基本情報
| ブース | T9404 |
| 国 | US |
| ウェブサイト | www.vellex.ai/about-us |
会社概要
Vellex Computing は Stanford からのスピンアウトで、U.S. National Science Foundation と Department of Energy の支援を受けるアナログ半導体企業です。同社はアナログ回路と analog compute architecture を用いた AI トレーニング技術を開発し、従来のデジタル計算が反復的な総当たり計算で解く最適化問題に取り組んでいます。Vellex Computing は、このアーキテクチャが従来手法に対して 17,000x の高速化を実証しながら、ミリワット級の電力で動作するとしています。初期の商用展開は energy、industrial IoT、robotics、remote sensing の edge AI を対象とし、クラウドに依存せず、配備されたデバイスが継続的かつ安全にリアルタイム学習できることを目指しています。同社は active commercial pilots と拡大中の patent portfolio も報告し、適応型で cloud-free な industrial intelligence を開発しています。また、支援者を science、computing、deep tech 分野の機関として紹介しています。技術目標は、edge での on-device AI training を実用化し、ミリワット電力で継続学習を実現することで、対象用途には robotics、satellite systems、industrial IoT が含まれます。2026年、Vellex Computing は InnoVEX で2つの賞を獲得し、そのうち InnoVEX Pitch Contest の Plug and Play Taiwan Award では8か国15組のファイナリスト中の唯一の受賞者だったと報告しました。同社は 2026 IC Taiwan Grand Challenge でも56か国590件の提案から選ばれた11社の受賞者の1社となり、30,000ドルの賞金と台湾の半導体エコシステムへのアクセスを得たとしています。2026 Industry Growth Forum では、273件の応募から AI track finalist に選ばれ、合計16億ドルの投資可能資金を持つ約200人の投資家の前でピッチする機会を得ました。
展示製品
Vellex Computing の on-device AI training プラットフォームは、10 mW 未満で AI をトレーニングする設計で、Bluetooth radio より低い電力として説明され、Stanford と Berkeley Lab で benchmark された 17,000x faster training も掲げています。このプラットフォームは inference や事前学習済みモデルの実行だけではなく、ミリワット電力で動く edge hardware 上で実際のモデル training を行うものです。同社によれば、edge devices は自分自身のデータから継続学習し、変化する条件へリアルタイムに適応し、cloud retraining、firmware update cycles、データの外部送信なしに配備期間中も改善できます。技術説明では、Adam や SGD など反復的 gradient steps に依存する現在の optimizer と、プロセッサ速度を追うのではなく最適化計算そのもののエネルギーコストを解くアプローチを対比しています。physics-based approach では analog physics が自然に解へ収束し、数百万回の calculate、check、repeat を置き換え、多段階かつワット級の処理を one step と milliwatts に縮小します。Vellex Computing は従来の AI training を brute-force optimization loop と説明し、同じ最適化を物理系に写像して、その系が最小エネルギー状態へ収束することで最適解を得る構成を示しています。技術ページでは、model training が数百ワットで数時間かかる代わりに、ミリワット電力で microseconds に収束できるとしています。生成される programmable analog IP block は、milliwatt power と nanosecond-scale speed で optimal model weights を出し、標準 ARM または RISC-V cores の横で動作すると説明されています。統合面では、Vellex Computing の IP は既存の AI development stack を置き換えるのではなく補完し、ARM や RISC-V cores が inference、control logic、matrix multiplication などを担当し、Vellex が training の中心にある iterative optimization を処理します。エンジニアは PyTorch、JAX、TensorFlow など標準 machine-learning frameworks を使い、Code-to-Circuit compiler がモデルを Vellex Core に自動マッピングするため analog design expertise は不要です。IP Core はライセンス可能な GDSII hard macro として提供され、標準 semiconductor manufacturing processes に対応し、ARM と RISC-V cores の隣に配置できるよう設計されています。satellite と remote sensing では、on-orbit training により価値のある scene と noise を高精度に分け、必要な情報だけを downlink する用途を説明しています。drones では、mission ごとにモデルを改善し、リアルタイム障害物回避と変化の速い地形での adaptive search-and-rescue を支援します。industrial robotics では、稼働中に robot が改善することで downtime と mistakes を減らし、工場での defects、false alarms、quality issues を抑える用途を示しています。wearables と hearables では、データを device 外へ出さずに personalized voice and gesture models をローカル学習し、entertainment と gaming では private mood-based playlists や player に応じて適応する game enemies を例示しています。同社が挙げる現行 edge AI の課題は、static models が現実条件の変化に適応できず、性能低下時に data collection、cloud 送信、retraining、update 配信というループが必要になることです。このループは hours to days を要し、1サイクル数千ドルかかる場合があり、bandwidth 制約やデータを device 外に出せない環境では実行できません。Vellex Computing は 2030年に世界の edge AI hardware 市場が590億ドルへ達するとの予測を挙げ、cloud retraining が遅すぎる、高すぎる、または利用できない satellite and remote sensing、industrial robotics、drones、wearable technology に continuous on-device learning を位置付けています。
対応領域・製品
- mW級オンデバイスAI学習
- クラウド再学習不要のオンデバイス学習
- アナログ回路AI学習最適化
- Code-to-Circuitモデル回路変換コンパイル
- ライセンス可能GDSII hard macro IP
- PyTorch/JAX/TensorFlowモデル開発対応