基本資料
| 攤位 | T9404 |
| 國別 | US |
| 網站 | www.vellex.ai/about-us |
公司簡介
Vellex Computing 是由 Stanford 衍生、獲 U.S. National Science Foundation 與 Department of Energy 支持的類比半導體公司。公司以類比電路與 analog compute architecture 開發 AI 訓練技術，處理傳統數位運算以反覆暴力計算方式求解的最佳化問題。Vellex Computing 表示其架構相較傳統技術已展示 17,000x 加速，同時在毫瓦功耗等級運作。公司初期商業方向聚焦能源、industrial IoT、robotics 與 remote sensing 的 edge AI，希望讓部署中的裝置在不依賴雲端的情況下持續、安全且即時學習。公司並表示已有 active commercial pilots 與持續成長的 patent portfolio，以發展可調適、無雲端的工業智慧。Vellex Computing 也將其支持者描述為科學、運算與 deep tech 領域的機構。其技術目標是讓 edge 上的 on-device AI training 具備實用性，在毫瓦功耗下提供持續學習，目標應用包括 robotics、satellite systems 與 industrial IoT。2026年，Vellex Computing 表示在 InnoVEX 獲得兩項獎項，其中包括 InnoVEX Pitch Contest 的 Plug and Play Taiwan Award，並為來自8個國家15名決賽者中唯一獲得該獎者。公司亦表示在 2026 IC Taiwan Grand Challenge 中從56個國家590份提案中成為11家得獎者之一，獲得30,000美元獎金及進入台灣半導體生態系的機會。於 2026 Industry Growth Forum，Vellex Computing 被選為 AI track finalist，從273名申請者中入選，向近200名合計擁有16億美元可部署資本的投資者簡報。
展出產品
Vellex Computing 展示的 on-device AI training 平台以低於10 mW訓練 AI，並將其功耗描述為低於 Bluetooth radio，同時列出在 Stanford 與 Berkeley Lab benchmark 的 17,000x faster training。平台用途是直接在 edge hardware 上進行實際模型訓練，而非僅做 inference 或執行預訓練模型，硬體在毫瓦功耗下運作。公司表示，edge devices 可直接利用自身資料持續學習、即時適應環境變化，並在部署期間改善，不需要 cloud retraining、firmware update cycles，也不需要讓資料離開裝置。技術說明將 Adam、SGD 等以反覆 gradient steps 運作的最佳化器，與直接降低最佳化數學本身能源成本的方法對比，而不是單純追求更高處理器速度。Vellex Computing 的 physics-based approach 讓 analog physics 自然沉降至解答，取代數百萬次 calculate、check、repeat，從多步驟與瓦級功耗縮減為單一步驟與毫瓦級運作。公司把傳統 AI 訓練描述為暴力式最佳化迴圈，並將同一最佳化問題映射至物理系統，使其走向最低能量狀態，而該最低點對應最佳解。技術頁表示，模型訓練可在毫瓦功耗下於 microseconds 收斂，而不是耗時數小時並使用數百瓦。由此產生的 programmable analog IP block 被描述為可在毫瓦功耗與 nanosecond-scale speed 下產生 optimal model weights，並與標準 ARM 或 RISC-V cores 並行。整合方式上，Vellex Computing 將其 IP 定位為現有 AI development stack 的補充，ARM 或 RISC-V cores 繼續負責 inference、control logic、matrix multiplication 等功能，Vellex 則處理訓練核心的 iterative optimization。工程師可使用 PyTorch、JAX、TensorFlow 等標準 machine-learning frameworks，由 Code-to-Circuit compiler 自動將模型映射到 Vellex Core，因此不要求 analog design expertise。IP Core 以可授權 GDSII hard macro 形式提供，相容標準 semiconductor manufacturing processes，並設計為與 ARM、RISC-V cores 並列。衛星與 remote sensing 應用中，公司描述 on-orbit training 可更精準區分有價值場景與雜訊，只下傳重要資訊。無人機應用中，模型可隨任務改善，支援即時障礙避讓及針對快速變化地形的 adaptive search-and-rescue。工業機器人方面，平台用於讓機器人在運作中持續改善，以降低停機與錯誤，並處理工廠現場的 defects、false alarms 與 quality issues。wearables 與 hearables 可在資料不離開裝置的情況下本地訓練個人化語音與手勢模型；娛樂與 gaming 範例則包括 private mood-based playlists，以及會隨玩家調整的遊戲敵人。公司指出，現有 edge AI 的問題是 static models 無法隨真實環境變動而適應，效能下降時常被迫經歷蒐集資料、送雲端、重新訓練與推送更新的迴圈，可能耗時數小時到數天、每次成本數千美元，且在頻寬受限或資料不得離開裝置時無法執行。Vellex Computing 引用2030年全球 edge AI hardware 市場達590億美元的預估，並將 continuous on-device learning 對應到 satellite and remote sensing、industrial robotics、drones 與 wearable technology 等 cloud retraining 太慢、太昂貴或不可行的情境。
能力與產品項目
- mW級裝置端AI訓練
- 免雲端再訓練裝置端學習
- 類比電路AI訓練最佳化
- Code-to-Circuit模型轉電路編譯
- 可授權GDSII hard macro IP
- PyTorch/JAX/TensorFlow模型開發支援