Raptor d-Matrix ma trafić do racków AI Nvidii przez NVLink Fusion

d-Matrix zawarł z Nvidią porozumienie dotyczące NVLink Fusion, którego sednem jest integracja systemowa. Raptor ma być elementem rackowej infrastruktury AI Nvidii, a nie tylko kartą dołączaną do serwera standardową ścieżką rozszerzeń. Założenie polega na połączeniu wyspecjalizowanego, zorientowanego na pamięć procesora inferencyjnego z architekturą systemową, połączeniami i siecią używanymi w „fabrykach AI” Nvidii. 310

Co NVLink Fusion zmienia dla Raptora

NVLink Fusion to platforma Nvidii służąca do włączania układów partnerów do infrastruktury AI opartej na technologii Nvidii. W przypadku d-Matrix oznacza to połączenie Raptora z siecią NVLink do skalowania w obrębie systemu, architekturą racków MGX oraz siecią Spectrum-X do skalowania poza rackiem. Nvidia przedstawia ten model jako szybszą i mniej ryzykowną drogę od własnego krzemu do wdrożeń na dużą skalę: partner może korzystać ze sprawdzonego ekosystemu rackowego zamiast samodzielnie budować każdy jego element. 3

W praktyce Raptor ma znaleźć się w racku opartym na projekcie referencyjnym MGX. To zasadnicza różnica względem sprzedaży samodzielnego akceleratora: układ staje się częścią systemu rackowego ze wspólną, wysokoprzepustową siecią połączeń i zdefiniowanym zestawem komponentów infrastrukturalnych. 310

Z jakich komponentów Nvidii skorzysta d-Matrix

Planowana konstrukcja oparta na Raptorze obejmuje następujące elementy platformy Nvidii:

• procesory Vera — do zadań hosta w racku;
• przełączniki NVLink — tworzące sieć scale-up, czyli szybką komunikację wewnątrz systemu;
• układy BlueField-4 DPU — do przetwarzania danych i funkcji infrastrukturalnych;
• ConnectX-9 SuperNIC — do wysokowydajnego wejścia/wyjścia sieciowego;
• Spectrum-X Ethernet — do komunikacji scale-out, wykraczającej poza pojedynczy rack. 10

d-Matrix współpracuje też z Astera Labs nad niestandardową łącznością, która ma zapewniać wysoki przepływ danych w całym systemie. 10

Podział ról jest istotny: d-Matrix dostarcza inferencyjny XPU, natomiast Nvidia zapewnia dużą część otoczenia platformowego — architekturę referencyjną, połączenia scale-up, komponenty sieciowe i szerszy ekosystem infrastruktury AI. 310

Dlaczego celem jest inferencja o niskich opóźnieniach

Raptor jest pozycjonowany do zadań inferencyjnych, w których liczy się opóźnienie generowania kolejnych tokenów. Akcelerator skoncentrowany na pamięci może być szczególnie przydatny w obciążeniach wielokrotnie odczytujących wagi modelu podczas generowania, a platforma Nvidii ma dostarczyć komunikację i podstawę wdrożeniową potrzebną do pracy w skali całego racka.

Współpraca nie oznacza, że Raptor ma zastąpić procesory GPU Nvidii we wszystkich zastosowaniach AI. Tworzy natomiast drogę do systemów heterogenicznych, w których wyspecjalizowany krzem do inferencji współistnieje z infrastrukturą Nvidii. Strategia NVLink Fusion jest wprost ukierunkowana na półniestandardową infrastrukturę AI, łączącą układy partnerów z rackowymi systemami i siecią Nvidii. 26

Rack z 144 XPU: deklarowane parametry

d-Matrix podaje, że zamierza oferować systemy z maksymalnie 144 akceleratorami Raptor połączonymi pojedynczą, pełną siecią NVLink typu all-to-all. Deklarowane parametry racka to 2,3 TB pamięci DRAM 3D oraz 7,2 PB/s łącznej przepustowości pamięci. Według firmy ma to umożliwić obsługę modeli przekraczających cztery biliony parametrów przy precyzji 4-bitowej. 24

Te liczby należy traktować jako prognozowane cele produktowe. Publiczne doniesienia różnią się też w opisie pamięci i przepustowości pojedynczego akceleratora, dlatego ostateczna konfiguracja urządzenia oraz praktyczna pojemność dla modeli będą wymagały potwierdzenia bliżej premiery. Na możliwy do wdrożenia rozmiar modelu wpływają również pamięć środowiska uruchomieniowego, metadane modelu, format kwantyzacji i oprogramowanie systemowe.

Harmonogram: tape-out w 2026 r., systemy w 2027 r.

Raptor jest opisywany jako konstrukcja łącząca 4-nanometrowy układ obliczeniowy z niestandardową pamięcią DRAM. d-Matrix spodziewa się zakończenia etapu tape-out do końca 2026 r., a pierwszych zintegrowanych racków w IV kwartale 2027 r. 1014

To zatem wieloletnia współpraca na poziomie planu rozwoju produktów, nie zaś wspólnie sprzedawany już dziś rack. 12

Co Nvidia zyskuje na układach innych firm

Otwarcie platformy rackowej na układy partnerów pozwala Nvidii obsłużyć klientów poszukujących wyspecjalizowanego krzemu bez zmuszania ich do opuszczenia jej stosu infrastrukturalnego. Nawet gdy procesor inferencyjny dostarcza d-Matrix, proponowany system może nadal wykorzystywać sieć NVLink, procesory, przełączniki, DPU, SuperNIC, Ethernet Spectrum-X oraz architekturę MGX Nvidii. 310

To wniosek wynikający z architektury rozwiązania, a nie ujawniona informacja o ekonomice umowy lub podziale przychodów. Firmy nie podały warunków finansowych porozumienia. 1

Miejsce d-Matrix w ekosystemie NVLink Fusion

Nvidia przedstawiła NVLink Fusion jako rozwiązanie dla półniestandardowej infrastruktury AI budowanej z partnerami. W pierwszej publicznej grupie partnerów znalazły się MediaTek, Marvell, Alchip Technologies, Astera Labs, Synopsys i Cadence. Nvidia informowała też, że dzięki tej platformie procesory Fujitsu i Qualcomm mogą być łączone z GPU Nvidii. 26

Dzięki d-Matrix model ten rozszerza się na XPU ukierunkowane na inferencję. Szersze znaczenie tej współpracy nie sprowadza się więc do jednego układu: wskazuje na bardziej modułowy model racka, w którym klienci mogliby łączyć własny krzem obliczeniowy z infrastrukturą połączeniową i sieciową Nvidii, zamiast wybierać między systemem w całości od Nvidii a zupełnie odrębną platformą.

Kontekst d-Matrix

d-Matrix zaprezentował akcelerator inferencyjny Corsair w listopadzie 2024 r. W listopadzie 2025 r. firma podała, że pozyskała 275 mln USD w rundzie Series C przy wycenie 2 mld USD, co podniosło łączną wartość finansowania do 450 mln USD; wśród inwestorów był M12, fundusz Microsoftu. 2839

Partnerstwo wokół Raptora jest więc próbą przejścia od modelu osobnego akceleratora inferencyjnego do wdrożeń w skali racka. To, czy deklarowane korzyści w opóźnieniach, pojemności i przepustowości przełożą się na produkcyjne wdrożenia, będzie zależało od finalnego krzemu, integracji oprogramowania i rzeczywistych benchmarków, gdy planowane systemy pojawią się w 2027 r.