且无需自行设计或制造处理器。相反，其估值建立在这样一个命题之上：未来的 AI 基础设施将涉及多种芯片架构协同运作，而非工作负载永久绑定于单一供应商。

然而，仍存在许多重大未知数。Gimlet Labs 尚未披露其收入或客户数量，这使得难以根据其当前的商业表现来评估 30 亿美元的估值。因此，该估值反映了对未来需求的预期，程度不亚于已披露的经营成果。此外，围绕该公司在芯片制造商与客户之间的定位也存在结构性问题。目前处于 Gimlet Labs 生态系统内的半导体公司，未来可能会开发更多自己的编排能力。此外，对任何受支持硬件平台的访问受限，也可能削弱其在不同架构间自由迁移工作负载的承诺。

不过，就目前而言，Gimlet Labs 正围绕一个清晰的论点展开布局：AI 推理不必局限于某一种芯片类型。其 3 亿美元的 B 轮融资、覆盖六大制造商的硬件足迹、数十亿美元的合同以及向数百兆瓦托管容量的扩张，表明该公司正试图以显著规模将该论点转化为基础设施。