Український стартап Embedd залучив $2,7 млн інвестицій на розробку прошарку, який уніфікує спосіб, яким різні чипи «спілкуються» між собою на edge-пристроях під час AI-навантажень. За даними Speka, гроші підуть на технологію, що прибирає одну з найприкріших проблем на стику заліза й AI-розробки: кожен чип у пристрої досі «розмовляє» власною мовою.

Ідеться не про черговий SDK для одного NPU, а про спробу побудувати спільний шар одразу між кількома чипами — NPU, DSP, мікроконтролером, а часом і GPU, — які виробники постачають із несумісними інструментаріями. Розробник edge-пристрою, що поєднує кілька таких чипів, сьогодні змушений писати й підтримувати окремий шар інтеграції під кожен з них.

Embedd виходить із цією ставкою на ринок AI-заліза для edge-обчислень, де вже працюють значно більші гравці з власними закритими екосистемами — і саме тому цей раунд цікавий не сумою, а вибором проблеми.

Яку саме проблему закриває цей прошарок?

Прошарок Embedd покликаний дати edge-пристрою з кількома чипами спільний інтерфейс замість набору несумісних SDK від різних виробників. На практиці це означає, що сценарій обчислень можна описати один раз, а розподіл роботи між NPU, DSP чи мікроконтролером бере на себе проміжний шар, а не розробник вручну. Це напрям, схожий на те, що свого часу зробили ONNX чи TVM для сумісності моделей між фреймворками, — тільки на рівень нижче, на стороні самого заліза, а не програмного стеку над ним.

Чому чипи на edge-пристроях досі не «розмовляють» одна мовою?

Edge-пристрій для AI-навантажень рідко будують на одному чипі. Виробник обирає:

Кожен із цих компонентів найчастіше постачається іншим виробником, і в кожного — власний компілятор, власний runtime і власні обмеження пам'яті та точності обчислень. Стандарту, який би описував, як ці чипи повинні обмінюватися даними в реальному часі під час AI-навантаження, у галузі досі немає — на відміну, наприклад, від USB чи PCIe для звичайної периферії. Тому інтеграція такого пристрою — це здебільшого ручна робота інженерів з апаратних SDK, а не робота з готових бібліотек.

Кому конкретно допоможе такий прошарок?

Найбільше від нього виграють команди, що збирають edge-пристрої з готових чипів кількох постачальників, — виробники носимих гаджетів, промислових сенсорів, робототехніки. Замість того щоб наймати окремого інженера під кожен SDK і тримати кілька паралельних гілок коду під кожен чип, команда отримує один інтерфейс і швидше доносить прототип до продукту. Це логічне продовження ставки, яку команда Embedd вже озвучувала раніше — у своєму pre-seed-раунді на фізичний AI компанія теж рухалася в бік заліза для edge-обчислень, а не хмарних моделей.

Наскільки складно конкурувати на цьому ринку?

Ринок AI-заліза для edge-обчислень конкурентний і консолідований: великі постачальники чипів зацікавлені утримувати розробників у власних SDK, а не віддавати контроль над інтеграцією сторонньому прошарку. Ризик для будь-якого «універсального перекладача» між чипами — залежність від того, наскільки охоче вендори підтримуватимуть сумісність зі стороннім рівнем абстракції, коли вона конкурує з їхніми власними інструментами. Ймовірно, успіх Embedd залежатиме радше від партнерств із конкретними виробниками чипів, ніж від самої технічної переваги прошарку.

Висновок AiiN: ставка на «спільну мову» окупається лише разом із розробниками

Наша теза проста: подібний прошарок цінний не сам по собі, а лише тоді, коли навколо нього збирається спільнота розробників, яка довіряє йому більше, ніж власним SDK постачальників чипів. Для команди з України це означає одну практичну річ — наступні місяці варто дивитися не на суму раунду, а на список чипів і виробників, з якими Embedd оголосить сумісність. Саме ця деталь, а не $2,7 млн, покаже, чи має продукт шанс стати стандартом, а не ще одним прошарком поруч із десятком інших.

Що робить стартап Embedd?

Embedd розробляє прошарок, що уніфікує взаємодію різних чипів — NPU, DSP, мікроконтролерів — на edge-пристроях під час AI-навантажень, щоб розробники не писали окрему інтеграцію під SDK кожного виробника.

Скільки грошей залучив Embedd і на що вони підуть?

Компанія залучила $2,7 млн інвестицій. За даними Speka, кошти підуть на розробку технології, яка дозволяє різним чипам на edge-пристроях узгоджено працювати під одним AI-навантаженням.

Чим цей раунд відрізняється від попереднього фінансування Embedd?

Раніше цього року Embedd вже залучала pre-seed-фінансування на суміжну ставку — фізичний AI на межі заліза. Новий раунд у $2,7 млн — наступний крок для тієї ж команди на тому самому ринку edge-обчислень.