Компании Qualcomm Technologies и Amazon объявили о заключении многолетнего соглашения о сотрудничестве. Работы будут осуществляться по нескольким направлениям, включая создание кастомизированных чипов для дата-центров, ориентированных на ИИ-задачи.

Партнёры отмечают, что в настоящее время наблюдается экспоненциальный рост нагрузок, связанных с ИИ. Это приводит к стремительному увеличению спроса на вычислительные ресурсы и хранилища данных. Одновременно повышаются требования к пропускной способности каналов связи. Совместные усилия Qualcomm и Amazon как раз и будут направлены на создание аппаратных решений для высокопроизводительных ИИ-инфраструктур следующих поколений.

Компании, в числе прочего, займутся разработкой передовых чипов, оптимизированных для задач инференса в крупномасштабных дата-центрах. Qualcomm и Amazon также намерены сотрудничать в области высокопроизводительных оптических систем связи: речь идёт о решениях класса 1,6 Тбит/с и выше. При этом будут использоваться технологии Qualcomm, включая DSP и SerDes.

Источник изображения: Qualcomm

В рамках сотрудничества Qualcomm намерена расширить использование облачной инфраструктуры AWS, включая платформу Amazon Bedrock, которая обеспечивает доступ к большим языковым моделям (LLM) и ИИ-инструментам через общий интерфейс. Эти сервисы Qualcomm будет применять для автоматизации проектирования электроники (EDA), что позволит значительно ускорить процессы создания передовых микросхем.

Конечной целью сотрудничества Qualcomm и Amazon называют формирование высокопроизводительной, эффективной и экономичной инфраструктуры для ИИ и сопутствующих нагрузок.

В своей опубликованной не так давно статье Сатоши Мацуока (Satoshi Matsuoka), директор Центра вычислительной науки RIKEN в Кобе (Япония), подверг сомнению устоявшиеся представления о необходимости FP64-вычислений для HPC-задач и встал на защиту схемы Озаки II. Мацуока, по сути, утверждает, что аппаратная поддержка FP64 — не лучший способ выполнения определённых HPC-нагрузок, требующих 64-бит точности, на новых моделях ускорителей NVIDIA. В подтверждение он демонстрирует возможность использования FP8-расчётов с использованием схемы Озаки II для ускорения вычислений при сохранении той же 64-бит точности.

Используя терминологию автомобильных гонок, Мацуока говорит: прекратите использовать автомобили «Формулы-1» (FP64) для максимально быстрого перемещения по трассе HPC и замените их множеством «электровелосипедов» (FP8). Как отметил ресурс HPCwire, формат FP64 десятилетиями отвечал за производительность вычислений с плавающей запятой для приложений HPC. Исторически сложилось так, что производители CPU и GPU неизменно демонстрировали рост производительности в FP64-расчётах на протяжении поколений.

Но на рынке, движимом ИИ нового поколения, предпочтение отдаётся увеличению FP8-производительности. В то время как HPC требуют FP64, для обучения и инференса в ИИ нового поколения достаточно низкой точности расчётов. Ориентируясь на более крупный рынок, NVIDIA снизила производительность FP64 в ускорителях нового поколения (у AMD таких планов нет) и создала разрыв, который, по мнению Мацуоки, может быть заполнен «электровелосипедами» FP8. В связи с этим сообщество HPC задаётся вопросом: «Где мы будем получать производительность в формате FP64? Похоже, мы стали второсортными участниками рынка NVIDIA».

Источник изображений: HPCwire

Следует отметить, что по сравнению с традиционной схемой Озаки I, Озаки II обеспечивает более высокую вычислительную эффективность и лучшую масштабируемость для крупномасштабных высокоточных численных вычислений. В начале 2026 года Кацухиса Озаки (Katsuhisa Ozaki) и два других японских исследователя отметили, что исходный алгоритм Озаки II не может быть напрямую адаптирован к матричным MAC-блокам (умножение и сложение) FP8. В связи с этим они ввели квантование, которое имитирует модульную арифметику в FP8. Благодаря этому Ozaki II поддерживается Blackwell Ultra и Rubin, которые ограничили развитие INT8-производительности в пользу FP8/FP4.

В качестве аргумента Мацуоки привёл графики работы HCP-приложений на конкретных чипах. В целом, на все приложения, работающие на GPU, действует одно из двух ограничений. Первое — это пропускная способность памяти (диагональная линия в левой части графика). Второе ограничение — это пиковая скорость, с которой может работать чип (горизонтальная линия в верхней части изображения).

В точке пересечения линий пропускной способности памяти и пиковой производительности GPU получает данные с той скоростью, с которой он может их обрабатывать, что представляет собой хороший баланс между характеристиками подсистемы памяти процессора. При этом, большинство HPC-приложений ограничены пропускной способностью памяти, т.е. диагональной линией на графике. Снижение FP64-производительности резко меняет эти «пределы» для новых GPU NVIDIA.

Мацуока указал на два важных следствия этих изменений. Во-первых, ранее ограничиваемые памятью ядра (kernel) теперь упираются в вычислительные ресурсы. У B300 соотношение производительности к пропускной способности памяти находится на уровне 0,16 флопс/байт (1,3 Тфлопс/8 Тбайт/с). Во-вторых, тензорные блоки низкой точности (FP4 и FP8) при работе с типичным HPC-ядром, поддерживающим только FP64, простаивают и никак не влияют на время, затрачиваемое ядром на решение. Эта ситуация является наглядным проявлением различия между ИИ-нагрузками и HPC.

Мацуока также отметил, что несмотря на быстрое развитие алгоритмов Ozaki-I и Ozaki-II для операций GEMM (General Matrix-Matrix Multiply), все опубликованные исследования производительности сосредоточены на режиме, ограниченном вычислительными ресурсами, когда метод Ozaki наиболее очевидно в выигрыше благодаря огромному количеству тензорных блоков. Исследователь указал, что ни в одном опубликованном анализе никто не задавался вопросом: когда Ozaki-II становится выгодным для ядер, ограниченных объёмом памяти? Общепринятое мнение заключается в том, что методы EFT, в т.ч. Ozaki-I и II, не могут помочь ядрам с ограниченной пропускной способностью.

Поэтому Мацуока категорически называет нативную FP64-обработку единственным способом достижения производительности уровня HPC при использовании NVIDIA B300 и более поздних версий лишь догмой. Для обоснования своего утверждения Мацуока анализирует производительность с использованием четырех стандартных примитивов HPC:

• GEMM (общее умножение матриц).
• Пакетное GEMV (общее умножение матриц на векторы).
• 7-point Stencil (метод конечных разностей).
• SpMV (разреженное умножение матриц на векторы).

В таблице ниже приведены данные об ускорении вычислений на GPU нескольких поколения при использовании Ozaki-II в FP8-режиме относительно производительности тех же GPU в нативном режиме FP64. За базовый уровень взята производительность H100, последнего ускорителя NVIDIA, архитектура которого сбалансированна и подходит для HPC, а не исключительно для ИИ-инференса.

Мацуока утверждает, что согласно приведённым данным, схема Ozaki-II не ухудшает производительность по сравнению с базовым уровнем H100; напротив, она восстанавливает или улучшает масштабируемость для каждой рабочей нагрузки. «Ozaki-II — это не просто механизм компенсации регрессии NVIDIA в FP64; это механизм, который преобразует экономию площади кремния в <…> более быстрый FP64 с точки зрения приложения», — заявил исследователь.

AMD же повышает FP64-производительность, «поскольку метод Озаки не оправдывает ожиданий». Ранее компания указала на несколько проблем с EFT-методами. Во-первых, такое ПО не соответствует стандарту IEEE и не дает тех же результатов, что запуск кода на реальном FP-64оборудовании. Во-вторых, схема Озаки нацелена на квадратные матрицы. Если таковые в расчётах не используется, то производительность оказывается ниже, чем у нативного FP64-исполнения. В-третьих, традиционные HPC-задачи основаны на векторных расчётах, для которых методы Озаки малоэффективны — менее 10 % таких приложений охвачены матричными расчётами, позволяющими использовать EFT-методы. Но и для тех, что поддерживают такие методы, всё равно придётся переписывать код. Вместе с тем AMD не собирается отказываться от поддержки эмуляции Озаки на своих чипах в качестве резервного варианта.

В правительстве США выразили поддержку обеим концепциям. «В ходе обсуждений с Лизой Су (Lisa Su) и Дженсеном Хуангом (Jensen Huang) я убедился в их твёрдой приверженности формату FP64 и его дальнейшему развитию, — сказал ранее в интервью СМИ заместитель министра энергетики США (DoE) по науке и инновациям. «Это взаимодополняющие технологии», которые будут работать вместе, чтобы поддержать цель миссии Genesis — расширение границ в науке и технике с использованием ИИ. Следует уточнить, что он никогда прямо не заявлял о методах Озаки как о «запасном варианте» по сравнению с традиционными методами FP64 и и не объявлял об использовании эмуляции Озаки в целом.

Французский ИИ-стартап Mistral объявил об успешном завершении раунда финансирования серии D, в ходе которого он привлёк €3 млрд с оценкой рыночной стоимости более €21 млрд, что, по его словам, стало крупнейшим раундом привлечения акционерного капитала, когда-либо проводившимся европейской технологической компанией.

Раунд возглавила Samsung Electronics, к которой присоединились совладельцы фонда Scaleup Europe, управляемого EQT, и существующий инвестор PSG Equity. В раунде приняли участие действующие инвесторы, включая a16z, ASML, Belfius, BNP Paribas CIB. В качестве новых инвесторов к раунду присоединились Advent, фонды и счета, управляемые BlackRock, а также Великое герцогство Люксембург.

Источник изображения: Mistral

Благодаря проведённому раунду оценка рыночной стоимости Mistral выросла почти в два раза с €11,7 млрд, полученной после проведения раунда серии С в сентябре 2025 года, который возглавила ASML. В том раунде также приняли участие NVIDIA и Андреессен Горовиц (Andreessen Horowitz).

Привлечённые средства позволят Mistral расширить инфраструктуру и ускорить коммерческий рост и международное присутствие. В настоящее время компания работает в 20 странах и поддерживает более 125 критически важных ИИ-систем на предприятиях по всему миру, включая Airbus, ASML и HSBC.

Основанная в 2023 году Mistral позиционирует себя в качестве европейской альтернативы крупным американским ИИ-компаниям OpenAI и Anthropic. Хотя масштабы, конечно, несопоставимы. В июне PitchBook сообщала, что компания привлекла около $4 млрд инвестиций, тогда как OpenAI привлекла $186 млрд, а Anthropic — $161,25 млрд. Рыночная стоимость OpenAI по итогам раунда в марте составила $852 млрд, а Anthropic после раунда финансирования H, завершённого в мае, оценивается в $965 млрд.

Как отметила Mistral, во время первой волны внедрения генеративного ИИ главным вопросом было то, кто сможет создать самую мощную модель. А сейчас организации и правительства задаются другим вопросом: как использовать возможности ИИ для решения своих критически важных задач, не отказываясь от контроля над инфраструктурой и контуром сбора данных.

Mistral утверждает, что является единственной компанией в мире в сфере ИИ, которая создаёт полный пакет решений, необходимых для ответа на этот вопрос: модели с открытым исходным кодом, инфраструктуру и вычислительные мощности, на которых они работают, а также продукты, которые позволяют внедрять их в производство; это гарантирует, что клиенты никогда не будут привязаны к планам одного поставщика, ценам или доступности.

Комплексный и открытый подход компании, как утверждается, также позволяет организациям использовать ИТ-технологии, не раскрывая свои наиболее ценные данные, рабочие процессы и институциональные знания никому за пределами своих собственных стен. Это то, что делает стек от Mistral суверенным ИИ-слоем. Это означает сохранение контроля в четырёх измерениях: данные, которые остаются в пределах границ организации, управляемые и настраиваемые модели, частные и предсказуемые вычисления и производственные системы, которые полностью контролируются и поддаются аудиту.

ИИ-стартап Anthropic подписал соглашения общей суммой порядка $517 млрд за последние 11 мес. По данным The Information, компилировавшей соответствующие сведения с октября 2025 года, речь идёт о 14,8 ГВт вычислительных мощностей, которыми компания будет пользоваться в ближайшие годы. По данным источника, пожелавшего сохранить анонимность, ещё раньше компания также зарезервировала от 1 до 2 ГВт мощностей.

В последнее время Anthropic быстро наращивает свои вычислительные ресурсы. В конце августа заключено соглашение с Nscale на сумму $45 млрд, а до этого компания подписала с американскими застройщиками более дюжины писем о намерениях, касающихся аренды ЦОД. Кроме того, заключено соглашение на 191 МВт с Riot Platforms на $9,1 млрд. Наконец, компания заключила соглашение с Google на $200 млрд о поставке TPU-ускорителей — эту продукцию Anthropic сможет использовать самостоятельно, без прямого участия Google.

Источник изображения: Brecht Corbeel/unsplash.com

Компания не только арендует дата-центры, но и пользуется услугами облачных провайдеров для получения дополнительных вычислительных мощностей. Крупные сделки по их аренде были заключены с Akamai, AWS (с использованием ускорителей Trainium), крупная сделка на $50 млрд заключена с облачной компанией Fluidstack. Дополнительно известно о сделках со SpaceX/xAI, Google Cloud, Lambda, Volta Infra, CoreWeave, AMD и Microsoft.

Ранее инвесторам сообщалось, что компания намерена арендовать за $180 млрд серверы до 2029 года. Впрочем, с тех пор сумма, вероятно, значительно выросла. По данным The Information, она уже превысила полтриллиона долларов. Впрочем, издание признаёт, что могут быть и прочие сделки, о которых не сообщалось публично. Крупнейшими поставщиками вычислительных мощностей для Anthropic стали Google и AWS, совокупно они обеспечат 11 ГВт.

Команда разработчиков «Яндекса» сообщила о запуске «Алисы AI» для бизнеса — ИИ-ассистента для решения задач в корпоративной среде.

«Алиса AI» для бизнеса помогает автоматизировать рабочую рутину: подготовить материалы к встрече, собрать регулярный отчёт из писем и документов, распределить задачи по исполнителям, составить инструкции на основе базы данных компании и многое другое. Решение развёрнуто в облачном окружении «Яндекс 360» и позволяет использовать корпоративные знания, к которым у сотрудника есть доступ, а также подключённые рабочие инструменты: «Почту», «Диск», «Календарь», «Трекер», «Вики» и внешние системы — «Битрикс24», «Спарк», amoCRM, «1С».

Отличительной особенностью бизнес-версии «Алисы AI» является безопасность: система функционирует в отдельном пространстве — корпоративные данные в нём отделены от личных. При этом обеспечивается полный контроль над доступами: администратор может управлять подключением сотрудников и правами доступа. Поддерживается вход через корпоративные учётные записи (SSO). Использование данных организации для обучения ИИ-моделей запрещено по умолчанию.

Источник изображения: 360.yandex.ru/business/alice-business

В дополнение к готовому решению в ближайшем будущем на платформе Yandex Cloud появится настраиваемое — для компаний с дополнительными требованиями к безопасности и хранению данных. Они смогут использовать ассистента по гибридной модели или развернуть его во внутренней инфраструктуре организации. Также в этой версии можно будет создавать собственные навыки и плагины.

По статистике Министерства промышленности и информационных технологий Китая (MIIT), к концу июня текущего года общая мощность ИИ-вычислений в стране составила 2185 Эфлопс. Это на 177 % больше, чем годом ранее. А к концу июля, по данным Национальной комиссии по развитию и реформам, они превысили 2450 Эфлопс. В дальнейшем ожидается их кратное увеличение, сообщает SCMP. КНР намерена развёртывать ИИ-кластеры по 100 тыс. ускорителей и стремительно наращивать национальные ИИ-мощности в следующие пять лет.

Пока же власти наращивают инвестиции в инфраструктуру, необходимую для реализации этих амбициозных планов с сфере искусственного интеллекта. MIIT в своём отраслевом пятилетнем плане поставило цель добиться мощности ИИ-вычислений на уровне 9800 Эфлопс (9,8 Зфлопс) к 2030 году. На развитие информационной инфраструктуры в 2026–2023 гг. намерены потратить ¥3,7 трлн ($532 млрд).

В частности, планом предусматривается «упорядоченное развёртывание» кластеров интеллектуальных вычислений по 10 тыс. ИИ-ускорителей, а также объектов по 100 тыс. и более ускорителей. В то же время будут создаваться специальные вычислительные мощности для инференса, адаптированные под различные задачи и отрасли. Также предполагается развитие инфраструктуры с учётом использования ИИ-чипов китайского производства.

Источник изображения: Road Trip with Raj/unsplash.com

Новые цели — продолжение курса на активное наращивание ИИ-инфраструктуры страны. MIIT сообщает, что на конец июня страна построила 52 объекта для ИИ-вычислений за год, каждый из которых оснащён более 10 тыс. ИИ-ускорителей. Другими словами, для достижения поставленной Китаем на 2030 год цели, стране придётся нарастить вычислительные мощности более чем вчетверо.

Расширение инфраструктуры тесно связано с инициированным в 2022 году проектом «Восточные данные — западные вычисления» (East Data, West Computing), предполагающие перенос вычислительных нагрузок из восточных регионов с высокой плотностью населения и дефицитом земли и энергоресурсов, на западные территории, где земля дешева, а энергии в достатке.

С тех пор Китай уже создал сеть из восьми национальных вычислительных центров, 10 кластеров ЦОД и трёх регионов, делающих акцент на координации вычислительной инфраструктуры с энергоснабжением. Впрочем, пока соответствующая программа не вполне оправдала себя — дата-центры простаивают, а для продажи их мощностей приходится прикладывать усилия.

Компания ASUS анонсировала сервер ESC8000-E12P в форм-факторе 4U, предназначенный для выполнения различных задач в области ИИ, включая инференс и визуальные вычисления. Новинка построена на модульной архитектуре NVIDIA MGX с использованием процессоров Intel Xeon 6 поколения Granite Rapids-SP.

Машина имеет двухсокетную конфигурацию: могут устанавливаться чипы Xeon 6500/6700 в исполнении LGA 4710 с показателем TDP до 350 Вт. Доступны 32 слота для модулей оперативной памяти DDR5-6400/5200 RDIMM/3DS RDIMM суммарным объёмом до 8 Тбайт. Во фронтальной части находятся восемь отсеков для SFF-накопителей NVMe с возможностью горячей замены. Кроме того, есть два внутренних коннектора для SSD типоразмера M.2 22110 с интерфейсом PCIe 5.0 x4.

Сервер располагает восемью слотами PCIe 5.0 x16 для двухслотовых ИИ-ускорителей FHFL, таких как NVIDIA H200, NVIDIA RTX Pro 6000 Blackwell Server Edition, NVIDIA RTX Pro 4500 Blackwell Server Edition и Intel Gaud3. Кроме того, реализованы пять слотов PCIe 5.0 x16 для карт NIC/BlueField-3 (FHFL) и один разъём PCIe 5.0 x16 (FHHL). В оснащение входят два сетевых порта 10GbE RJ45 на основе контроллера Intel X710-AT2 и выделенный сетевой порт управления 1GbE RJ45.

Источник изображения: ASUS

Новинка оборудована воздушным охлаждением. За питание отвечают четыре блока мощностью 3200 Вт с резервированием и сертификатом 80 PLUS Titanium. Предусмотрены порты USB 3.0 и Mini DisplayPort. Габариты составляют 800 × 439,5 × 175 мм, масса — 45 кг. Диапазон рабочих температур простирается от +10 до +35 °C.

Российский разработчик инфраструктурного программного обеспечения «Базис» (входит в ГК «РТК-ЦОД») объявил о завершении сделки по приобретению 70-% доли в компании «ПротоСервисез», создающей и развивающей решения для мониторинга и обеспечения стабильной работы цифровых сервисов в корпоративной среде. Сделка реализована путём внесения денежных средств в капитал фирмы, объём инвестиций не раскрывается.

Флагманским продуктом «ПротоСервисез» является включённая в реестр отечественного ПО Минцифры России платформа наблюдаемости Proto Observability, предназначенная для комплексного контроля бизнес-систем, приложений, пользовательского опыта и IT-инфраструктуры. В её основе используются технологии искусственного интеллекта и машинного обучения для обнаружения аномалий, анализа взаимосвязей и расследования инцидентов.

ИИ-платформа наблюдаемости Proto Observability (источник изображения: proto-observability.ru)

В рамках сделки планируется включение программного комплекса Proto Observability и наработок команды «ПротоСервисез» в ключевые продукты «Базиса», в том числе непосредственно в платформу Basis Dynamix. Ожидается, что интеграция решений позволит предоставить заказчикам функции предиктивной аналитики состояния IT-инфраструктуры и прогнозирования возможных инцидентов с использованием технологий искусственного интеллекта.

По разным оценкам общий объём отечественного рынка observability-платформ составляет от 3 до 15 млрд руб., а спрос растёт в среднем на 24 % ежегодно. «Базис» оценивает совокупную выручку от реализации технологий «ПротоСервисез» в составе своей экосистемы минимум в 1 млрд руб. в течение пяти лет.

Испанский стартап iPronics из Валенсии, специализирующийся в области оптической коммутации (Optical Circuit Switching) на основе кремниевой фотоники для ИИ-инфраструктур, объявил о привлечении $125 млн венчурных инвестиций в рамках раунда финансирования серии B, возглавляемого совместно Maverick Silicon и Light Street Capital при участии NVIDIA и ряда существующих и новых инвесторов. С учётом нынешнего раунда общий объём финансирования компании достиг $177 млн.

Компания сообщила, что полученные средства позволят ускорить коммерческое внедрение стоечного оптического коммутатора iPronics Optical Networking Engine (ONE). Благодаря интегрированному управлению, телеметрии и API, iPronics ONE предоставляет программируемый оптический уровень, позволяющий ИИ-кластерам перенастраивать соединения в режиме реального времени для рабочих нагрузок обучения и инференса.

Источник изображения: iPronics

Компания отметила ускорение внедрения технологии оптической коммутации (OCS) в сетях ИИ ЦОД, получившей применение в самых разных областях. По мере роста ИИ-кластеров требования к масштабируемости сетей ускоряют переход от медных кабелей к оптическим и создают потребность в новом поколении высокоплотных решений для коммутации. iPronics разработала компактную, специализированную OCS-платформу на основе кремниевой фотоники. Она же вместе с Lumentum запустила проект по стандартизации OCS в рамках OCP.

Ключевое преимущество OCS заключается в способности быстро адаптироваться к выходу из строя вычислительных чипов, что стало неизбежным, поскольку в ЦОД теперь размещаются сотни тысяч чипов. «Сбои происходят в масштабе минут — это уже не часы, месяцы или недели, — сообщил агентству Reuters основатель и главный технический директор iPronics. — Первоочередная задача — обеспечить отказоустойчивость — надёжную и отказоустойчивую сеть, способную, по сути, перестраиваться».

Компания утверждает, что её технология позволяет достичь времени переконфигурации менее миллисекунд, что открывает возможность изменения топологии непосредственно во время исполнения рабочих нагрузок, скрывая задержки во время вычислительных циклов, пишет The Register. iPronics утверждает, что она также способна достичь более высокой плотности, чем решения OCS «первого поколения». iPronics One поддерживает 32 порта на одном чипе-коммутаторе, но компания готовит чипы на 72 и 144 порта. Поскольку эти чипы созданы с использованием кремниевой фотоники, они весьма компактны, так что iPronics рассчитывает на многочиповые решения и разъёмы высокой плотности для размещения до 720 пар портов в 1U-шасси.

Источник изображения: iPronics

Даже при задержках менее миллисекунды OCS лучше всего работает в средах, где сетевые пути меняются не так часто. Это разнится с подходом, используемым в большинстве современных стоечных систем, таких как NVIDIA NVL72 или AMD Helios, которые отдают приоритет коммуникациям All-to-All и чрезвычайному разнообразию путей. Но эти два подхода не являются взаимоисключающими. Существует несколько потенциальных вариантов использования, включая гибридные среды, объединяющие mesh-сети с коммутируемыми фабриками.

В связи со стремительным развёртыванием ИИ ЦОД, растут инвестиции в индустрию оптической коммуникации, от стартапов в области фотоники до уже существующих предприятий по производству оптического оборудования и волоконно-оптических кабелей, отметил The Register. В марте NVIDIA инвестировала $6 млрд (по $2 млрд в каждую) в Coherent, Lumentum и Marvell для развития их оптических технологий. Расширяя присутствие в США, iPronics открыла офис в Санта-Кларе (Santa Clara) в Калифорнии, и активно набирает сотрудников для «усиления своей продуктовой стратегии, развёртывания решений у клиентов и партнёрства в области ИИ-инфраструктуры».

Занимающаяся разработкой человекоподобных роботов компания Figure AI заключила многолетнее соглашение с неооблачным ИИ-провайдером Nscale о предоставлении вычислительных мощностей. Его стоимость почти вдвое выше, чем компания привлекла средств за всю свою историю, сообщает eWeek.

Первоначальные затраты на вычислительные мощности должны составить $3,5 млрд, в будущем они могут вырасти до более $6 млрд. В перспективе Figure AI может получить доступ к 100 тыс. ИИ-ускорителей NVIDIA на платформе Vera Rubin. Примечательна в сделке сумма соглашения, поскольку сама Figure AI пока привлекла лишь около $2,3 млрд. В рамках соглашения Nscale станет ключевым и предпочтительным поставщиком вычислительных мощностей для Figure, а также сделает в робототехническую компанию стратегическую инвестицию.

Первые ИИ-ускорители планируется развернуть во II полугодии 2027 года в Барстоу (Barstow, шт. Техас). Мощности намерены использовать для дальнейших работ над ИИ-системой Helix, отвечающей за управление человекоподобными роботами Figure AI. На бизнесе последней всё сильнее сказываются ограничения, связанные с обрабатываемым объёмом данных и вычислительными ресурсами, необходимыми для обучения Helix.

Источник изображения: Figure AI

Впрочем, соотношение привлечённых компанией средств и сумма соглашения наглядно свидетельствует о масштаба амбиций компании. В 2024 году Figure привлекла $650 млн, а в сентябре 2025 года — $1 млрд в раунде финансирования серии C, в результате оценка компании составила $39 млрд. Важно, как именно компания намерена финансировать такие масштабные инфраструктурные обязательства по мере того, как будет расширяться парк роботов.

Большую часть текущего года Figure провела за демонстрацией возможностей, уже имеющихся у системы и управляемых её роботов. Кроме того, компания наращивает производство роботов. В апреле она сообщила, что ответственное за это подразделение BotQ уже выпустило 350 роботов Figure 03, достигну скорость производства 1 робот/час.

Источник изображения: Figure AI

Сделка на $3,5 млрд реализуется параллельно с другим проектом Figure — сбором данных из реального мира для обучения роботов движениям и выполнению задач. Для этого компания запустила инициативу Index по сбору видео людей, выполняющих различные работы, и к концу августа накопила более 15 млн таких материалов. К тому времени каждую секунду обрабатывалось 30 мин. видео, но позже компания увеличила скорость до 35 мин./с. Между объявлениями о запуске Index и сделки с Nscale прошло чуть больше недели.

В итоге Fugure пытается создать замкнутый цикл, в котором люди создают для обучения огромные объёмы данных. Компания применяет всё больше вычислительных мощностей для обучения Helix на них, усовершенствованные модели используются всё большим количеством роботов. В свою очередь, роботы могут генерировать дополнительные данные, которые помогут создавать новые версии роботов. Машины Figure уже работают за пределами контролируемых лабораторных экосистем. Например, BMW применяет Figure 03 на своём заводе, где они тестируются на всё боле сложных производственных и логистических задачах.

Однако сегодня уже недостаточно создания всё более совершенных двигателей, манипуляторов, аккумуляторов и др. Всё больше будет конкуренции за доступ к ИИ-ускорителям, ЦОД, электричеству и огромным массивам данных, демонстрирующим, как люди взаимодействуют с окружающим миром. Если стратегия Figure AI увенчается успехом, лидерам индустрии робототехники потребуется собственная ИИ-инфраструктура, способная конкурировать мощностями компаний, просто разрабатывающих передовые ИИ-модели. А ускорить создание ИИ-инфраструктуры смогут сами роботы.