消息称英伟达将以超 5 亿美元估值收购 dLLM 公司 Inception
消息称英伟达将豪掷逾 5 亿美元,收购“比 ChatGPT 更快的 AI”公司 Inception
英伟达要收购做扩散式语言模型的 Inception,它家的 Mercury 用并行去噪生成,吞吐量比自回归模型高 5 到 7 倍。这说明大厂开始押注非自回归架构,做高速推理和低延迟应用的开发者可以关注这条技术路线。
The Information 11 月 20 日报道,英伟达正就收购 AI 初创公司 Inception 进行深入谈判,估值至少超过 5 亿美元(约合 33.46 亿元人民币),交易还可能附加与业绩挂钩的额外奖励。Inception 于 2024 年在加州帕洛阿尔托成立,由斯坦福教授 Stefano Ermon、UCLA 教授 Aditya Grover 和康奈尔教授 Volodymyr Kuleshov 联合创办。
该公司主打扩散式大语言模型(dLLM),2025 年 2 月发布了号称全球首个商用规模的此类模型 Mercury。与 GPT、Claude 采用的自回归逐词生成不同,Mercury 从噪声式内容出发,多轮去噪并行生成词元。官方称其首字延迟可低于 300 毫秒,吞吐量比传统模型高 5 至 7 倍,单任务成本最高降低 70%,模型已通过自有 API、Azure AI Foundry、OpenRouter、Baseten 等渠道开放。
若交易达成,三位联合创始人预计加入英伟达,团队可能参与 Nemotron 开源模型体系建设,并将扩散技术延伸至机器人等“物理 AI”领域。双方均未公开置评,交割时间和 Mercury 后续运营方式仍有不确定性。
消息称英伟达将豪掷逾 5 亿美元,收购“比 ChatGPT 更快的 AI”公司 Inception
IT之家 11 月 20 日消息,科技媒体 The Information 今天(11 月 20 日)发布博文,报道称英伟达计划收购 AI 初创公司 Inception,目前双方已深入谈判,交易估值至少超过 5 亿美元 (IT之家注:现汇率约合 33.46 亿元人民币) ,并可能附加与业绩挂钩的额外奖励。 Amir Efrati 是 The Information 的执行主编 IT之家查询公开资料,Inception 成立于 2024 年,总部位于美国加州帕洛阿尔托,由斯坦福大学教授 Stefano Ermon、UCLA 教授 Aditya Grover 和康奈尔大学教授 Volodymyr Kuleshov 联合创办。 该公司主要研发“扩散式大语言模型”(dLLM),于 2025 年 2 月发布 Mercury,自称是全球首个商用规模的扩散式大语言模型,其产品已通过自有 API、Azure AI Foundry、OpenRouter、Baseten 等渠道提供给开发者使用。 Mercury 模型的最大亮点是并行生成,不同于 OpenAI 的 GPT 系列、Anthropic 的 Claude 系列所采用的“自回归”方式,该模型采用扩散式架构,先从一段“噪声”式的粗略内容开始,再经过多轮去噪和精修,并行生成多个词元。 性价比方面,Inception 称 Mercury 的首字延迟可低于 300 毫秒,吞吐量比传统模型高 5 至 7 倍,每项任务成本最高可降低 70%, 该媒体称“比 ChatGPT 更快的 AI”。 消息称若交易完成,Inception 的三位联合创始人预计将加入英伟达,其团队也可能参与英伟达 Nemotron 开源模型体系的建设,并将扩散技术延伸至机器人等“物理 AI”领域。 目前英伟达与 Inception 均未公开置评;由于谈判尚未最终敲定,交易价格、交割时间及 Mercury 等产品未来是否独立运营仍存在不确定性。
This report is categorized under AITOP's "Industry" desk, focusing on US frontier AI labs and Silicon Valley technology leaders. Within our cross-regional analytical framework, it directly maps to AI developer toolchains, coding agents, and engineering workflows and US-China foundation model benchmarks and commercialization comparison. Key entities and technical topics under continuous tracking include NVIDIA, Inception, Mercury, dLLM.
Source attribution: curated from IT之家.