Logo DropsTab - niebieska linia przedstawiająca kształt kropli wody z dekoracją świąteczną
Kap. Rynk.: $2.19 T −1.54%Wol. 24h: $105.42 B −47.92%BTC: $64,333.65 −1.68%ETH: $1,795.99 −1.68%S&P 500: $7,559.18 0.00%Złoto: $3,858.44 −0.75%Dominacja BTC: 59.12%

Elaia i LEA Ventures wspierają rundę seed w wysokości 6 milionów euro dla Daisytuner, aby przenieść kod AI z platformy Nvidia

16 Nov, 2026przezTech Funding News
Dołącz do naszych mediów społecznościowych

Zespół Daisytuner

  • Daisytuner pozyskał 6 milionów euro w ramach finansowania typu seed, przy czym rundę przewodniczyli Elaia i LEA Ventures.
  • Jest to kompilator open-source, który przyjmuje kod frameworków i kompiluje go do kodu natywnego dla różnych układów scalonych, w tym GPU Nvidia i AMD, a także nowych procesorów.
  • Największa część funduszy zostanie przeznaczona na zatrudnienie personelu, a reszta zostanie wydana na zakup układów scalonych od różnych dostawców do testów, benchmarkowania oraz szkolenia agentów AI, które poprawiają kompilator.

Lukas Trümper dawniej pracował nad przenoszeniem kodu z CPU na GPU Nvidia. Teraz, jak mówi dla Tech Funding News, „wszyscy chcą przenieść kod z GPU Nvidia na inne platformy”.

W 2024 roku założył w Niemczech firmę Daisytuner, aby temu zaradzić, i obecnie pozyskała ona 6 milionów euro w ramach finansowania typu seed, pod wodzą Elaia i LEA Ventures, przy udziale Amadeus APEX Technology Fund oraz Seedcamp.

Ta runda finansowania następuje po czerwcowej (2026) umowie Qualcomm dotyczącej przejęcia Modular, firmy oprogramowaniowej umożliwiającej uruchamianie modeli AI na różnych układach scalonych, za 3,9 miliarda dolarów.

Od porzuconego studium doktoranckiego do pierwszych klientów

Trümper obronił doktorat na ETH Zurich, opublikował kilka artykułów naukowych, a następnie opuścił akademię, by wspólnie z Adrianem Schmitzem założyć tę firmę. Pozostała część zespołu ma doświadczenie zdobyte na ETH Zurich, TU Munich, RWTH Aachen, TU Darmstadt oraz w Lawrence Livermore National Laboratory.

Daisytuner, z siedzibą w Darmstadt, to narzędzie do automatycznego zarządzania wydajnością, które dopasowuje modele AI do konkretnych układów scalonych. W istocie jest to kompilator open-source, który przyjmuje kod z frameworku i kompiluje go do kodu natywnego dla różnych układów, takich jak GPU Nvidia i AMD, a także nowych procesorów.

Agenty AI testują różne optymalizacje na rzeczywistym sprzęcie, a następnie kompilator waliduje każdą z nich. Zwalidowane optymalizacje są dodawane do bazy danych wydajności, która może być wykorzystywana w przyszłych przypadkach podobnego kodu.

Daisyflow jest już w produkcji i działa w infrastrukturze klienta. Obsługuje modele językowe, wizyjne, mowy i rekomendacyjne za pomocą standardowych interfejsów API. Wstępne wyniki pokazują, że Qwen 2.5 jest nawet o 18% szybszy niż vLLM na GPU AMD Instinct.

„Popyt na obliczenia AI rośnie szybciej niż jedna generacja układów może sprostać. Sprzęt potrzebny do jego zaspokojenia już istnieje – od ugruntowanych GPU po falę nowych akceleratorów – ale oprogramowanie wciąż utrzymuje wiele z nich poza głównym nurtem. Współpracujemy z producentami układów, europejskimi hiper skalarami i przedsiębiorstwami, aby to zmienić, tak aby każdy układ pracował na pełnych obrotach, a nowe urządzenia trafiały do produkcji zaraz po ich wprowadzeniu”, twierdzi Trümper.

Według niego Daisytuner przez ostatni rok współpracował z producentami układów Tenstorrent i Q.ANT, którzy obaj są teraz płatnymi klientami. Inni producenci układów objęci są umową o poufności, a firma jest bardzo blisko finalizacji swoich pierwszych umów z przedsiębiorstwami.

Podstawowa patentowa zgoda została oficjalnie przyznana kilka tygodni temu, a zespół powiększył się do 12 osób, z planem osiągnięcia ponad 20 członków do wczesnej 2027 roku.

Zatłoczona droga

Trümper identyfikuje Modular jako swojego „największego konkurenta” i zaznacza, że obecnie znajdują się w „innej pozycji” pod kontrolą Qualcomm. Wspomina również o wielu innych konkurentach w USA i Europie, uważając, że pod względem technologii i dynamiki rozwoju wszyscy są „na równi” z Daisytuner.

Modular pozyskał 380 milionów dolarów przed ofertą Qualcomm, w tym 250 milionów dolarów przy wycenie 1,6 miliarda dolarów we wrześniu 2025 roku. Infinity zdobył 15 milionów dolarów w ramach finansowania typu seed przy wycenie 100 milionów dolarów w lipcu 2026 roku za agenta AI, który pisze oprogramowanie dla układów scalonych.

6 milionów euro to dość niewielka kwota w porównaniu z innymi rundami finansowania. Rynek wnioskowania AI ma wzrosnąć z 106,15 miliarda dolarów w 2025 roku do 254,98 miliarda dolarów do 2030 roku.

Kto stoi za tym

Trümper twierdzi, że zbiórka kapitału przebiegła bardzo pomyślnie, ponieważ „wszyscy myślą o Nvidia” i „wszyscy myślą o AMD oraz alternatywach”. Wierzy, że warstwa oprogramowania jest oczywistym węzłem瓶颈.

„Obliczenia są najrzadszym zasobem w AI, a obecnie większość z nich opiera się na jednym stosie oprogramowania dostawcy. Daisytuner pozwala temu samemu kodowi działać z pełną wydajnością na wybranym przez ciebie układzie bez konieczności jego przepisania. Usunięcie tego węzła bottleneck jest czymś, czego potrzebuje cała branża. Lukas i Adrian stworzyli światowej klasy technologię kompilatora opartą na najnowocześniejszych badaniach, i jesteśmy dumni, że ich wspieramy” – mówi Sébastien Lefebvre, partner w Elaia.

„Efektywność obliczeniowa i suwerenność technologiczna to najpilniejsze problemy w AI. Daisytuner oddaje kontrolę nad obiema kwestiami w ręce klientów, którzy wreszcie mogą wymagać więcej od swojego sprzętu” – dodaje Alexi Malikotsinas, partner generalny w LEA Ventures.

Większość środków zostanie przeznaczona na zwiększenie liczby pracowników, a reszta posłuży do zakupu układów scalonych od różnych dostawców w celu testowania, benchmarkowania i szkolenia agentów AI, które ulepszają kompilator.

Pytanie brzmi oczywiście: czy startup liczący około tuzina osób w Darmstadt faktycznie może dostarczyć w produkcji to, co Qualcomm właśnie nabył za 3,9 miliarda dolarów?

Kontynuuj czytanie tego artykułu w źródle: techfundingnews.com