


Start-up-Unternehmen haben Schwierigkeiten bei der Finanzierung, Nvidia dominiert den Bereich KI-Chips, Investitionsvolumen sank um 80 %
Laut Nachrichten vom 12. September gaben viele Investoren an, dass Nvidia eine Vormachtstellung im Bereich der Chipherstellung mit künstlicher Intelligenz (KI) erlangt habe, was seine potenziellen Konkurrenten vor größere Herausforderungen bei der Finanzierung stellt.
Im zweiten Quartal dieses Jahres ist die Zahl der Finanzierungstransaktionen für Chip-Startups in den USA im Vergleich zum Vorjahreszeitraum um 80 % gesunken.

Nvidia dominiert den Chipmarkt und verarbeitet riesige Mengen an Sprachdaten. Generative KI-Modelle werden nach und nach intelligenter, indem sie mehr Daten ausgesetzt werden, ein Prozess, der als Training bezeichnet wird.
Da Nvidia in diesem Bereich zu einem mächtigen Akteur wird, wird die Situation für Chiphersteller, die versuchen, mit ihm zu konkurrieren, immer schwieriger. Risikokapitalgeber sehen in diesen Startups ein höheres Risiko und scheuen sich vor großen Investitionen. Die Weiterentwicklung eines Chipdesigns zu einem funktionierenden Prototypenstadium kann eine Finanzierung von mehr als 500 Millionen US-Dollar erfordern, sodass der Rückzug von Investoren bald die Aussichten eines Startups gefährden könnte
Greg Reihau, Partner bei Eclipse Ventures, sagte: „Nvidia hat schon immer zu einer Reduzierung geführt Investitionen in Start-ups in diesem Bereich, oder zumindest in viele von ihnen“, zeigen Daten der Datenbankanalyseplattform Pitchbook. Bis Ende August dieses Jahres haben US-amerikanische Chip-Start-ups 881,4 Millionen US-Dollar eingesammelt. Dies steht im Vergleich zu 1,79 Milliarden US-Dollar in den ersten drei Quartalen des Jahres 2022. Die Anzahl der Transaktionen sank bis Ende August von 23 auf vier. Nvidia lehnte eine Stellungnahme ab.
Laut einem Bericht der Technologie-Website The Register hat das Chip-Startup für künstliche Intelligenz Mythic insgesamt rund 160 Millionen US-Dollar eingesammelt, hatte aber letztes Jahr kein Geld mehr und war fast gezwungen, den Betrieb einzustellen. Im März dieses Jahres gelang es dem Unternehmen jedoch, neue Investitionen zu sichern, wenn auch nur 13 Millionen US-Dollar. Dave Rick, CEO von Mythic, sagte, dass Nvidia „indirekt“ die Krise in der gesamten Chipbranche für künstliche Intelligenz verschärft habe, weil Investoren „eine“ Home-Run-Investition mit enormen Investitionen und enormen Renditen. Allerdings hat das schwierige wirtschaftliche Umfeld den Abschwung in der zyklischen Halbleiterindustrie verschärft.
Ein mysteriöses Startup namens Rivos ist laut zwei mit der Angelegenheit vertrauten Personen kürzlich auf Finanzierungsschwierigkeiten gestoßen. Das Hauptziel von Rivos besteht darin, Chips für den Einsatz in Datenservern zu entwickeln
Ein Sprecher von Rivos sagte, dass die Marktbeherrschung von Nvidia seine Finanzierungsbemühungen nicht behindert habe und dass seine Hardware und Software „unsere Investoren weiterhin begeistern“
Derzeit Rivos befindet sich in einem Rechtsstreit mit Apple, das Rivos vorwirft, Geheimnisse des geistigen Eigentums gestohlen zu haben, was seine Finanzierungsprobleme verschärft.
Investoren werden anspruchsvoller
Quellen zufolge sehen sich Chip-Startups, die eine Finanzierung suchen, mit immer anspruchsvolleren Anforderungen seitens der Investoren konfrontiert. Diese Investoren fordern Produkte, die diese Unternehmen innerhalb weniger Monate veröffentlichen oder bereits zum Verkauf anbieten können
Vor etwa zwei Jahren betrugen Neuinvestitionen in Chip-Startups typischerweise 200 oder 300 Millionen US-Dollar. Laut PitchBook-Analyst Brendan Burke ist diese Zahl jedoch mittlerweile auf rund 100 Millionen US-Dollar gesunken. Überarbeiteter Inhalt: Mindestens zwei KI-Chip-Startups ist es gelungen, Investoren zu überzeugen und ihre Zweifel zu zerstreuen, indem sie ihre Beziehungen zu potenziellen Kunden oder hochkarätigen Führungskräften weithin bekannt gemacht haben
Im August dieses Jahres versuchte das kanadische KI-Chip-Startup, 100 Millionen US-Dollar aufzubringen Tenstorrent stellte CEO Jim Keller ein. Keller ist ein nahezu legendärer Chipdesigner, der Chips für Apple, AMD und Tesla entworfen hat.
D-Matrix, ein Chip-Startup für künstliche Intelligenz aus dem Silicon Valley, rechnet in diesem Jahr mit einem Umsatz von weniger als 10 Millionen US-Dollar, hat aber letzte Woche erfolgreich 110 Millionen US-Dollar an Finanzmitteln eingesammelt. Der Erfolg ist der Unterstützung von Microsoft und dem Engagement des Windows-Betriebssystemherstellers zu verdanken, die neuen KI-Chips von D-Matrix zu testen, wenn sie nächstes Jahr auf den Markt kommen nicht mit den gleichen Einschränkungen konfrontiert sein. Laut PitchBook-Daten haben diese Startups bis August dieses Jahres rund 24 Milliarden US-Dollar an Finanzierungen erhalten.
Obwohl Nvidia den Bereich der künstlichen Intelligenz dominiert, ist das Unternehmen auf diesem Gebiet nicht unbesiegbar. AMD plant, in diesem Jahr einen Chip auf den Markt zu bringen, um mit Nvidia zu konkurrieren, während Intel durch den Erwerb eines Konkurrenzprodukts durch Übernahme sprunghaft gewachsen ist. Quellen gehen davon aus, dass diese Chips langfristig das Potenzial haben, Nvidia-Chips zu ersetzen.
Es gibt auch einige ähnliche Anwendungsfälle, die möglicherweise auch Chancen für Wettbewerber bieten. Beispielsweise sind Chips, die datenintensive Berechnungen für Vorhersagealgorithmen durchführen, ein aufstrebender Nischenmarkt. Nvidia dominiert diesen Bereich nicht und es ist ein Bereich, der reif für Investitionen ist.
Werbeaussage: Dieser Artikel enthält externe Sprunglinks (einschließlich, aber nicht beschränkt auf Hyperlinks, QR-Codes, Passwörter usw.), die dazu dienen, mehr Informationen bereitzustellen und Screening-Zeit zu sparen. Die verlinkten Ergebnisse dienen jedoch nur als Referenz. Bitte beachten Sie, dass alle Artikel auf dieser Website diese Aussage enthalten
Das obige ist der detaillierte Inhalt vonStart-up-Unternehmen haben Schwierigkeiten bei der Finanzierung, Nvidia dominiert den Bereich KI-Chips, Investitionsvolumen sank um 80 %. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!

Heiße KI -Werkzeuge

Undresser.AI Undress
KI-gestützte App zum Erstellen realistischer Aktfotos

AI Clothes Remover
Online-KI-Tool zum Entfernen von Kleidung aus Fotos.

Undress AI Tool
Ausziehbilder kostenlos

Clothoff.io
KI-Kleiderentferner

AI Hentai Generator
Erstellen Sie kostenlos Ai Hentai.

Heißer Artikel

Heiße Werkzeuge

Notepad++7.3.1
Einfach zu bedienender und kostenloser Code-Editor

SublimeText3 chinesische Version
Chinesische Version, sehr einfach zu bedienen

Senden Sie Studio 13.0.1
Leistungsstarke integrierte PHP-Entwicklungsumgebung

Dreamweaver CS6
Visuelle Webentwicklungstools

SublimeText3 Mac-Version
Codebearbeitungssoftware auf Gottesniveau (SublimeText3)

Heiße Themen



Diese Seite berichtete am 27. Juni, dass Jianying eine von FaceMeng Technology, einer Tochtergesellschaft von ByteDance, entwickelte Videobearbeitungssoftware ist, die auf der Douyin-Plattform basiert und grundsätzlich kurze Videoinhalte für Benutzer der Plattform produziert Windows, MacOS und andere Betriebssysteme. Jianying kündigte offiziell die Aktualisierung seines Mitgliedschaftssystems an und führte ein neues SVIP ein, das eine Vielzahl von KI-Schwarztechnologien umfasst, wie z. B. intelligente Übersetzung, intelligente Hervorhebung, intelligente Verpackung, digitale menschliche Synthese usw. Preislich beträgt die monatliche Gebühr für das Clipping von SVIP 79 Yuan, die Jahresgebühr 599 Yuan (Hinweis auf dieser Website: entspricht 49,9 Yuan pro Monat), das fortlaufende Monatsabonnement beträgt 59 Yuan pro Monat und das fortlaufende Jahresabonnement beträgt 499 Yuan pro Jahr (entspricht 41,6 Yuan pro Monat). Darüber hinaus erklärte der Cut-Beamte auch, dass diejenigen, die den ursprünglichen VIP abonniert haben, das Benutzererlebnis verbessern sollen

Verbessern Sie die Produktivität, Effizienz und Genauigkeit der Entwickler, indem Sie eine abrufgestützte Generierung und ein semantisches Gedächtnis in KI-Codierungsassistenten integrieren. Übersetzt aus EnhancingAICodingAssistantswithContextUsingRAGandSEM-RAG, Autor JanakiramMSV. Obwohl grundlegende KI-Programmierassistenten natürlich hilfreich sind, können sie oft nicht die relevantesten und korrektesten Codevorschläge liefern, da sie auf einem allgemeinen Verständnis der Softwaresprache und den gängigsten Mustern beim Schreiben von Software basieren. Der von diesen Coding-Assistenten generierte Code eignet sich zur Lösung der von ihnen zu lösenden Probleme, entspricht jedoch häufig nicht den Coding-Standards, -Konventionen und -Stilen der einzelnen Teams. Dabei entstehen häufig Vorschläge, die geändert oder verfeinert werden müssen, damit der Code in die Anwendung übernommen wird

Large Language Models (LLMs) werden auf riesigen Textdatenbanken trainiert und erwerben dort große Mengen an realem Wissen. Dieses Wissen wird in ihre Parameter eingebettet und kann dann bei Bedarf genutzt werden. Das Wissen über diese Modelle wird am Ende der Ausbildung „verdinglicht“. Am Ende des Vortrainings hört das Modell tatsächlich auf zu lernen. Richten Sie das Modell aus oder verfeinern Sie es, um zu erfahren, wie Sie dieses Wissen nutzen und natürlicher auf Benutzerfragen reagieren können. Aber manchmal reicht Modellwissen nicht aus, und obwohl das Modell über RAG auf externe Inhalte zugreifen kann, wird es als vorteilhaft angesehen, das Modell durch Feinabstimmung an neue Domänen anzupassen. Diese Feinabstimmung erfolgt mithilfe von Eingaben menschlicher Annotatoren oder anderer LLM-Kreationen, wobei das Modell auf zusätzliches Wissen aus der realen Welt trifft und dieses integriert

Die offene LLM-Community ist eine Ära, in der hundert Blumen blühen und konkurrieren. Sie können Llama-3-70B-Instruct, QWen2-72B-Instruct, Nemotron-4-340B-Instruct, Mixtral-8x22BInstruct-v0.1 und viele andere sehen hervorragende Darsteller. Allerdings weisen offene Modelle im Vergleich zu den proprietären Großmodellen GPT-4-Turbo in vielen Bereichen noch erhebliche Lücken auf. Zusätzlich zu allgemeinen Modellen wurden einige offene Modelle entwickelt, die sich auf Schlüsselbereiche spezialisieren, wie etwa DeepSeek-Coder-V2 für Programmierung und Mathematik und InternVL für visuelle Sprachaufgaben.

Herausgeber | Der Frage-Antwort-Datensatz (QA) von ScienceAI spielt eine entscheidende Rolle bei der Förderung der Forschung zur Verarbeitung natürlicher Sprache (NLP). Hochwertige QS-Datensätze können nicht nur zur Feinabstimmung von Modellen verwendet werden, sondern auch effektiv die Fähigkeiten großer Sprachmodelle (LLMs) bewerten, insbesondere die Fähigkeit, wissenschaftliche Erkenntnisse zu verstehen und zu begründen. Obwohl es derzeit viele wissenschaftliche QS-Datensätze aus den Bereichen Medizin, Chemie, Biologie und anderen Bereichen gibt, weisen diese Datensätze immer noch einige Mängel auf. Erstens ist das Datenformular relativ einfach, die meisten davon sind Multiple-Choice-Fragen. Sie sind leicht auszuwerten, schränken jedoch den Antwortauswahlbereich des Modells ein und können die Fähigkeit des Modells zur Beantwortung wissenschaftlicher Fragen nicht vollständig testen. Im Gegensatz dazu offene Fragen und Antworten

Der Aufstieg kleiner Modelle. Letzten Monat veröffentlichte Meta die Modellreihe Llama3.1, zu der das bisher größte Modell von Meta, das 405B-Modell, und zwei kleinere Modelle mit Parameterbeträgen von 70 Milliarden bzw. 8 Milliarden gehören. Llama3.1 gilt als der Beginn einer neuen Ära von Open Source. Obwohl die Modelle der neuen Generation leistungsstark sind, erfordern sie bei der Bereitstellung immer noch große Mengen an Rechenressourcen. Daher hat sich in der Branche ein weiterer Trend herausgebildet, der darin besteht, kleine Sprachmodelle (SLM) zu entwickeln, die bei vielen Sprachaufgaben eine ausreichende Leistung erbringen und zudem sehr kostengünstig in der Bereitstellung sind. Kürzlich haben Untersuchungen von NVIDIA gezeigt, dass durch strukturierte Gewichtsbereinigung in Kombination mit Wissensdestillation nach und nach kleinere Sprachmodelle aus einem zunächst größeren Modell gewonnen werden können. Turing-Preisträger, Meta Chief A

Laut Nachrichten dieser Website vom 15. Juni hat Asus kürzlich die Grafikkarte der Prime-Serie GeForce RTX40 „Ada“ auf den Markt gebracht. Ihre Größe entspricht der neuesten SFF-Ready-Spezifikation von Nvidia, die erfordert, dass die Größe der Grafikkarte 304 nicht überschreitet mm x 151 mm x 50 mm (Länge x Höhe x Dicke). Die von ASUS eingeführte GeForceRTX40-Serie der Prime-Serie umfasst dieses Mal RTX4060Ti, RTX4070 und RTX4070SUPER, derzeit jedoch nicht RTX4070TiSUPER oder RTX4080SUPER. Diese Serie von RTX40-Grafikkarten verwendet ein gemeinsames Leiterplattendesign mit den Abmessungen 269 mm x 120 mm x 50 mm. Die Hauptunterschiede zwischen den drei Grafikkarten sind

Herausgeber |. KX Im Bereich der Arzneimittelforschung und -entwicklung ist die genaue und effektive Vorhersage der Bindungsaffinität von Proteinen und Liganden für das Arzneimittelscreening und die Arzneimitteloptimierung von entscheidender Bedeutung. Aktuelle Studien berücksichtigen jedoch nicht die wichtige Rolle molekularer Oberflächeninformationen bei Protein-Ligand-Wechselwirkungen. Auf dieser Grundlage schlugen Forscher der Universität Xiamen ein neuartiges Framework zur multimodalen Merkmalsextraktion (MFE) vor, das erstmals Informationen über Proteinoberfläche, 3D-Struktur und -Sequenz kombiniert und einen Kreuzaufmerksamkeitsmechanismus verwendet, um verschiedene Modalitäten zu vergleichen Ausrichtung. Experimentelle Ergebnisse zeigen, dass diese Methode bei der Vorhersage von Protein-Ligand-Bindungsaffinitäten Spitzenleistungen erbringt. Darüber hinaus belegen Ablationsstudien die Wirksamkeit und Notwendigkeit der Proteinoberflächeninformation und der multimodalen Merkmalsausrichtung innerhalb dieses Rahmens. Verwandte Forschungen beginnen mit „S
