350 萬歐元的種子輪融資

本輪種子融資由 瑞士深科技創投 Constructor Capital 與 Greencode Ventures 共同領投，既有投資者 XISTA Science Ventures 也持續支持，該公司曾協助創立並推動 Ora Computing 的發展 。

Ora Computing 由量子運算研究員 Stefan Sack 與 Raimel A. Medina 共同創立，他們是從 奧地利科學技術研究所 (ISTA) 拆分出來的 。該公司於 2025 年底走出隱身模式，並已與汽車及邊緣晶片領域的業者驗證其解決方案 。

壓縮軟體的運作原理

Ora 的軟體採用 基於資訊理論的方法，在推論階段壓縮大型 AI 基礎模型——也就是以數學方式重組模型結構，去除冗餘資訊，同時維持輸出品質 。公司及其投資者的主要主張包括：

• 體積縮小高達 80%：模型記憶體佔用大幅減少 。
• 推論速度提升高達 4 倍：壓縮後的模型在相同硬體上執行速度顯著提升 。
• 準確度損失僅 0–5%：壓縮與準確度之間的取捨極小 。
• 硬體無關：該軟體適用於不同晶片架構（CPU、GPU、邊緣晶片），無需自訂基礎設施或重新訓練 。
• 無需重新訓練：可直接導入標準推論框架 。
• 連續壓縮曲線：與傳統的「選擇壓縮等級」二進位工具不同，Ora 的演算法能連續繪製完整的體積-準確度取捨曲線，讓客戶可針對其硬體與成本限制進行最佳化 。
• 已於 700 億參數模型上驗證：公司表示，他們僅花費數小時、動用低於 1,000 美元的運算資源即可壓縮一個 700 億參數的模型，而業界常規做法通常耗費數十萬美元 。

成本、能源與碳排影響

由於壓縮後的模型需要較少的運算資源，Ora 表示其技術可直接轉化為更低的能耗與更少的碳排放 。該公司估計，若能達到 1% 的市場滲透率，其技術每年可減少超過 50,000 噸的二氧化碳排放 。

此一論點與業界共識相符：部署後的 AI 模型在其生命週期中，推論階段即佔用超過 90% 的能源消耗，因此壓縮技術是實現永續發展的有力工具 。2025 年發表於《PMC》的一項研究發現，對 BERT 規模的模型應用剪枝、蒸餾等壓縮技術，可在維持準確度高於 95% 的同時，減少 32–48% 的能耗 。然而，Ora 所提出的具體二氧化碳減排量，是基於特定基準滲透率所做的「推估」，並非實測結果 。

資金用途與商業規劃

Ora 已明確指出種子資金的三項主要用途 ：

1. 團隊擴編——擴大工程與商業團隊規模。
2. 擴展壓縮技術至更大的前沿模型——突破現有能力，壓縮下一代最先進的模型。
3. 推出商業產品——目標客戶為 雲端推論服務提供商 與 在邊緣端部署 AI 的企業（例如：汽車、工業設備領域）。

該公司官網目前已推出自動化的 LLM 壓縮服務，標榜能「在數小時而非數月內」，將模型部署至邊緣裝置、本地伺服器或雲端基礎設施，並宣稱可減少高達 70% 的記憶體佔用，以及降低超過 50% 的 GPU 費用 。

來源可靠性備註

本文主要依據 Greencode Ventures 官方網站發布的詳細公告 。其他業界媒體如 The Recursive 、IT Boltwise 、Vestbee 、tech.eu 及 Fundup.ai 的報導，均報告了相同的融資細節、壓縮數據與資金用途計劃，可相互佐證。截至目前，尚無獨立第三方驗證 Ora 所提出的具體二氧化碳減排量，該數據在公司公告中亦被標註為推估值而非實測結果。

350 萬歐元的種子輪融資

本輪種子融資由 瑞士深科技創投 Constructor Capital 與 Greencode Ventures 共同領投，既有投資者 XISTA Science Ventures 也持續支持，該公司曾協助創立並推動 Ora Computing 的發展 。

Ora Computing 由量子運算研究員 Stefan Sack 與 Raimel A. Medina 共同創立，他們是從 奧地利科學技術研究所 (ISTA) 拆分出來的 。該公司於 2025 年底走出隱身模式，並已與汽車及邊緣晶片領域的業者驗證其解決方案 。

壓縮軟體的運作原理

Ora 的軟體採用 基於資訊理論的方法，在推論階段壓縮大型 AI 基礎模型——也就是以數學方式重組模型結構，去除冗餘資訊，同時維持輸出品質 。公司及其投資者的主要主張包括：

• 體積縮小高達 80%：模型記憶體佔用大幅減少 。
• 推論速度提升高達 4 倍：壓縮後的模型在相同硬體上執行速度顯著提升 。
• 準確度損失僅 0–5%：壓縮與準確度之間的取捨極小 。
• 硬體無關：該軟體適用於不同晶片架構（CPU、GPU、邊緣晶片），無需自訂基礎設施或重新訓練 。
• 無需重新訓練：可直接導入標準推論框架 。
• 連續壓縮曲線：與傳統的「選擇壓縮等級」二進位工具不同，Ora 的演算法能連續繪製完整的體積-準確度取捨曲線，讓客戶可針對其硬體與成本限制進行最佳化 。
• 已於 700 億參數模型上驗證：公司表示，他們僅花費數小時、動用低於 1,000 美元的運算資源即可壓縮一個 700 億參數的模型，而業界常規做法通常耗費數十萬美元 。

成本、能源與碳排影響

由於壓縮後的模型需要較少的運算資源，Ora 表示其技術可直接轉化為更低的能耗與更少的碳排放 。該公司估計，若能達到 1% 的市場滲透率，其技術每年可減少超過 50,000 噸的二氧化碳排放 。

此一論點與業界共識相符：部署後的 AI 模型在其生命週期中，推論階段即佔用超過 90% 的能源消耗，因此壓縮技術是實現永續發展的有力工具 。2025 年發表於《PMC》的一項研究發現，對 BERT 規模的模型應用剪枝、蒸餾等壓縮技術，可在維持準確度高於 95% 的同時，減少 32–48% 的能耗 。然而，Ora 所提出的具體二氧化碳減排量，是基於特定基準滲透率所做的「推估」，並非實測結果 。

資金用途與商業規劃

Ora 已明確指出種子資金的三項主要用途 ：

1. 團隊擴編——擴大工程與商業團隊規模。
2. 擴展壓縮技術至更大的前沿模型——突破現有能力，壓縮下一代最先進的模型。
3. 推出商業產品——目標客戶為 雲端推論服務提供商 與 在邊緣端部署 AI 的企業（例如：汽車、工業設備領域）。

該公司官網目前已推出自動化的 LLM 壓縮服務，標榜能「在數小時而非數月內」，將模型部署至邊緣裝置、本地伺服器或雲端基礎設施，並宣稱可減少高達 70% 的記憶體佔用，以及降低超過 50% 的 GPU 費用 。

來源可靠性備註

本文主要依據 Greencode Ventures 官方網站發布的詳細公告 。其他業界媒體如 The Recursive 、IT Boltwise 、Vestbee 、tech.eu 及 Fundup.ai 的報導，均報告了相同的融資細節、壓縮數據與資金用途計劃，可相互佐證。截至目前，尚無獨立第三方驗證 Ora 所提出的具體二氧化碳減排量，該數據在公司公告中亦被標註為推估值而非實測結果。