当一家AI公司决定不再把推理负载默认交给某一家芯片厂商的软件栈时,它首先遇到的往往不是硬件性能问题,而是一连串更琐碎的问题:现有模型代码能否在新加速器上跑起来、由谁来移植、移植后如何验证结果没有悄悄变差、下一次模型升级时又由谁来重新调优。这个链条在过去几年里被反复压缩成一句话——软件跟不上芯片。2026年11月16日,德国达姆施塔特的Daisytuner宣布完成600万欧元种子轮融资,并同步发布推理引擎Daisyflow。它试图切入的正是这条介于模型代码与异构芯片之间的缝隙。

本轮融资由欧洲风投Elaia与LEA Ventures共同领投,Amadeus APEX Technology Fund和Seedcamp参投。与融资消息同时发布的Daisyflow被公司通稿描述为一款生产可用的AI推理引擎,支持语言、视觉、语音和推荐模型,并可部署在客户自有基础设施内。Daisytuner的核心主张不是制造新芯片,也不是训练新模型,而是让同一套模型代码在不同芯片上以更接近其硬件上限的方式运行。

字段 内容
公司 Daisytuner
轮次 种子轮
金额 600万欧元
投资方 Elaia、LEA Ventures、Amadeus APEX Technology Fund、Seedcamp
总部 德国达姆施塔特
创始人 Lukas Trümper、Adrian Schmitz
官网 未披露

把性能工程从少数实验室的手工活变成可复用流程

Daisytuner成立于2024年,创始人为Lukas Trümper和Adrian Schmitz。据EU-Startups报道,团队研究背景来自苏黎世联邦理工、慕尼黑工大、亚琛工大、达姆施塔特工大以及劳伦斯利弗莫尔国家实验室。公司通稿称,其技术路线是把自学习编译器与优化平台配对,以自动化方式完成AI模型的性能工程。

这一表述需要放在真实的产业链约束中理解。传统上,让一个模型在特定芯片上跑得快,依赖的是少数前沿实验室里的手工调优:工程师需要理解模型的计算图、目标芯片的内存层级和指令特性,再反复试验算子融合、内存布局、并行策略等。每出现一款新芯片或一个新模型版本,先前积累的优化都可能部分失效。Daisytuner试图改变的是这个手工循环。其开源编译器DOCC将PyTorch、NumPy、C/C++代码转换为数据流中间表示,再为NVIDIA CUDA、AMD ROCm以及新架构生成原生代码。公司通稿称,AI智能体会在真实硬件上测试优化,验证结果存入性能数据库,并在后续编译中复用于相似代码。

从已披露的技术路径看,这种设计的价值不在于某一次优化的绝对性能,而在于把优化结果变成可积累、可查询的资产。但这里也存在一个尚未被公开数据覆盖的边界:性能数据库的实际规模、优化配方在不同模型间的迁移成功率、以及AI智能体在多大程度上能够替代资深编译器工程师的判断,本次来源均未披露。DOCC的PyTorch前端仅支持推理、不支持训练,这意味着其当前验证范围被限制在推理链路,而非完整的模型开发周期。

Daisyflow的18%性能对比,放在什么口径下才成立

公司通稿称,Daisyflow在AMD Instinct GPU上运行Qwen 2.5,比vLLM快至多18%。这是本轮发布中唯一公开的具体性能数字,也是Daisyflow与行业标准推理引擎之间最直接的对比。该数字来自公司单方声明,尚无独立第三方验证。

“快至多18%”是一个需要拆解的表述。它没有说明测试使用的具体GPU型号、批大小、序列长度、量化精度、并发请求数或延迟与吞吐的权衡方式。vLLM作为对比基准,其自身也在持续迭代,不同版本、不同配置下的性能差异可能相当显著。因此,18%不能直接理解为Daisyflow在所有AMD Instinct环境、所有推理负载下都具备的稳定优势。更合理的读法是:在某个未公开的测试配置下,Daisyflow在Qwen 2.5这一特定模型上取得了相对vLLM的最高性能提升。

这并不意味着该数字没有信息量。它至少表明Daisytuner已经在AMD硬件上完成了从编译器到推理引擎的端到端验证,而不是停留在代码生成层面的演示。对于一家种子轮公司而言,能够在非NVIDIA平台上拿出与vLLM可比的性能数据,本身就是其技术路线的一次现实检验。但从投资逻辑看,这个单一数据点距离证明“跨芯片性能工程平台”的普遍有效性还有明显距离。

跨芯片软件层的机会,与NVIDIA生态的引力同时存在

Daisytuner所处的市场位置,与AI算力供给结构的变化直接相关。一方面,AI公司和超大规模云厂商正在从单纯增加算力转向优化现有基础设施;另一方面,AMD、Intel、Tenstorrent以及多家自研芯片厂商都在试图扩大推理市场的份额。这些厂商的硬件即使具备理论算力优势,也常常因为软件生态不成熟而难以进入生产环境。

Elaia合伙人Sébastien Lefebvre在投资声明中称:“计算是AI中最稀缺的资源,而目前大部分计算都困在单一供应商的软件栈后面。Daisytuner让你选择的芯片无需重写代码就能全速运行。”这段引语明确表达了投资方对跨芯片软件层的判断。但需要区分的是,这是投资人的市场判断,而非已被验证的公司能力。Daisytuner能否成为那个“让每块芯片全速运行”的软件层,仍取决于其产品在真实客户环境中的表现。

与vLLM的对比本身就说明了竞争格局的复杂性。vLLM是开源社区中广泛使用的推理引擎,拥有庞大的贡献者群体和成熟的模型支持矩阵。Daisytuner的差异化不在于重新发明推理服务,而在于把编译器层面的跨芯片优化与推理服务结合起来。Daisyflow兼容OpenAI API,并附带聊天界面,这降低了工程团队的接入成本。但其长期竞争壁垒,仍取决于DOCC能否在更多芯片架构上持续产生可验证的性能优势。

商业模式:卖软件层,也卖持续调优的参与感

公司通稿称,Daisyflow可部署在客户自有基础设施中。Daisytuner会评估工作负载、硬件和成本,安装系统,将模型移植到选定加速器,并持续参与系统运行和调优。目标客户包括拥有混合硬件集群的云服务提供商、希望掌控数据和执行过程的企业,以及寻求加快生产环境集成的硬件厂商。

这种模式与单纯的软件授权或开源订阅有本质区别。它更接近一种“性能工程即服务”:客户购买的不仅是推理引擎,还包括持续的移植和调优工作。对于拥有混合硬件集群的云厂商而言,这意味着他们可以在不扩大内部编译器团队的情况下,尝试把部分负载从单一芯片平台迁移出去。对于硬件厂商而言,Daisytuner的角色类似于帮助其加速器更快进入生产环境的软件适配层。

但这种模式也带来一个直接问题:收入结构与人力成本的关系。如果每个客户都需要Daisytuner团队持续参与调优,那么业务的规模化将受到工程团队扩张速度的制约。公司通稿称,新资金将用于扩大Daisyflow的企业覆盖、扩充工程团队,并扩展编译器对新兴芯片架构的支持。这印证了人力投入在其商业模式中的核心地位。种子轮600万欧元能够支撑多大的工程团队和多少个并行客户项目,公司未披露。

600万欧元种子轮,买的是验证路径而非规模

从资本结构看,本轮由Elaia和LEA Ventures共同领投,Amadeus APEX Technology Fund和Seedcamp参投。四家机构中既有欧洲深科技早期基金,也有覆盖多阶段的科技基金。这种组合在德国深科技种子轮中并不罕见,但领投方Elaia的公开表态值得注意:其合伙人把Daisytuner的编译器技术描述为“世界级”,并将其与“整个行业需要”的瓶颈移除联系起来。

投资逻辑的核心假设是:AI推理负载将从单一芯片平台向多芯片平台扩散,而跨芯片软件层将成为这一过程中的稀缺能力。这个假设有现实基础,但并非没有风险。NVIDIA的CUDA生态仍然具有强大的锁定效应,许多企业即使对单一供应商依赖感到不安,也未必愿意承担迁移成本。Daisytuner的价值主张只有在客户确实拥有混合硬件集群、且性能优化收益足以覆盖迁移成本时才成立。

从上述资金用途看,这更像是一轮验证性融资:验证Daisyflow能否从AMD上的单一性能数据点,扩展到更多模型类型、更多加速器供应商和更多客户环境。公司通稿也明确承认,核心挑战在于覆盖范围——将早期在AMD硬件上的性能成果推广至Daisyflow旨在支持的各类模型、加速器供应商和客户环境。

未披露的客户、收入与验证边界

本次公开信息中,Daisytuner没有披露任何已签约客户名称、付费合同金额、收入规模或部署节点数量。公司通稿提到的目标客户是三类:拥有混合硬件集群的云服务提供商、希望掌控数据和执行过程的企业,以及寻求加快生产环境集成的硬件厂商。但“目标客户”与“实际客户”之间存在关键差异,本次来源未提供任何证据表明Daisyflow已经被其中任何一类客户用于生产环境。

创始人Lukas Trümper在通稿中称:“我们正在与芯片厂商、欧洲超大规模云厂商和企业合作,改变这一现状,让每块芯片全速运行,新芯片一到货就能投入生产。”这是公司单方声明,尚无独立第三方验证。它表明Daisytuner至少在与某些潜在客户接触,但接触阶段、合作深度和商业承诺均未披露。

对于一家种子轮公司,缺乏客户披露本身并不异常。但结合其商业模式中“持续参与系统运行和调优”的特点,客户验证的含金量比一般SaaS产品更高。一个真正在生产环境中运行Daisyflow的混合硬件集群客户,其价值远超多个概念验证项目。因此,Daisytuner下一阶段最值得观察的信号,不是新的性能基准数字,而是是否出现可公开确认的生产部署案例。

待验证假设:从AMD上的一个模型到跨芯片的通用承诺

Daisytuner的故事建立在一个清晰的逻辑链上:芯片多样化正在发生;软件是瓶颈;自动化编译器加性能数据库可以降低跨芯片优化的边际成本;Daisyflow把这种能力产品化。这条逻辑链的每一环都有现实依据,但每一环也都存在尚未闭合的缺口。

从已披露的DOCC技术路线看,其数据流中间表示的设计确实面向多后端代码生成,这在编译器层面是一个合理的选择。但“支持NVIDIA CUDA、AMD ROCm及新架构”的表述,与“在每个架构上都达到全速运行”的承诺之间,隔着大量未被公开的工程验证。Daisyflow产品页面列出的可选加速器包括NVIDIA、AMD、Intel和Tenstorrent,但公司通稿中唯一的具体性能数据只涉及AMD Instinct GPU上的Qwen 2.5。这意味着,在其他芯片和模型组合上的实际表现,仍属于待验证假设。

另一个待验证假设是AI智能体驱动的优化循环能否持续产生增量价值。性能数据库的价值取决于其覆盖的代码模式广度和优化配方的可迁移性。如果每次遇到新模型或新芯片都需要大量人工介入,那么“自学习”的承诺就会退化为传统性能工程的自动化外壳。本次来源没有提供性能数据库的规模、优化配方的数量或AI智能体独立完成优化任务的比例,因此无法判断这一循环的自动化程度。

从竞争角度看,Daisytuner面临的不仅是vLLM这类开源推理引擎,还包括芯片厂商自身的软件栈投入。AMD在ROCm上的持续投入、Intel对oneAPI的推进、以及各家自研芯片公司对编译器团队的扩张,都在试图解决同样的软件瓶颈。Daisytuner的独立价值在于其跨芯片的中立性,但这种中立性能否转化为商业优势,取决于芯片厂商是否愿意让第三方软件层成为其生态的一部分,而不是自己包揽从编译器到推理引擎的整条链路。

600万欧元种子轮为Daisytuner提供了一段验证窗口,但这个窗口并不宽裕。公司需要在资金耗尽前证明:Daisyflow在AMD上取得的性能优势可以复制到其他芯片平台;其商业模式能够产生可重复的收入;并且至少有一个客户愿意把生产负载托付给这个2024年才成立的团队。这些问题的答案,将决定Daisytuner是成为跨芯片推理软件层的早期定义者,还是又一个在芯片生态夹缝中艰难寻找位置的基础设施创业公司。

RecodeX 极客视:Daisytuner的真正赌注不是18%的性能提升,而是AI推理负载从单一芯片软件栈向多芯片软件层迁移的不可逆趋势。如果这个趋势成立,编译器层面的跨芯片能力将成为比任何单一推理引擎更稀缺的资产;如果CUDA生态的引力继续压倒迁移成本,那么再优雅的中间表示也只能停留在开源仓库里。种子轮买的是验证路径,而验证的终点不是基准数字,是客户是否愿意把生产流量交出来。

信息来源

本文在采集与核验阶段引用了以下公开来源,按站点去重列出;来源内容归原发布方所有,其口径不代表 RecodeX 的核实结论。