总部位于旧金山的 Alembic Technologies 宣布完成 1.45 亿美元 B 轮及增长轮融资，公司估值较上一轮提升 15 倍，达到约 6.45 亿美元。此次融资由 Prysm Capital 与埃森哲（Accenture）领投，Silver Lake Waterman、Liquid 2 Ventures 等机构跟投。与行业内多数企业聚焦大语言模型性能提升不同，Alembic 另辟蹊径，将核心竞争力锁定在 “专有数据 + 因果推理”，并计划将大量资金用于部署自研的英伟达 NVL72 superPOD 超级计算机 —— 该设备被宣称是全球最快的私有超算之一，将为其企业级因果 AI 模型提供强大算力支撑，助力企业解决传统 AI 无法回答的 “因果关系” 决策难题。
Alembic 的发展历程充满戏剧性转折。2024 年初完成 A 轮融资时，公司估值仅约 5000 万美元，核心业务还局限于营销效果测量的信号处理与相关性分析，彼时 “因果 AI” 尚未进入其技术版图。由于资金匮乏，团队甚至无法开展模拟测试验证因果模型的可行性，初期只能依靠 “大量 Mac Pro 电脑” 运行基础实验。转折点出现在 A 轮融资后，充足的资金让团队得以验证技术假设，意外发现其因果模型不仅适用于营销分析，还能适配几乎所有含时间序列数据的业务领域 —— 从供应链优化到财务预测，从销售归因到运营效率提升。这一突破彻底改变了公司定位，使其从 “营销技术供应商” 转型为 “全行业企业中枢神经系统构建者”，能够为客户提供跨业务线的因果推理解决方案。
因果 AI 与传统相关性 AI 的本质区别，是 Alembic 吸引企业客户的核心。传统 BI 工具或 AI 系统只能识别 “相关性”，例如发现 “社交媒体互动量与销售额上升同时出现”，却无法判断二者是否存在因果关系，更无法排除 “第三方因素（如 viral 新闻事件）同时驱动两者” 的可能性。而 Alembic 的因果 AI 能精准定位 “因果链路”，直接回答 “某项投入是否真正导致业务结果”，这对企业预算分配、战略决策至关重要。以达美航空（Delta Air Lines）为例，其通过 Alembic 的平台，在 Team USA 奥运会赞助活动激活后数天内，就量化出该赞助带来的营收增长，并直接关联到机票销量提升 —— 这一 “实时因果归因” 能力，是传统营销测量工具（如仅能提供 “品牌认知度” 等模糊指标）无法实现的。同样，玛氏食品（Mars）利用该平台测量 “主题促销中糖果形状改变对销量的影响”，金融服务公司则通过其分析 “CEO 公开露面、联合营销支出与资金流入的因果关系”，这些 “可量化因果” 的需求，正是大企业愿意为 Alembic 付费的关键。
为支撑因果 AI 的算力需求，Alembic 不惜突破硬件极限，最终建成专属超级计算机。其部署的英伟达 NVL72 superPOD 超算采用液冷技术，搭载英伟达最新 Blackwell 架构 GPU，与数据中心运营商 Equinix 合作部署于美国加州圣何塞。据 Alembic 创始人兼 CEO Tomás Puig 透露，英伟达告知该公司是全球唯一非财富 500 强企业运营此类超算的机构。这一决策源于双重考量：一方面，因果 AI 的计算需求远超传统模型 —— 其系统需实时处理企业私有数据，自动生成数十亿种数据组合方式测试因果信号，这种 “暴力枚举 + 精准筛选” 的运算模式，需要 “F1 赛车级” 的基础设施，而非云服务商提供的 “量产保时捷级” 通用算力；另一方面，企业数据主权需求迫使 Alembic 放弃公有云 —— 许多客户（尤其是快消、金融行业）合同明确禁止将敏感数据存储于 AWS、Azure 等公有云平台，例如快消企业担心亚马逊利用其数据优化自有零售业务，银行则受法规限制无法使用公有云。自建超算不仅解决了算力问题，更成为吸引 “数据敏感型客户” 的竞争壁垒。
值得一提的是，Alembic 与英伟达的合作堪称 “技术互补、互相成就” 的典范。二者的合作始于 2024 年初 Alembic 发布 A 轮融资新闻后 —— 英伟达 CEO 黄仁勋（Jensen Huang）看到相关报道后，指示团队主动接触，最终通过 LinkedIn 建立联系（当时 Alembic 官网甚至没有联系表单）。初期合作曾因算力不足险些中断：Alembic 用 Mac Pro 为英伟达完成首次因果分析耗时数周，而英伟达希望每周获取报告，团队坦诚 “需 GPU 但无法获取”。关键时刻，英伟达直接介入协调：为 Alembic 在弗吉尼亚州 Equinix 数据中心争取到专用机房与充足电力，协助其获取首批 H100 GPU 集群，才让合作得以延续。后续合作中，Alembic 还曾因 “过度压榨 GPU 性能导致硬件损坏”—— 极端工作负载使 GPU 突破热极限，甚至出现电路板开裂，这一 “意外” 反而加速了其接入英伟达下一代液冷系统的进程（英伟达因频繁处理保修服务 “感到困扰”，最终为其开通液冷设备绿色通道）。如今，Alembic 深度整合英伟达 AI Enterprise 软件套件，包括 cuGraph 图处理库、TensorRT 高速推理工具，实现 “多百亿亿次（exaflop 级）算力” 与算法栈的协同，让研发团队能聚焦因果数学突破，而非基础工程优化。
在商业化落地中，Alembic 已积累达美航空、玛氏、英伟达等知名客户，覆盖快消、航空、金融、科技等多个领域，且用户多为企业高管而非基层员工 —— 这意味着其解决方案直接影响 “数百万美元级决策”。例如某财富 500 强科技公司通过其归因模型将销售漏斗扩大 37%，某金融服务公司首次实现 “CEO 公开活动与资金流入的直接因果关联”。Puig 强调，平台能以 95% 的置信度预测未来两年的营收、成交率、客户获取量，彻底改变企业 “凭经验估算大型投入（如体育场冠名权、重大赞助）价值” 的现状，实现 “数天内实时量化业务影响”。
Alembic 的竞争壁垒难以被谷歌、Meta、尼尔森（Nielsen）等巨头复制，主要依赖四大优势：一是 “专利保护的专有数学方法”，因果模型的核心算法需从零重建，无公开论文或通用框架可借鉴；二是 “极高的算力门槛”，其超算的等效公有云成本高达每年 6200 万美元，远超多数企业的承受能力；三是 “数据主权适配能力”，作为中立第三方，其私有超算能满足 “禁止使用特定公有云” 的客户需求，而谷歌、亚马逊等云服务商因 “潜在竞争关系” 难以获得这类客户信任；四是 “处理杂乱数据的工程积累”，公司前 5 年专注于构建 “信号处理器”，为后续因果 AI 处理企业碎片化、非结构化数据奠定基础，这种 “技术沉淀” 无法速成。
此次融资后，Alembic 计划进一步拓展因果 AI 的应用边界：在机器人领域试点 “因果模型辅助自主系统理解动作 – 结果关系”，推出独立的 GPU 加速数据库产品，并持续强化 “跨业务线因果推理” 能力。Puig 将公司的战略比喻为 “量化对冲基金”—— 正如文艺复兴科技（Renaissance Technologies）通过专属数学模型获得超越通用 AI 的交易优势，Alembic 希望通过因果 AI，让客户在 “人人都能用通用大模型” 的时代，凭借 “私有数据的因果洞察” 获得独特竞争力。他用一个生动案例解释核心价值：“若两家快消公司都问 ChatGPT‘如何提升东北部市场份额’，得到的答案必然相同；但用 Alembic 的因果 AI，它们能基于自身私有数据，得到‘针对自身供应链、客户群体的专属因果策略’—— 这才是无法被竞争对手复制的优势。”
尽管挑战依然存在 —— 企业级销售周期长、系统集成复杂、因果 AI 技术普及可能导致竞争加剧，但 Alembic 已凭借 “独特技术定位 + 专有算力 + 高价值客户验证”，在 “相关性 AI 泛滥” 的市场中开辟出 “因果决策” 的新赛道。其成功印证了 AI 行业的一个新趋势：当通用大模型性能趋同时，“解决特定领域因果问题” 的专用 AI，将成为企业数字化转型的下一个关键突破口。
原创文章，作者：王 浩然，如若转载，请注明出处：https://www.dian8dian.com/alembic-shen-geng-yin-guo-ai-ling-yu-tu-po-gpu-ji-xian-jian
