2021年3月1日,中国北京-北京忆恒创源科技有限公司(Memblaze)今天宣布完成数亿元E轮融资。此次E轮融资,由超越摩尔基金、招银国际旗下长江招银基金联合领投,CPE、国新国同、优山资本、卓珏资本以及信益资本跟投。
随着数字经济的发展,各行各业都在积极推进数字产业化、产业数字化,同时,5G网络、数据中心等新型基础设施建设也飞速发展,数据洪流时代已然到来。SSD产品作为算力的重要支撑,正在产业链中扮演着越来越重要的角色。Memblaze深耕企业级SSD市场10年,始终致力于自主研发,在固件算法领域积累了丰富的经验,并且在SSD 产品前端、闪存管理与访问、操作系统及测试、存储软件以及硬件设计等方面取得了多项国内国际专利技术。
Memblaze推出的 PBlaze 系列企业级 SSD产品已经在数据库、虚拟化、云计算、大数据等领域广泛应用,为互联网、云服务、金融、电信等行业超过 800 家企业提供稳定可靠的高速存储产品。
Memblaze 董事长兼总裁唐志波表示:“此次E轮融资,将进一步加速Memblaze在智能化应用场景数据存储与处理的布局,满足市场对SSD产品多元化的应用需求。”Memblaze CEO张泰乐也指出:“Memblaze将依靠深厚的技术积累及深入的用户洞察,不断创新,为国内SSD市场注入全新的活力。”
超越摩尔基金表示:“过去10年,Memblaze的产品已经获得了市场的高度认可,这让我们坚定了投资Memblaze的决心。我们希望与Memblaze一起,推动存储产业的快速发展。”
长江招银基金表示:“Memblaze在企业级SSD产品领域的创新以及稳定可靠的产品令人印象深刻。我们期待与Memblaze的合作进一步激发创新,推动存储技术不断进步。”
CPE投资负责人表示:“Memblaze在国内市场已经积累了大量的应用实践,并赢得了客户的高度认可,我们期待与Memblaze一起,为数字经济贡献一份力量。”
关于忆恒创源
北京忆恒创源科技有限公司(Memblaze)是国内企业级 NVMe SSD 产品提供商,2011 年成立于北京。Memblaze 推出的 PBlaze 系列企业级 SSD 已经在数据库、虚拟化、云计算、大数据、人工智能等领域广泛应用,为互联网、云服务、金融、电信等行业超过 800 家企业提供稳定可靠的高速存储解决方案。更多详细信息,敬请浏览www.memblaze.com。
关于超越摩尔基金
超越摩尔基金是一家专业的半导体产业投资机构,目标是培育半导体超越摩尔领域产业生态,目前已布局传感器、模拟电路、MEMS、光电子等方向多家知名企业。基金将根据企业实际需求利用产业背景为其调动上下游资源,支持和培育企业快速发展。
关于长江招银
湖北长江招银产业基金管理有限公司是招银国际的全资附属机构,其管理的湖北长江招银产业基金是招银国际与湖北省政府合作成立的市场化产业基金。基金已在医疗、新能源、智能制造等高新技术领域做出重大战略布局,落子多个项目,后续也将以资本为纽带继续助力高科技企业快速发展。
关于CPE
CPE是一家市场化独立运作的资产管理机构,系中国领先的资产管理机构之一,专注于挖掘与中国国民经济增长相关的中国与国际投资机会。公司秉持长期投资策略和“以专业创造价值”的基本理念,专注于科技与工业、消费与互联网、软件与企业服务、医疗与健康、不动产等重点投资领域。公司致力与被投企业建立长期合作伙伴关系,助力被投企业的可持续发展,与此同时,推动被投企业所处行业及社会的整体发展。
好文章,需要你的鼓励
OpenAI CEO描绘了AI温和变革人类生活的愿景,但现实可能更复杂。AI发展将带来真正收益,但也会造成社会错位。随着AI系统日益影响知识获取和信念形成,共同认知基础面临分裂风险。个性化算法加剧信息茧房,民主对话变得困难。我们需要学会在认知群岛化的新地形中智慧生存,建立基于共同责任而非意识形态纯洁性的社区。
杜克大学等机构研究团队通过三种互补方法分析了大语言模型推理过程,发现存在"思维锚点"现象——某些关键句子对整个推理过程具有决定性影响。研究表明,计划生成和错误检查等高层次句子比具体计算步骤更重要,推理模型还进化出专门的注意力机制来跟踪这些关键节点。该发现为AI可解释性和安全性研究提供了新工具和视角。
传统数据中心基础设施虽然对企业至关重要,但也是预算和房地产的重大负担。模块化数据中心正成为强有力的替代方案,解决企业面临的运营、财务和环境复杂性问题。这种模块化方法在印度日益流行,有助于解决环境问题、满足人工智能的电力需求、降低成本并支持新一代分布式应用。相比传统建设需要数年时间,工厂预制的模块化数据中心基础设施可在数周内部署完成。
法国索邦大学团队开发出智能医学文献管理系统Biomed-Enriched,通过AI自动从PubMed数据库中识别和提取高质量临床案例及教育内容。该系统采用两步注释策略,先用大型AI模型评估40万段落质量,再训练小型模型处理全库1.33亿段落。实验显示该方法仅用三分之一训练数据即可达到传统方法效果,为医学AI发展提供了高效可持续的解决方案。