Gimlet Labs获3亿美元，AI芯片进入调度时代
AI基础设施的竞争，正在从“谁能造出更快的芯片”，慢慢转向另一个更隐蔽的问题：当一家公司手里同时有英伟达、AMD、Arm以及其他类型的计算资源时，谁来决定一项AI任务究竟应该跑在哪块芯片上？
Gimlet Labs押注的正是这个位置。
9月5日，这家AI基础设施初创公司宣布完成3亿美元融资，公司估值升至30亿美元。本轮融资由Andreessen Horowitz（a16z）领投，Arm Holdings和微软旗下风投基金M12参与。
从融资规模看，Gimlet Labs已经进入AI基础设施创业公司最受资本追逐的梯队。但这笔钱真正指向的并不是又一家GPU公司，而是一层越来越重要的软件基础设施：让AI任务能够在不同类型的芯片之间被重新分配。
这件事情听起来像“调度器”，实际复杂得多。
今天的大型AI系统，计算资源早已不是单一芯片可以解决的。训练大模型需要巨量加速器，推理阶段则更强调成本、延迟和能耗。不同任务对计算精度、内存带宽以及并行能力的要求也不一样。
如果所有任务都丢给最昂贵的GPU，当然简单，却未必划算。
真正成熟的AI基础设施，需要根据任务性质、芯片状态、数据位置以及实时负载，在不同计算资源之间做选择。某些任务适合高性能GPU，另一些任务则可能更适合CPU、Arm架构芯片或者专门的AI加速器。
于是，一个新的软件层开始变得有价值。
Gimlet Labs做的事情，可以理解成给异构计算环境增加一层“交通系统”。它不负责生产芯片，而是试图让上层AI应用不用过度关心底层究竟是哪一种芯片。
这对于企业客户尤其重要。
过去几年，AI公司的基础设施采购逻辑相对简单：尽可能获得更多GPU，再围绕特定硬件优化软件。但随着AI算力需求继续扩大，这种模式开始暴露成本和供应链问题。
芯片不一定永远充足，价格也不会永远稳定。
更现实的情况是，一家云服务商或者大型企业的数据中心可能同时拥有多种计算架构。如果每一种芯片都需要单独适配软件栈，工程团队面对的就不再是一个AI平台，而是一堆彼此不同的系统。
这也是Arm参与本轮融资后值得观察的一层关系。
Gimlet Labs正在与Arm合作，让其软件兼容Arm的多种芯片技术。Arm本身并不主要通过直接出售芯片来参与AI基础设施竞争，它更像是整个芯片生态中的架构提供者。越来越多服务器、边缘计算和AI相关芯片采用Arm架构，也意味着软件兼容性会逐渐成为生态竞争的一部分。
如果AI基础设施未来真的走向多芯片并存，Arm需要的不只是更多芯片采用者，也需要一套能够让这些芯片真正进入AI工作负载的软件体系。
Gimlet Labs恰好处在这个交叉点。
微软M12的参与，则让这笔融资又多了一层云计算意味。AI模型越来越依赖云端算力，而云厂商本身正面临一个很现实的问题：如何提高昂贵计算资源的利用率。
一块闲置的AI加速器，本质上就是没有产生收入的资本设备。
如果软件能够把不同工作负载更灵活地分配到不同硬件上，那么对于云服务商而言，收益并不只是“支持更多芯片”这么简单，而是提高整个数据中心的资产周转效率。
这背后其实对应着AI行业下一阶段的一个变化。
早期AI基础设施的核心矛盾是“有没有算力”；现在逐渐变成“怎么把算力用得更便宜、更灵活”。
训练规模不断扩大之后，单纯增加GPU数量会越来越昂贵。推理需求爆发之后，企业又需要面对大量不同规格的模型和实时任务。对于互联网公司、云厂商和企业客户而言，硬件采购正在从一次性工程选择，变成长期的资源管理问题。
软件调度因此开始拥有更高的战略价值。
这也解释了为什么一家不制造芯片的公司，能够获得30亿美元估值。
AI产业链过去最容易被看见的是芯片、服务器和数据中心，资本市场也习惯用GPU出货量、算力规模来衡量基础设施。但当硬件数量越来越多之后，真正稀缺的东西可能变成了“如何把这些硬件组织起来”。
类似的逻辑在云计算时代已经出现过。
服务器本身并没有消失，反而越来越多；但虚拟化、容器、编排和云管理软件最终成为连接计算资源与应用需求的关键中间层。AI基础设施现在正在经历某种类似的过程，只是计算资源从通用CPU转向了GPU、NPU以及各种专用加速器。
Gimlet Labs想占据的，就是这层中间位置。
当然，这条路并不轻松。
芯片厂商都有自己的软件生态和开发工具，英伟达CUDA就是最典型的例子。任何试图把不同硬件抽象到统一软件层的公司，都必须证明这种抽象不会明显牺牲性能，否则客户很可能宁愿接受更复杂的开发环境，也不愿意为了“通用”而损失算力效率。
所以Gimlet Labs真正要解决的，并不是简单的兼容问题。
它需要让多芯片环境在实际生产中足够稳定，同时尽量降低开发者迁移成本，还要让企业相信，把AI工作负载交给这层软件之后，不会换来更高的延迟和不可控的性能波动。
这是一场典型的基础设施生意：表面上不如芯片发布会热闹，但一旦进入企业核心系统，迁移成本反而可能形成很强的护城河。
3亿美元融资，也说明投资人押注的并非某一种芯片会最终胜出。
至少从a16z、Arm和微软M12的组合来看，资本更愿意下注一个多元算力时代。未来的数据中心可能不会只有一种加速器，AI应用也不会全部采用同一种模型和同一种计算方式。
当硬件越来越碎片化，软件就需要重新把它们拼起来。
这或许正是Gimlet Labs这轮融资最值得看的地方：AI基础设施的下一场竞争，可能已经不再只是争夺“最快的芯片”，而是在争夺谁能成为连接所有芯片与AI应用的那一层软件。