Sa WAIC 2026, ang Singaporean AI Infra company na Acrab ay ipinakilala ang Agent Box at ang GΞLIX 1 chip, na naglalayong magbigay ng computational foundation para sa edge-side Agentic AI. Sa pagkakaiba sa tradisyonal na AI chip, ang GΞLIX 1 ay nagtataglay ng heterogenous collaboration sa pagitan ng CPU at NPU, unified memory architecture, at prefilled optimization, na nag-aalok ng 700 TOPS na computing power at 273GB/s na memory bandwidth. Sa pananaw ni CEO Ken Phua, pumasok na ang AI sa panahon ng heterogenous computing, at bumalik na ang CPU sa sentro, na may kabuuang pagsasapalaran na higit sa $350 milyon para sa Acrab. Ang edge-side AI ay nagbabago mula sa “paggana ng isang model” patungo sa “pangmatagalang paggana ng isang intelligent system,” at ang totoong kompetisyon ay nasa buong integrasyon ng chip, software stack, at Agent ecosystem.May-akda ng artikulo, pinagkunan: XinZhiYuan
Ano ang dapat na maging computing foundation para sa Agentic AI?
Ilang araw na ang nakalipas, ang isa sa pinakamalalim na konsepto sa WAIC 2026—ang Agent Computer—ay nagsimulang maging isang tunay na inhinyeriya problem, mula sa kahusayan ng mga booth.
Ang pagpapatakbo ng isang malaking modelo sa isang lokal na device ay hindi na ang pinakamahirap na bahagi. Mas mahirap ang pagpapanatili ng katatagan ng chip sa ilalim ng mga limitasyon sa pagkakasunog ng enerhiya, latency, at gastos, kapag ang Agent ay kailangang magbasa nang patuloy ng mga file, panatilihin ang memorya, gamitin ang mga tool, at mag-run nang matagal sa background.
Magbabago ito ng paraan ng pag-evaluate ng mga chip sa gilid. Mahalaga pa rin ang TOPS, mga parameter ng modelo, at Token bawat segundo, ngunit kung hindi kasabay ng memory bandwidth, hindi maayos ang pagkakaugnay ng CPU at NPU, at hindi kayang panatilihin ng software stack ang estado ng task, ang anumang magandang peak ay maaaring sapat lang para sa isang Demo.
Napansin namin na noong linggong ito, ang Singapore-based company na Acrab ay nagpananood ng isang online launch event at ipinakilala ang Agent Box, na maaaring magbigay ng isang sample na maaaring i-deconstruct.
Sa pagpapakilala na ito, ang kompanya ng AI Infra ay ipinakita ang Prefill, unified memory, CPU-NPU heterogeneous collaboration, at agent orchestration nang sabay-sabay.
Ang mga keyword na ito ay nagtuturo sa isang parehong pagpapasiya: ang edge AI ay nagmumula sa "paggana ng isang modelo" patungo sa "pangmatagalang paggana ng isang智能化系统".
Hindi na lang problema ng chip kung sapat ba ang computing power, kundi kung paano magmumula ang data, paano iskedyul ang mga gawain, at paano magpapatuloy ang koordinasyon ng software at hardware.
Kaya, kapag ang ingay ng WAIC at ang paglalabas ng mga bagong produkto, kasama na ang mga trend sa industriya ay nagsimulang magpahinga, mas malinaw ang mga tanong na dapat itanong: Kapag ang Agent ay maging patuloy na gumagana mula sa isang pagtawag lamang, ano ang dapat muli gawin ng chip sa gilid?
Mula sa isang pag-iisip hanggang sa patuloy na paggawa
Binago ng agent ang load sa gilid ng device
Karaniwang natatapos ng chatbot ang isang sirkulo ng tanong at sagot. Pagkatanggap ng isang gawain, maaaring unang maghanap ng impormasyon, basahin ang mga file, at pagkatapos ay gamitin ang code, browser, kalendaryo, o mga software sa opisina; pagkatapos ng isang bahagi, i-check ang resulta, panatilihin ang estado ng gawain, at hintayin ang susunod na pag-trigger. Karaniwang kinabibilangan ng isang gawain ang maraming sirkulo ng pagtawag sa model, at maaari ring magpalit-palit sa iba’t ibang model, tool, at aplikasyon.
Ipakita ng Acrab sa pagpapahayag ang isang relatibong kompletong proseso ng gawain: ang user ay naghihingi ng isang regalo na may temang kalawakan para sa kanyang anak, ang sistema ay nagpapahiwatig ng mga ideya, tumutulong sa pagpili ng solusyon, gumagamit ng mga kaugnay na kasangkapan, at sinusundan ang progreso ng paggawa; kapag may bagong sitwasyon sa paligid, maaari itong makikonekta sa iba pang mga smart device para sa pagproseso.
Ang kahalagahan ng demo ay hindi nasa kung gaano katalino ang isang sagot, kundi kung kaya ng isang natural na wika na i-convert sa isang serye ng patuloy na aksyon. Para sa mga sistema ng kompyutasyon, ang Agent ay hindi na lamang "tumawag ng isang model", kundi patuloy na lumilipat sa pagitan ng model, data, software, at device.
Ang paraan ng paggawa na ito ay unang pinakalakas ang pagkakahati-hati sa pagitan ng endpoint at cloud.
Ang gastos sa isang pagkakataong pag-iisip ay maaaring mababa, ngunit kapag madalas at patuloy ang pagtawag, ang mga token ay maaaring maging real na taksil; ang isang paghihintay sa network ay may limitadong epekto sa usapan, ngunit sa loob ng maraming hakbang na gawain, ito ay maaaring mag-akumula nang paulit-ulit; upang malaman ng Agent ang mas kompletong personal na konteksto, ang data na umuulit-ulit sa cloud ay maaari ring palawakin ang exposure.
Kaya, ang edge at cloud ay hindi isang either-or. Mas realistiko ang estruktura na ito: ang mga gawain na may mataas na frequency, sensitibo sa privacy, kailangan ng mabilis na pagtugon at kailangang panatilihin ang estado nito sa mahabang panahon ay dapat manatili sa lokal; ang mga kumplikadong pag-iisip na lalampas sa hangganan ng device ay dapat i-call ang mga mapagkukunan sa cloud.
Ang totoong pagbabago ay ang pagkakaroon ng isang hindi madaling ipagpapatuloy na sistema ng artificial intelligence sa gilid ng device, at hindi na lamang isang pagpapatakbo ng modelo.
Dapat itong mag-run ng malalaking modelo at mag-handle ng mahabang konteksto, maraming gawain, at pagtawag sa mga kasangkapan; sapat ang performance, ngunit hindi dapat lumampas ang paggamit ng enerhiya at gastos; kailangan ding sumunod ang Runtime, toolchain, at ecosystem ng Agent.
Ang malaking modelo sa gilid ng device ay tumutugon sa katanungan kung kaya ng device ang i-install ang modelo, habang ang Agentic AI ay tumutugon sa katanungan kung kaya ng device ang matatag at magkakasamang pagtrabaho ng modelo, memorya, mga kasangkapan, at aplikasyon.
Hindi sapat ang pag-stack lang ng NPU
Kailangan i-rebuild ang CPU, memory, at software stack nang sabay-sabay
Noong nakaraan, ang pagdaragdag ng isang NPU sa CPU o SoC ay nagbibigay ng karagdagang AI capability sa terminal tulad ng pagkilala sa boses at pagproseso ng imahe. Ngunit kapag naging sentro na ang Agent at hindi lamang isang karagdagang tampok, hindi sapat na ang simpleng pagdaragdag ng peak computing power.
Dahil ang Agent ay hindi isang fixed neural network inference path. Ang malawak na paralel na pagkalkula ay angkop para sa NPU, habang ang paghihiwalay ng task, pagtataya ng kondisyon, system scheduling, pagtawag ng tool, pag-handle ng error, at multi-system collaboration ay malalaking nakasalalay sa CPU. Mas dinamiko ang task path, mas mahalaga ang koordinasyon sa pagitan ng CPU at NPU.
Ang Acrab CEO na si Ken Phua ay isinummary ang pagbabagong ito bilang: "Ang CPU ay bumalik sa sentro ng AI era."
Sa kanyang pagtataya, pumasok na ang AI sa heterogenous computing environment, at ang pagganap ay hindi lamang nakadepende sa performance ng NPU, kundi mas sa kakayahan ng CPU at NPU na magco-cooperate nang walang pagkakaintindihan.
Ito ay isa sa kaunting mga lead ng team na值得展开 sa Acrab.
Si Ken Phua ay nagsilbing pangulo ng timog-silangang Asya ng team ng aplikasyon ng engineering sa Arm UK at nakikilahok sa pagbuo ng pandaigdigang estratehiya sa IP, bago siya maging co-CEO ng Arm China.
Hindi lamang ito isang karanasan sa industriya, kundi nagpapaliwanag kung bakit mula sa交點 ng CPU architecture, heterogeneous computing, at mga tunay na pangangailangan sa aplikasyon, inilulunsad ng kumpanyang ito ang pagkilos na muli ang Agent workload.
Hindi itinuturing ng Acrab ang GΞLIX 1 bilang isang tradisyonal na AI processor, kundi bilang isang computing platform para sa erang end-side AI.
Ang hardware ay batay sa GΞLIX 1; ang software ay kumakapal ng malalaking modelo, pinabuting Runtime, buong toolchain, at Agent orchestration layer na nag-uugnay sa mga modelo, kasangkapan, device, at serbisyo; batay dito, ang kumpanya ay nag-aalok din ng mga reference design ng Agent para sa mga karaniwang escenario, upang tulungan ang mga developer at mga kapwa sa ekosistema na mas mabilis na bumuo ng mga aplikasyon.
Ang Agent Box ay ang unang pagkakataon na lumabas ang buong sistema ng software at hardware sa anyo ng isang kompletong produkto. Ito ay inilalarawan bilang Personal AI Center, na kayang pagsagutan ang mga modelo na may bilang ng milyon-milyong parameter sa lokal, at nananatiling may pangunahing kakayahan kahit walang koneksyon sa internet.
Ang Acrab ay hinango sa mga unang titik ng Agentic Compute, Reasoning, Action, at Brain, at gayon din ay pangalan ng isang maraming bituin na sistema sa astronomiya—tulad ng kanyang pilosopiyang disenyo: upang ang iba’t ibang mga yunit ng komputasyon ay magtrabaho nang magkakasama tulad ng isang sistema ng mga bituin.
Ang kompanya ay naglalayong magbigay ng isang isipan at kakayahang gumawa sa Agent upang buuin ang susunod na henerasyon ng platform ng kompyutasyon.
Ang Acrab, na may pangunahang tanggapan sa Singapore, ay nakapag-ikot ng higit sa $350 milyon sa kabuuang pagsisikap, kasama ang mga investor tulad ng Vertex (Sam Feng Investment), ang global venture capital platform ng Temasek, at ang kilalang tech investment firm sa Singapore na K3 Ventures.
Ang kanilang unang henerasyon ng computing platform, GΞLIX, ay napatunayan na sa mga nakakapagod na real-world deployment environments at kasalukuyang nasa daan patungo sa unang industry adoption at mass production.
Ang pagpapautang ay maaaring magbigay ng oras para sa malaking proyekto, ngunit ang tunay na pagdedesisyon kung makakapagpatuloy ang ruta ay ang kakayahan ng sistema na magbigay.
Sa pananaw na ito, ang "pagbabalik ng CPU sa sentro" ay hindi nangangahulugan na ang NPU ay hindi na mahalaga.
Kabaligtaran nito, ibig sabihin nito ay ang AI computing ay naging komplikado na upang hindi na maaaring lutasin lahat ng problema gamit ang isang hiwalay na accelerator.
Beyond 700 TOPS
Ang prefill at data path ang nagpapasya sa totoong karanasan
Madalas, ang bottleneck sa pagrerepresenta ng malalaking modelo ay hindi lamang ang kakulangan sa bilis ng mga unit ng pagkalkula, kundi ang pagkakaroon ng sapat na data upang maipadala sa mga unit ng pagkalkula.
Kahit may mataas na peak computing power ang chip, kung hindi kasabay ang memory bandwidth, tatigil pa rin ang NPU habang naghihintay.
Ang agent ay magpapalawak pa ng problema sa paghahatid ng data. Kailangan nito na madalas basahin ang kasaysayan, ipasa ang data sa pagitan ng iba’t ibang modelo at software, at patuloy na i-save ang estado ng gawain. Bawat kopya ay nagdadagdag ng delay at pagkawala ng enerhiya; habang mas mahaba ang pagpapatakbo ng gawain, mas mahalaga ang disenyo ng sistema.
Ang pangunahing layunin ng GΞLIX 1 ay manatili ang data na kailangan ng model sa mas malapit na posisyon sa unit ng pagkalkula, at mabawasan ang pagdadala-dala ng CPU, NPU, memorya, at iba’t ibang operating system.
Batay sa arkitekturang ipinakita ng Acrab, ang GΞLIX 1 ay nagtataglay ng higit sa 700 TOPS ng AI computing power at 273 GB/s na unified memory bandwidth, na may 8MB na L1 Cache sa loob ng chip, shared L2 Cache na may bandwidth na 768 GB/s, apat na parallel NPU cores, at espesyal na acceleration module na disenyo para sa Attention computation.
Acrab ay sinabi na ang huli ay maaaring pataasin ang efficiency ng computation hanggang sa tatlong beses.
Mas malaking on-chip cache ay nagpapalapit sa mga mahalagang data sa mga unit ng computation; ang shared L2 Cache ay nagpapahintulot sa efisyenteng pagbabahagi ng mga parameter at intermediate features sa pagitan ng mga unit ng computation; at ang unified memory architecture ay nagbabawas sa hindi kinakailangang pagkopya ng data sa pagitan ng model, operating system, at application.
Ang Acrab ay gumagamit din ng unified memory architecture na nagpapahintulot sa iba't ibang operating system na mas epektibong magbahagi ng memorya. Para sa mga device na nagpapatakbo lamang ng isang model, ito ay maaaring simpleng pagpapabuti ng efficiency; ngunit para sa mga Agent na nangangailangan ng patuloy na paglipat sa pagitan ng mga app at mga tool, ito ay direktang nakakaapekto sa kung kaya ba ng isang task na magpatuloy nang walang hadlang.
Ito rin ang nagpapaliwanag kung bakit isinama ng Acrab ang Prefill sa sentro ng kanilang pagpapakilala. Kapag ginagamit ng agent ang bagong file, sinusubukang muling i-recover ang estado ng gawain, o isinasaayos ang konteksto, kadalasan kailangan muli itong i-proseso ang mga bagong impormasyon. Mas mahaba ang task chain, mas malaki ang epekto ng Prefill efficiency sa kabuuang karanasan.
Sa isang set ng self-test na inilabas ng Acrab, ang GΞLIX 1 ay nagpapatakbo ng Gemma model na may 26 bilyong parameter, gamit ang 40K KV Cache at 10,000 Token input, na may prefills speed na higit sa 1,416 Token bawat segundo; sa parehong load, ang kanyang performance ay higit sa 7 beses kaysa sa isang pangunahing pangkalahatang desktop platform.
Ang Acrab ay isinakop ang GΞLIX 1 sa isang parehong test framework kasama ang isang katulad na desktop-level AI computing platform.
Ipapakita ng data na ang GΞLIX 1 ay nasa magkakaparehong antas ng performance sa dalawang pangunahing indikador, ang Prefill at Decode, habang nagpapakita ng mas mababang pagkakagastos at mas kompetitibong kabuuang gastos ng machine.
Pinipili ng Acrab na bigyang-diin ang prefill at data path, na nagpapakita ng isang produkto-oriented na pagkakakilanlan: ang end-side Agent chip ay hindi dapat mag-focus lamang sa kung gaano kalakas ang output ng model, kundi dapat lutasin din kung kaya ng model na mabilis na basahin ang mahabang konteksto, muling iwasan ang estado ng task, at magsimula sa paggawa.
Hindi binabati ng user kung ilang layers ng cache ang ginamit sa isang chain ng pag-iisip, at hindi rin sinusuri ang TOPS bawat pagkakataong nag-iinteract. Ang tunay na nadarama ng user ay tatlo lang: kaya ba itong maunawaan nang mabilis, kaya ba itong magpatuloy na magana, at sapat ba ang halaga nito.
Mula sa chip hanggang sa platform
Ang totoong kompetisyon ay nasa labas ng mga parameter
Ang Agent Computer, personal AI center, at enterprise edge devices na lumabas sa WAIC ng taong ito ay hindi pa nabuo ang isang magkakasunod na anyo ng produkto.
Ang pamilyang escena ay nagtutuon sa personal na alaala, nilalaman, at pagkakaayos ng mga device, habang ang negosyong escena ay nagtatamasa ng kaalaman, pagproseso ng mga file, at seguridad ng panloob na data. Malaki ang pagkakaiba sa mga pangangailangan ng iba’t ibang kliyente sa laki ng modelo, kapasidad ng memorya, pagkawala ng enerhiya, at mga interface.
Mas mahirap gawin ang computing platform kung mas fragmented ang endpoint. Mahihirapan ang isang chip na lamang na mag-cover sa lahat ng mga skena sa pamamagitan ng mga parameter lamang; kailangan din itong magbigay ng Runtime, model adaptation, mga development tool, at Agent framework upang tulungan ang mga kliyente na i-convert ang kanilang pana-panahong computing power sa mga produktong maaaring ipagkaloob.
Ito ay isa pang tanong kung bakit mas maraming kakayahan ang Agentic AI chip kaysa sa karaniwang inference chip: ang performance ng chip ang nagdedesisyon kung maaari bang i-run ang model, ang software stack ang nagdedesisyon kung maaari bang gamitin ng developer, at ang Agent ecosystem ang nagdedesisyon kung ano ang mga gawain na maaaring tapusin ng device. Kung kulang ang anumang antas, maaaring manatiling nasa Demo lamang ang isang chip na may magandang parameter.
Sinusubukan ng Acrab na hawakan ang lahat ng mga bahaging ito nang sabay-sabay. Ang benepisyo ay mas kompletong depinisyon ng produkto, ngunit ang panganib ay diretso: mahaba ang front.
Kailangan ng chip na patunayan ang kanyang performance, stability, at kakayahan sa scalable delivery, habang kailangan ng software stack na masunod ang mabilis na pag-update ng model, at kailangan din ng Agent orchestration layer na makakasabay sa patuloy na pagbabago ng mga tool at app. Pagkatapos ay iiwan ang personal na files at long-term memory sa lokal, kailangan ding sagutin ang permission isolation, plugin security, at operation auditing.
Kaya ang pagiging platform ng kompyutasyon ng Acrab sa panahon ng Agentic AI ay hindi nakasalalay sa bilang ng mga token na ipinakita sa pagpapakilala, ni sa bilang ng mga gawain na maipapakita ng Agent Box.
Mas mahalagang pagsubok ay: kaya ba ng mga developer na mabilis na lumikha ng produkto sa platform na ito; kaya ba ng Agent na magtrabaho nang maraming oras habang nananatili ang performance, power consumption, at stability; kaya ba ng ilalim na software at hardware na sumunod sa pagbabago ng model at Agent framework.
Ang pagkakabuo ng isang bagong arkitektura ang nagtatakda sa limitasyon ng kakayahan ng isang kumpanya ng chip, habang ang pagpaproseso at ekosistema ang nagtatakda kung makakapag-convert ba ang limitasyong iyon sa mga order.
Ang malaking bilang ng mga bagong terminal na lumalabas sa WAIC ay nagpapakita na ang industriya ay naglalakbay mula sa “pagsasagawa ng malalaking modelo” patungo sa “pagsisiguro na patuloy na gumagana ang Agent.” Sa unang yugto, ang paghahambing ay batay sa computing power, memorya, at laki ng modelo; sa susunod na yugto, kailangang lutasin din ang mahabang konteksto, personal na memorya, pagtawag sa mga kasangkapan, at koordinasyon sa maraming gawain.
Ang Acrab ay nagtaya sa pagbabagong ito.
Hindi ang Agent Box ang katapusan, kundi isang pampublikong pagsubok sa kakayahan ng platform.
Kailangan ng "paggawa muli" ang chip sa gilid ng device, hindi dahil hindi mahalaga ang TOPS, kundi dahil ang Agent ay nagpapalit ng pagkalkula mula sa mga numerong puncyo patungo sa kakayahan ng sistema na nagpapatakbo nang patuloy. Ang tagumpay nito ay tatayong batay sa kakayahang pumasok ng chip, software, at terminal sa totoong workflow.