Startup Vienna Ora Computing Raih €3.5 Juta Seed untuk Kecilkan Model AI Sehingga 80% dan Kurangkan Kos Komputer

Ora Computing diasaskan oleh penyelidik pengkomputeran kuantum Stefan Sack dan Raimel A. Medina, yang diinkubasi dari Institute of Science and Technology Austria (ISTA) . Syarikat ini muncul dari mod senyap (stealth) pada akhir 2025 dan telah mengesahkan penyelesaiannya dengan pemain dalam sektor automotif dan silikon tepi (edge silicon) .

Bagaimana Perisian Mampatan Berfungsi

Perisian Ora menggunakan pendekatan berasaskan teori maklumat untuk mengecilkan model asas AI yang besar untuk inferens — bermakna ia menyusun semula model secara matematik untuk membuang lebihan sambil mengekalkan kualiti output . Tuntutan utama daripada syarikat dan pelaburnya termasuk:

• Pengurangan saiz sehingga 80%: Model boleh dikecilkan dengan ketara dalam jejak memori .
• Inferens sehingga 4 kali lebih pantas: Model termampat berjalan dengan lebih pantas pada perkakasan yang sama .
• Kehilangan ketepatan hanya 0–5%: Pertukaran antara mampatan dan ketepatan adalah minimum .
• Tidak bergantung pada perkakasan (hardware-agnostic): Perisian berfungsi merentas seni bina cip yang berbeza (CPU, GPU, silikon tepi) tanpa memerlukan infrastruktur tersuai atau latihan semula .
• Tiada latihan semula diperlukan: Terus dimuatkan ke dalam rangka kerja inferens standard .
• Keluk mampatan berterusan: Tidak seperti alat 'pilih tahap mampatan' secara binari, algoritma Ora memetakan pertukaran saiz-ketepatan secara berterusan, membolehkan pelanggan mengoptimumkan mengikut kekangan perkakasan dan kos mereka .
• Terbukti pada model 70B-parameter: Syarikat mendakwa berjaya memampatkan model 70 bilion parameter dalam beberapa jam dengan kos pengkomputeran di bawah $1,000, berbanding kos biasa yang mencecah ratusan ribu dolar .

Impak Kos, Tenaga, dan Karbon

Oleh kerana model termampat memerlukan kurang pengkomputeran, Ora menyatakan teknologinya diterjemahkan secara langsung kepada penggunaan tenaga yang lebih rendah dan pelepasan karbon yang berkurangan . Syarikat menganggarkan bahawa pada penembusan pasaran 1%, teknologinya boleh menghapuskan lebih daripada 50,000 tan CO₂ setiap tahun .

Ini sejajar dengan konsensus industri yang lebih luas bahawa inferens menyumbang lebih 90% daripada penggunaan tenaga sepanjang hayat model AI yang digunakan, menjadikan mampatan sebagai tuas yang kuat untuk kelestarian . Satu kajian 2025 dalam PMC mendapati bahawa aplikasi teknik mampatan model seperti pemangkasan (pruning) dan penyulingan (distillation) pada model bersaiz BERT menghasilkan pengurangan tenaga sebanyak 32–48% sambil mengekalkan ketepatan melebihi 95% . Anggaran penjimatan CO₂ spesifik Ora, bagaimanapun, dilabelkan sebagai 'anggaran' pada kadar penembusan penanda aras, bukan hasil yang diukur .

Penggunaan Dana dan Rancangan Komersial

Ora telah menyatakan tiga kegunaan utama untuk modal seed ini :

1. Pengembangan pasukan — membesarkan pasukan kejuruteraan dan komersial.
2. Melanjutkan mampatan ke model sempadan yang lebih besar — menolak keupayaan melangkaui keupayaan semasa untuk memampatkan generasi model terkini.
3. Melancarkan produk komersial — menyasarkan pembekal inferens awan dan syarikat yang menggunakan AI di tepi (contohnya, automotif, peralatan industri) .

Laman web syarikat kini mengiklankan perkhidmatan mampatan LLM automatik yang boleh memuatkan model pada peranti tepi, pelayan di premis, atau infrastruktur awan 'dalam beberapa jam, bukan bulan,' dengan dakwaan mengurangkan jejak memori sehingga 70% dan memotong bil GPU lebih 50% .

Nota Kebolehpercayaan Sumber

Sumber utama adalah pengumuman terperinci yang diterbitkan di laman web rasmi Greencode Ventures . Lipatan pengesahan datang dari pelbagai saluran termasuk The Recursive , IT Boltwise , Vestbee , tech.eu , dan Fundup.ai — semuanya melaporkan butiran pusingan, angka mampatan, dan rancangan penggunaan dana yang sama. Tiada pihak ketiga bebas yang telah mengesahkan anggaran penjimatan CO₂ spesifik Ora, yang dilabelkan oleh syarikat sebagai anggaran dan bukan hasil yang diukur.