Инженерная команда тратит от шести месяцев до двух лет, чтобы новый AI-чип научился быстро запускать нейросети. Infinity.inc сократила этот срок до одного дня. С помощью AI-агента, который сам пишет и оптимизирует код.

🎯
Ключевые выводы

Infinity.inc привлекла $15 млн seed-раунда при оценке $100 млн от Touring Capital, Principal VC и ангелов из OpenAI и Anthropic.

AI-агент Ignition пишет и оптимизирует низкоуровневые compute-ядра для новых чипов без участия человека, сокращая процесс с лет до дней.

В тестах на чипе d-Matrix Corsair Ignition достиг 92% теоретической пиковой производительности за 10 часов и дал 14-кратный прирост throughput на Qwen3-8B за один день.

Главный боттлнек AI-инфраструктуры

NVIDIA удерживает ~80% рынка AI-ускорителей дата-центров. Не потому, что её чипы объективно лучше всех — альтернативы существуют, и некоторые превосходят H100/B200 по сырой производительности на ватт. Проблема в софте.

CUDA — это и язык программирования, и слой, на котором построены PyTorch и TensorFlow. Разработчик пишет на Python, использует привычный фреймворк — и код работает на NVIDIA. Чтобы запустить ту же модель на другом чипе, нужно вручную писать compute-ядра — низкоуровневые программы, управляющие тем, как именно чип выполняет матричные умножения.

Таких инженеров в мире — единицы. Процесс занимает месяцы. Новые чипы выходят на рынок с сырым софтом, и покупатели не видят их реальной производительности.