На WAIC 2026 сингапурська компанія з інфраструктури ШІ Acrab представила Agent Box та чіп GΞLIX 1, призначені для забезпечення обчислювальної бази для агентного ШІ на кінцевих пристроях. Відмінно від традиційних чіпів ШІ, GΞLIX 1 зосереджується на гетерогенній співпраці CPU та NPU, єдиній архітектурі пам’яті та оптимізації Prefill, забезпечуючи 700 TOPS обчислювальної потужності та пропускну здатність пам’яті 273 ГБ/с. Генеральний директор Ken Phua вважає, що ШІ увійшов у еру гетерогенних обчислень, і CPU знову повернувся до центру уваги; загальний обсяг фінансування Acrab перевищив 350 мільйонів доларів США. Агентний ШІ на кінцевих пристроях переходить від «виконання однієї моделі» до «тривалого функціонування цілої інтелектуальної системи», і справжня конкуренція полягає в повній інтеграції чіпа, програмного стеку та екосистеми агентів.Автор статті, джерело: NewZeal
На якій обчислювальній базі повинна працювати агентна ШІ?
Кілька днів минуло, і один із найбільш заповнених концептів на WAIC 2026 — Agent Computer — почав перетворюватися з новинки на стенді на справжню інженерну задачу.
Запуск великої моделі на локальному пристрої — це вже не найскладніша частина. Складніше — чи зможе чіп забезпечити стабільну роботу при обмеженнях щодо споживання енергії, затримки та витрат, коли агент має постійно читати файли, зберігати пам’ять, викликати інструменти та працювати у фоновому режимі тривалий час.
Це змінить спосіб оцінки чіпів на кінцевому пристрої. TOPS, параметри моделі та токенів за секунду все ще важливі, але якщо пропускна здатність пам’яті не встигає, CPU та NPU погано координуються, а програмний стек не може підтримувати стан завдань, навіть найкращий піковий показник може вистачити лише на один демо.
Ми зауважили, що на цьому тижні сінгапурська компанія Acrab провела онлайн-презентацію та випустила Agent Box, що, можливо, надає зразок для аналізу.
На цій презентації ця компанія з AI Infra одночасно представила Prefill, уніфіковану пам’ять, гетерогенне співпрацювання CPU-NPU та оркестрування агентів.
Ці ключові слова вказують на одну й ту саму думку: крайовий ШІ переходить від «виконання однієї моделі» до «тривалого функціонування цілої інтелектуальної системи».
Проблеми, які потрібно вирішити чіпами, більше не обмежуються лише достатністю обчислювальної потужності, а стосуються того, як рухаються дані, як плануються завдання та як програмне та апаратне забезпечення постійно взаємодіють.
Отже, коли шумиха навколо WAIC, запуск нових продуктів і галузеві тенденції поступово утихнуть, справжні питання, які варто поставити, стануть чіткішими: що саме потрібно змінити у чіпах на стороні пристрою, коли агенти перетворються з одноразових викликів на постійно працюючі системи?
Від одного міркування до постійної роботи
Агент змінив навантаження на кінцевому пристрої
Чат-боти зазвичай завершують один цикл запиту та відповіді. Після отримання завдання агент може спочатку шукати інформацію, читати файли, а потім викликати код, браузер, календар чи офісні програми; після завершення частини завдання він перевіряє результати, зберігає стан завдання та очікує на наступне спрацьовування. Одне завдання часто вимагає кількох циклів викликів моделі та постійних переключень між різними моделями, інструментами та додатками.
Acrab на презентації продемонструвала відносно повний процес виконання завдання: користувач висловлює бажання зробити космічний подарунок для дитини, система надає ідеї, допомагає вибрати рішення, запускає відповідні інструменти та слідкує за прогресом виготовлення; коли в середовищі виникає нова ситуація, вона може з’єднуватися з іншими розумними пристроями для її вирішення.
Значення цієї демонстрації полягає не в тому, наскільки розумною є одна відповідь, а в тому, чи можна природну мову перетворити на послідовність дій. Для обчислювальних систем агент більше не є просто «одноразовим викликом моделі», а постійно переключається між моделлю, даними, програмним забезпеченням та пристроями.
Цей спосіб роботи спочатку підсилює розподіл обов’язків між кінцевим пристроєм і хмарою.
Вартість одноразового висновку може бути невеликою, але при частому та постійному виклику токени перетворюються з технічних показників на реальні рахунки; один очікування мережі має обмежений вплив на чат, але в багатокрокових завданнях воно накопичується шар за шаром; агент повинен мати доступ до повнішого контексту користувача, а постійне переміщення даних до хмари та назад збільшує поверхню витоку.
Отже, крайові та хмарні ресурси — це не взаємовиключні варіанти. Більш реалістичною структурою є: часті, конфіденційні, що вимагають швидкої відповіді та тривалого зберігання стану завдання залишаються на локальному пристрої; складні висновки, що перевищують межі можливостей пристрою, викликають хмарні ресурси.
Справжні зміни полягають у тому, що на кінцевому пристрої більше не обмежуються лише одноразовим висновком моделі, а потрібно підтримувати цілу інтелектуальну систему, яку не можна легко перервати.
Він має виконувати великі моделі, обробляти довгі контексти, багатозадачність та виклик інструментів; продуктивність має бути достатньо високою, а споживання енергії та витрати — не повинні вийти з-під контролю; Runtime, інструментарій та екосистема Agent також мають одночасно розвиватися.
Локальні великі моделі вирішують, чи можна встановити модель на пристрій, а агентний ШІ має вирішити, чи можуть модель, пам’ять, інструменти та застосунки довготривало співпрацювати на пристрої.
Тільки накопичувати NPU недостатньо
Процесор, пам’ять та програмний стек повинні бути перероблені разом
Раніше додавання NPU до CPU або SoC надавало термінальному пристрою такі AI-можливості, як розпізнавання мови та обробка зображень. Але коли агент перетворився з додаткової функції на ядро пристрою, простого збільшення пікової обчислювальної потужності вже недостатньо.
Причина полягає в тому, що агент — це не фіксована нейромережева ланцюжкова модель. Масштабні паралельні обчислення краще передавати NPU, тоді як розбиття завдань, умовні перевірки, планування системи, виклик інструментів, обробка винятків та взаємодія між кількома системами сильно залежать від CPU. Чим динамічнішою є траєкторія завдання, тим важливішим стає координування між CPU та NPU.
Генеральний директор Acrab Кен Фуа описав цю зміну як: «CPU знову повернувся до центру епохи ШІ».
За його думкою, ШІ входить у гетерогенне обчислювальне середовище, і ефективність виконання залежить не тільки від продуктивності NPU, а й від того, чи зможуть CPU та NPU працювати разом безперебійно.
Це також одна з небагатьох вартих розгортання командних підказок Acrab.
Кен Фуа раніше керував командою застосувань у Азійсько-Тихоокеанському регіоні в Arm UK та брав участь у розробці глобальної стратегії ІП, а потім обіймав посаду співгендиректора Arm China.
Цей досвід має значення не лише як професійний резюме, а й пояснює, чому ця компанія перевизначила робочі навантаження агентів саме на перетині архітектури CPU, гетерогенного обчислення та реальних потреб застосунків.
Acrab не визначає GΞLIX 1 як традиційний процесор штучного інтелекту, а замість цього представляє його як обчислювальну платформу ери кінцевого AI.
На апаратному рівні використовується GΞLIX 1; на програмному рівні — великі моделі, оптимізований Runtime, повний інструментарій та шар агентів для інтеграції моделей, інструментів, пристроїв і сервісів; крім того, компанія надає зразкові проекти агентів для типових сценаріїв, щоб допомогти розробникам та партнерам екосистеми швидше створювати додатки.
Agent Box — це перше повноцінне продуктне втілення цієї програмно-апаратної платформи. Його визначено як Personal AI Center, який може запускати моделі з мільярдами параметрів локально, зберігаючи основні функції навіть без підключення до інтернету.
Acrab походить від початкових літер Agentic Compute, Reasoning, Action та Brain, а також є назвою астрономічної багатосистемної зірки — що відповідає його філософії проектування: різні обчислювальні одиниці працюють разом, як зіркова система.
Компанія ставить перед собою мету створити для агента мозок, здатний мислити та діяти, і побудувати обчислювальну платформу наступного покоління.
Acrab, штаб-квартира якої розташована в Сінгапурі, зібрала загальну суму фінансування понад 350 мільйонів доларів США, інвесторами якої є Vertex (Xiangfeng Investments) — глобальна венчурна платформа Temasek, а також відома сінгапурська технологічна інвестиційна компанія K3 Ventures.
Його перша платформа обчислень GΞLIX вже пройшла перевірку в вимогливих реальних умовах експлуатації і зараз підготовлена до першого промислового впровадження та масштабного виробництва.
Фінансування може надати час для великих проектів, але справжнім вирішувальним фактором чи можливою реалізацією маршруту залишається здатність системи до поставки.
З цієї точки зору, «CPU знову повертається до центру» не означає, що NPU більше не важливі.
Навпаки, це означає, що AI-обчислення стали настільки складними, що більше не можуть бути вирішені за допомогою окремого прискорювача.
Поза 700 TOPS
Prefill і каналізація даних визначають справжній досвід
Часто обмеженням у висновку великих моделей є не лише недостатня швидкість обчислювальних блоків, а й те, що дані не встигають надходити до обчислювальних блоків.
Навіть якщо чіп має високу пикову обчислювальну потужність, NPU все одно змушений зупинятися і чекати, якщо пропускна здатність пам’яті не встигає.
Агент додатково посилює проблему перенесення даних. Йому потрібно часто зчитувати історію, передавати дані між різними моделями та програмним забезпеченням та постійно зберігати стан завдання. Кожне копіювання збільшує затримку та споживання енергії; чим довше працює завдання, тим важливішим стає дизайн системи.
Основна увага в дизайні GΞLIX 1 зосереджена на тому, щоб тримати дані, необхідні моделлю, якомога ближче до обчислювальних одиниць, і мінімізувати перенесення між CPU, NPU, пам’яттю та різними операційними системами.
Згідно з архітектурою, опублікованою Acrab, GΞLIX 1 забезпечує AI-потужність понад 700 TOPS та уніфіковану пропускну здатність пам’яті 273 ГБ/с, із вбудованими 8 МБ L1-кешем, спільним L2-кешем з пропускною здатністю 768 ГБ/с, чотирма паралельними ядрами NPU та спеціальним прискорювачем, розробленим для обчислень Attention.
Acrab стверджує, що останній може збільшити ефективність відповідних обчислень утричі.
Більший кеш на кристалі дозволяє зберігати ключові дані ближче до обчислювальних одиниць; спільний L2-кеш забезпечує ефективний обмін параметрами та проміжними ознаками між обчислювальними одиницями; уніфікована архітектура пам’яті зменшує непотрібне копіювання даних між моделями, операційною системою та додатками.
Acrab також використовує єдину архітектуру спільної пам’яті для кількох систем, що дозволяє різним операційним системам ефективніше обмінюватися пам’яттю. Для пристроїв, які запускають лише одну модель, це може бути лише оптимізацією ефективності; для агентів, яким потрібно постійно переключатися між додатками та інструментами, це безпосередньо впливає на те, чи зможе завдання виконуватися плавно.
Це також пояснює, чому Acrab винесла Prefill у центр уваги на презентації. Агенти часто повинні знову обробляти нову інформацію при додаванні нових файлів, відновленні стану завдання або оновленні контексту. Чим довша ланцюжок завдань, тим більш помітним стає вплив ефективності Prefill на загальний досвід.
У серії самотестувань, розкритих Acrab, GΞLIX 1 запускає модель Gemma з 26 мільярдами параметрів, використовуючи 40K KV Cache та вхід з 10 000 токенів, досягаючи швидкості Prefill понад 1416 токенів на секунду; за тих самих навантажень його продуктивність перевищує в 7 разів продуктивність одного з найпопулярніших універсальних настільних платформ.
Acrab також порівнює GΞLIX 1 з іншою настільною AI-обчислювальною платформою в одному й тому ж тестовому фреймворку.
Дані показують, що GΞLIX 1 увійшов у схожий діапазон продуктивності за двома ключовими показниками — Prefill і Decode, одночасно забезпечуючи нижче споживання енергії та більш конкурентну ціну цілої системи.
Acrab вибрав зробити акцент на Prefill та каналі даних, що само по собі вказує на певний напрямок продукту: чіп для агента на кінцевому пристрої не може лише прагнути до швидкості виведення моделі, але й повинен вирішувати, чи може модель швидко розуміти довгий контекст, відновлювати стан завдання та починати роботу.
Користувач не звертатиме уваги на те, скільки шарів кешу пройшла логічна ланцюжок, і не перевірятиме TOPS перед кожною взаємодією. Користувач справді відчуває лише три речі: чи здатний він швидко зрозуміти, чи здатний він працювати безперервно, і чи варто його мати.
Від чіпа до платформи
Справжня конкуренція за межами параметрів
Цього року на WAIC з’явилися Agent Computer, персональні AI-центри та корпоративні пристрої на краю, але ще не сформували єдину продуктова форма.
Сценарії для домашнього використання зосереджені на особистих спогадах, контенті та синхронізації пристроїв, тоді як корпоративні сценарії акцентуються на базах знань, обробці файлів та безпеці внутрішніх даних. Вимоги різних клієнтів до розміру моделі, обсягу пам’яті, споживання енергії та інтерфейсів значно відрізняються.
Чим більше фрагментовано термінали, тим складніше створювати обчислювальні платформи. Одного чіпа недостатньо лише з параметрами для покриття всіх сценаріїв; потрібно також надавати Runtime, адаптацію моделей, інструменти розробки та фреймворк агентів, щоб допомогти клієнтам перетворити базову обчислювальну потужність у продукти, які можна доставити.
Це ще одна задача, яку мають агентні AI-чіпи порівняно зі звичайними чіпами для висновків: продуктивність чіпа визначає, чи може модель працювати, програмний стек визначає, чи можуть розробники його використовувати, а екосистема агентів визначає, які завдання зможе виконувати пристрій у кінцевому підсумку. Брак будь-якого з цих рівнів може залишити чіп із чудовими параметрами на етапі демонстрації.
Acrab намагається одночасно охопити всі ці етапи. Перевага полягає в більш повному визначенні продукту, а ризик полягає в тому, що лінія боротьби дуже довга.
Чіпси повинні підтвердити свою продуктивність, стабільність та здатність до масштабованої поставки, програмний стек має встигати за швидкими ітераціями моделей, а рівень оркестрації агентів повинен бути сумісним із постійно змінюючимися інструментами та застосунками. Після збереження особистих файлів та довгострокової пам’яті локально, необхідно одночасно вирішити питання ізоляції прав, безпеки плагінів та аудиту операцій.
Тому здатність Acrab стати обчислювальною платформою ери агентного ШІ залежить не від того, скільки токенів було запущено на презентації, ні від того, скільки завдань може продемонструвати Agent Box.
Більш важливою перевіркою є: чи зможуть розробники швидко створювати продукти на цій платформі; чи зможуть продуктивність, споживання енергії та стабільність підтримуватися одночасно після кількох годин безперервної роботи агента; чи зможе нижчий рівень програмного та апаратного забезпечення слідувати за змінами моделі та фреймворку агента.
Інновації в архітектурі визначають верхню межу здатностей чіпової компанії, а інжиніринг та екосистема визначають, чи зможе ця межа перетворитися на замовлення.
Інтенсивне з’явлення нових терміналів на WAIC свідчить про те, що галузь переходить від «запуску великих моделей» до «забезпечення постійної роботи агентів». На попередньому етапі порівнювалися обчислювальні потужності, пам’ять та розмір моделей; на наступному етапі потрібно вирішити проблеми довгих контекстів, особистої пам’яті, виклику інструментів та координації багатозадачності.
Acrab саме цю зміну використовує для ставок.
Agent Box — це не кінець, а відкритий тест можливостей платформи.
Чіпи на кінцевому пристрої потрібно «переробити» не тому, що TOPS не важливі, а тому, що агенти перетворюють обчислення з пікових показників у довгострокову системну здатність. Його успіх залежить від того, чи зможуть ці чіпи, програмне забезпечення та кінцеві пристрої інтегруватися у реальні робочі процеси.