半导体初创公司 Volantis 完成8800万美元融资，计划使用微型VCSEL光学互连在计算芯片与大量内存之间建立高带宽通道，目标在2027年交付首批集成推理引擎，但关键性能与可靠性仍需样片和客户验证。投资者押注解决“内存墙”将成为下一阶段AI基础设施竞争的核心，而非已实现的量产成绩。
据路透社报道，总部位于旧金山的半导体初创公司 Volantis 于2026年10月1日宣布完成8800万美元融资，希望用光学互连缓解人工智能芯片在计算单元与内存之间传输数据时遇到的瓶颈。
这家公司提出的方案并不是再造一种更大的GPU，而是改变处理器与内存芯片之间的连接方式。Volantis称，其首个系统A-1的设计目标是让一颗GPU周围能够连接最多约220颗内存芯片，而英伟达当前产品通常只能在一颗GPU周围配置约8颗高带宽内存（HBM）芯片。
不过，220颗是公司的架构目标，而不是已经由独立测试或商业部署证明的性能结果。Volantis计划在2027年向客户交付首批集成式推理引擎，相关产品能否按时交付、达到预期带宽并在真实工作负载中稳定运行，仍有待后续样片和客户验证。
AI芯片的瓶颈不只在计算能力
运行大型人工智能模型时，计算芯片需要持续从内存读取参数和中间数据。处理器本身的计算能力越强，系统对内存容量和数据带宽的要求通常也越高。如果数据不能及时送达计算单元，新增的计算核心就可能处于等待状态。
目前，英伟达和AMD等公司主要通过把高带宽内存芯片围绕计算芯片封装，缩短数据传输路径并提高带宽。但这类方案受到物理距离和封装空间的限制。路透社引述的行业背景称，连接计算芯片与HBM的微型电气线路传输距离有限，因此现有高端产品通常只能配置数量有限的内存堆栈。
Volantis的判断是，随着模型参数量和上下文长度继续扩大，系统需要同时获得更大的内存容量和更高的带宽，而现有架构往往迫使设计者在两者之间作出取舍。该公司的官方新闻稿称，A-1面向参数量超过20万亿的模型，目标是在特定推理场景下实现每位用户每秒最高1万枚令牌的处理速度，并降低每枚令牌的推理成本。
这些数字目前仍属于公司披露的产品目标，不能等同于已上市系统的实测成绩。
从电信号转向微型激光互连
Volantis使用的是垂直腔面发射激光器（VCSEL）。这类微型激光器并非只存在于数据中心实验室，苹果等消费电子产品已经在面部识别等功能中使用相关技术。路透社称，Volantis希望借助已经较为成熟的VCSEL供应链，降低开发全新AI芯片互连方案时面临的部分供应链风险。
与传统电连接相比，光学连接可以在更长距离上传输高带宽数据。Volantis的架构设想，是用定制微型VCSEL建立计算芯片与大量内存芯片之间的光学数据通道，从而把内存组成一个更大的统一池，并在增加内存的同时汇总更多带宽。
公司在新闻稿中表示，其方案采用定制微型VCSEL，而不是依赖外置激光器，并利用砷化镓VCSEL供应链，以避开部分磷化铟供应限制。Volantis还称，端到端连接的能耗目标低于每比特1皮焦耳。但截至目前，公开资料中尚未看到由独立机构对这些能耗、带宽和延迟指标进行完整复测。
这一路线与近年来AI基础设施从单芯片性能转向系统级设计的趋势相吻合。AIFlux此前报道的CScale完成1.45亿美元融资、押注AI数据中心芯片光互连也显示，投资者正把关注点从加速器本身延伸到芯片之间的数据搬运、互连可靠性和机架级扩展能力。
但两类光互连面对的问题并不完全相同。CScale主要关注数据中心内芯片与系统之间的连接，Volantis则把光学技术进一步推进到计算芯片与内存之间的短距离、高密度连接。后者需要处理更高的数据交换密度，也必须解决封装、散热、激光器寿命和制造良率等问题。
融资方押注的是内存墙，而非已完成的产品
本轮融资由 Lachy Groom 和 Abstract Ventures 共同领投，John Doerr、VXI Capital、Triatomic 和 Susa Ventures参与。融资中还包括 Dwarkesh Patel、Naveen Rao 和 Anthropic研究员 Sholto Douglas 等天使投资人的资金。
Volantis创始团队成员来自英伟达、AMD、博通和Ayar Labs等半导体与光子学公司。公司首席执行官兼联合创始人Tapa Ghosh对路透社表示，先进封装仍然困难，但Volantis希望把相对成熟的组件组合起来，避免重新建立一条完全不同的供应链。
这笔资金将用于继续开发A-1、扩大工程团队并推进商业化。公司计划在2027年向客户交付首批集成式推理引擎，但目前没有公开信息表明这些系统已经完成量产，或者已经在大型客户的数据中心实现部署。
这也是理解这轮融资时需要保留的边界：可以确认的是，Volantis已经完成融资，并公开了以光学互连扩大内存规模的产品路线；尚不能确认的是，220颗内存芯片的配置能否在完整系统中实现，20万亿参数模型和每秒1万枚令牌的目标能否达到，以及客户是否愿意为这套新架构承担迁移和验证成本。
内存扩展正在成为AI基础设施竞争的核心
AI芯片行业过去长期围绕制程、计算核心数量和峰值算力展开竞争，但大型模型的运行效率越来越取决于计算、内存、互连、封装、供电和软件能否共同工作。英伟达近期推出的NVLink Fusion和NVHBM内存架构同样反映出，内存控制器、封装和机架级互联已经成为平台设计的重要组成部分。
Volantis试图解决的是其中更基础的一层：如果电连接的距离限制了内存芯片的数量，那么能否通过光把内存放得更远，同时继续以足够低的延迟和能耗为计算芯片供给数据。若这一思路能够在制造、可靠性和成本上成立，AI推理系统或许可以在不单纯增加GPU数量的情况下，支持更大的模型和更长的工作流。
但光学方案并不会自动消除系统瓶颈。激光器和光学组件需要长期稳定运行，封装必须具备足够高的良率，软件也要能够有效调度更大规模的内存池。对于客户来说，实际决策还会受到价格、供应能力、现有服务器兼容性和维护成本的影响。
因此，Volantis的8800万美元融资更准确地说明，资本正在押注“内存墙”和芯片互连将成为下一阶段AI基础设施的重要战场，而不是证明其技术已经取代HBM或完成规模化商业验证。到2027年首批产品交付时，样片性能、独立测试和真实客户部署情况，才会决定这条光互连路线能否从技术设想走向可持续的产品市场。