Daisyflow 是什麼?Daisytuner 獲 600 萬歐元種子輪融資,跨晶片本機 AI 推論一次看
德國深科技新創 Daisytuner 完成 600 萬歐元種子輪融資並推出 Daisyflow,結合開源編譯器 DOCC 讓模型跨 Nvidia、AMD 與新興晶片高速運行,完整解析技術架構與企業價值。
企業部署 AI 模型時,最頭痛的往往不是買不到算力,而是程式碼被單一晶片生態系綁死。
德國深科技新創 Daisytuner 在 2026 年 11 月 16 日推出推論引擎堆疊 Daisyflow,並完成 600 萬歐元種子輪融資。
當團隊把模型綁在特定 GPU 的函式庫上,就算換成其他品牌或新興加速器,也得重寫底層核心程式。
這套新系統主打不用改寫模型程式碼,就能讓同一套 AI 應用在 Nvidia、AMD 甚至新型加速器上高速運行。
因為背後結合了開源編譯器與自適應效能調校,企業可以把服務直接裝進自家伺服器,同時守住運算成本與資料隱私。
這筆融資與新產品的登場,意味著本機 AI 推論的競爭重心,正從單純買更多晶片轉向榨出既有硬體的最高效能。
Daisyflow 為何誕生?先看企業算力浪費的痛點
面對 AI 算力不足,市場最常見的作法是直接採購更多伺服器,但這家德國新創在官網點出了真正的問題。
現有資料中心與企業機房裡的機器,實際跑出來的效能往往只有硬體理論極限的一小部分。
造成這種落差的原因,在於模型框架與底層晶片之間缺乏針對性的編譯最佳化,導致運算資源在記憶體搬運與排程中大量空轉。
當算力被白白浪費,企業就得花更多預算買卡,推論延遲也跟著居高不下。
跳脫單一晶片鎖定的商業意義
過去開發者如果想在 Nvidia 以外的硬體上跑出高吞吐量,通常得投入工程師人力手動撰寫客製化核心。
所謂客製化核心,就是工程師針對特定晶片架構手寫的底層加速程式,門檻極高且非常耗時。
這種作法不僅開發週期長,只要硬體換代或改採 AMD 等其他晶片,原本的心血就得重來一次。
這套跨平台方案鎖定的正是這個痛點,讓企業在採購硬體時不再受限於單一供應商,能更有彈性地調配機房資源。
對財務與採購部門來說,這代表未來談判硬體價格時手上有更多籌碼,不用擔心換晶片會讓現有 AI 專案停擺。
600 萬歐元種子輪融資代表什麼?
這筆 600 萬歐元的種子輪資金,讓這家德國深科技新創有足夠資源把學術界的編譯技術推進商業化部署。
根據官網公布的歷程,團隊在 2024 年 12 月就曾與瑞士蘇黎世聯邦理工學院團隊合作拿下 HiPEAC 技術轉移獎。
隨後團隊在 2025 年 3 月於 CGO 會議發表研究,並在 2026 年 4 月波昂 T-Challenge 決賽獲得第三名。
對歐洲與全球企業來說,資金到位意味著這套跨晶片工具已經走出實驗室,能夠提供長期維護與企業級 SLA 服務。
同時,團隊也持續透過開源社群與國際會議驗證技術路線,例如在 2025 年底於 FOSDEM 展示自學習編譯器,並成為 HiPEAC 2027 的合作夥伴。
這些公開場合的技術交流,讓企業架構師在評估導入前,有更多可查證的學術論文與效能基準作為參考,而不必只聽信廠商單方面宣傳。

產品架構怎麼分?三大層級與 DOCC 編譯器拆解
想看懂這家公司的技術布局,不能只看單一工具,因為 Daisytuner 把產品拆成三個由淺入深的層級。
從免費開放給開發者的編譯平台,到自架機房的企業版,最後才疊加上專為推論設計的 Daisyflow 堆疊。
以下我把這三個產品層級的定位、核心功能與適用對象整理成表格,方便快速對照差異。
| 產品層級 | 核心定位 | 關鍵功能與交付內容 | 適合對象 |
|---|---|---|---|
| Daisytuner Platform | 開發者效能最佳化工作台 | 內建 DOCC 編譯器、效能資料庫、CI 持續基準測試與 Web IDE | 想測試跨晶片編譯效能的技術團隊 |
| Daisytuner Enterprise | 自架型企業效能平台 | 包含 Platform 全部功能,加上全自動調校、內網自架部署與 SLA 支援 | 重視資料不出機房的中大型企業 |
| Daisyflow | 企業級 AI 推論堆疊 | 提供模型服務、請求路由與批次處理,可在任何加速器上協同調校運行 | 需要低延遲、可控成本的 AI 推論營運團隊 |
從上表可以看出,這套推論堆疊並不是孤立的伺服器軟體,而是建立在底層編譯與調校能力之上的完整執行環境。
DOCC 開源編譯器的三個核心特性
支撐整套系統運作的引擎,是團隊開源釋出的 DOCC 編譯器。
開發者只要透過 Python 套件管理工具 PyPI,就能直接安裝 docc-compiler 與 docc-pytorch 來測試。
官網將這套編譯技術歸納為三個核心特性,而且每一項都直接對應工程團隊的痛點。
- 全自動最佳化:不需要人工重寫程式碼、不用手寫客製化核心,也不必學習新的程式語言。
- 硬體無關性:做到寫一次到處運行,同一份 NumPy、PyTorch 或 C++ 原始碼可編譯至不同晶片。
- 自適應學習:系統會從每一次工作負載的執行紀錄中學習,讓下一次運算跑得更快。
這種設計對工程團隊來說非常務實,因為多數公司根本養不起專門微調底層硬體的編譯器專家。
效能資料庫與持續基準測試的作用
除了編譯器本身,開發平台還內建了效能資料庫與自動化基準測試工具。
當團隊修改模型架構或更新程式碼時,系統可以在持續整合流程中自動在多種硬體上跑分,確保效能沒有退化。
如果某個演算法已經有更好的最佳化寫法,效能資料庫也能直接提供現成方案,省下工程師反覆試錯的時間。
除此之外,工作台也整合了網頁版整合開發環境,讓研發團隊可以直接在瀏覽器中分析效能瓶頸並設計專屬最佳化策略。
這套設計把過去分散在編譯器、效能剖析工具與測試伺服器的工作流程收斂到同一個平台,縮短了新硬體上線前的調校週期。
延伸閱讀:蘇姿丰說 AMD「資料中心優先」,為何 AI 成長不能只看 GPU?
支援哪些晶片與模型?從 GPU 到光子處理器都能跑
多數推論引擎只專注在 Nvidia GPU 與少數主流加速器,但 Daisytuner 在官網展示的硬體相容清單明顯寬廣許多。
無論是主流的資料中心 GPU,還是基於 RISC-V 架構的新型加速器,都在它的編譯支援範圍之內。
語言模型與電腦視覺實戰情境
在大型語言模型應用上,官網展示了將 Qwen 模型直接從 PyTorch 編譯的案例。
系統會針對注意力機制與 KV-cache 進行最佳化,其中 KV-cache 是用來暫存對話歷史運算結果的記憶體快取,能大幅減少重複計算。
這些最佳化能同時對準支援 CUDA 的 Nvidia 晶片與支援 ROCm 的 AMD GPU,讓語言模型在不同硬體上都能維持高生成速度。
在電腦視覺領域,團隊也示範了從 PyTorch 直接編譯即時物件偵測模型為原生機器碼,協助視訊分析系統在不改寫程式碼的前提下提升每秒幀數。
對影像辨識或智慧製造團隊而言,這意味著同一套視覺模型可以同時部署在廠區的不同廠牌邊緣伺服器上。
新興加速器與光子晶片的前瞻布局
更特別的是,這套編譯器不只服務常見的 GPU,還已經對接多種非傳統運算架構。
官網列出的應用案例中,包含將 OpenFOAM 計算流體力學的 C++ 原始碼,直接編譯到基於 RISC-V 架構的 Metalium TPU 加速器上,並支援低精度運算。
此外,團隊也展示了將 Faster R-CNN 物件偵測模型直接從 PyTorch 編譯至第二代 NPU 光子處理器,嘗試用光訊號運算換取更高的能源效率。
這說明該公司押注的不只是單一硬體霸權,而是未來異質運算百花齊放的長期趨勢。
為什麼本機自架與混合推論會成為關鍵?
當企業開始大規模把 AI 代理與模型導入日常營運,全部呼叫雲端 API 的帳單往往會迅速失控。
這也是為什麼越來越多團隊回頭評估自架機房或本機推論架構,希望把算力成本與敏感資料留在內部網路。
成本可控與資料不出內網的雙重需求
這套推論堆疊的核心賣點之一,就是明確寫出成本與資料都在企業自己的掌控之下。
在企業版與推論堆疊的架構中,所有編譯與推論服務都直接安裝在企業自己的伺服器與既有加速器上,資料完全不必離開內網。
對金融、醫療或製造業來說,這種作法既解決了法規對資料外洩的疑慮,也避免被雲端大廠的計價模式綁架。
請求路由與動態批次處理怎麼省錢?
除了底層編譯加速,推論堆疊本身也包含了請求路由與動態批次處理兩大模組。
請求路由能根據當下負載,把不同長短的模型任務分配到最適合的晶片節點上,避免單一加速器過載。
動態批次處理則會把零散進來的推論請求合併成一個批次一起算,把既有硬體的利用率拉到最高。
對已經買了一批伺服器的公司來說,把硬體使用率從三成拉到七成,等於直接省下原本要再擴充機房的資本支出。
為什麼軟體調校比盲目買卡更符合長期利益?
當 AI 模型規格每幾個月就更新一次,單純靠加購高價 GPU 來換取推論速度,往往會讓企業的硬體折舊壓力越來越大。
如果軟體層能根據不同模型的計算特徵自動調整記憶體排程與迴圈分塊,舊世代加速器也能延長服役壽命。
對正在規劃兩到三年算力預算的資訊主管來說,投資跨硬體編譯與推論最佳化工具,等於替未來任何新晶片預留了相容接口。
延伸閱讀:llama.cpp 接上 Windows ML:本機 AI 專案怎麼選 CPU、GPU 與 NPU?
實際限制與導入前該評估什麼?
雖然這套跨晶片推論堆疊看來很有吸引力,但技術團隊在決定導入前,仍要看清幾個現實條件。
首先是生態系成熟度的落差,目前官方頁面主要展示 Qwen、Faster R-CNN 與 OpenFOAM 等指標性範例。
如果企業內部使用的是高度客製化的冷門模型算子,是否能無痛編譯,仍需透過團隊的持續整合基準測試實際驗證。
其次是作業系統與環境限制,官網列出的開發環境支援目前集中在 Ubuntu 24.04、Debian 13 與 RHEL 10。
如果企業內部機房仍大量使用較舊版本的 Linux 發行版,導入前可能需要先規劃基礎環境升級,這會增加一部分維運前置作業。
最後則是商業模式差異,Daisyflow 主打由原廠工程師與企業端對端協同建置並長期調校。
這種高接觸度的服務模式適合有穩定算力規模的中大型團隊,對只需要跑單機小模型的個人開發者來說,導入門檻相對偏高。
常見問題
Daisyflow 跟一般開源推論引擎有什麼不同?
這套堆疊底層結合了 DOCC 自適應編譯器,主打不用手寫客製化核心就能跨 Nvidia CUDA、AMD ROCm 與新興加速器運行,並提供企業內網協同調校服務。
開發者可以先免費試用 Daisytuner 的技術嗎?
可以,團隊已經將 DOCC 編譯器開源,開發者可透過 PyPI 安裝 docc-compiler 與 docc-pytorch,或註冊 Daisytuner Platform 進行基準測試。
導入這套系統需要把公司資料上傳到雲端嗎?
不需要,無論是 Daisytuner Enterprise 或推論堆疊,都支援直接部署在企業自己的伺服器與既有加速器上,資料全程留在內部網路。
Daisytuner 這輪融資金額有多少?
根據公開新聞資料,這家德國深科技新創完成了 600 萬歐元的種子輪融資,資金將用於加速跨晶片 AI 推論與編譯技術的商業化落地。
結語
Daisytuner 推出 Daisyflow 並完成 600 萬歐元融資,點出了一個正在發生的產業轉折:企業不再只想靠無止境買新卡來解決算力焦慮,而是開始重視既有晶片的執行效率。
如果你是擁有異質硬體,例如同時混用 Nvidia、AMD 或其他加速器,且對資料合規與推論成本高度敏感的中大型企業技術主管,這套方案與 DOCC 編譯器非常值得排進概念驗證清單。
但如果你只是想在單張消費級顯卡上快速跑一個現成模型,直接使用現有開源工具會更省事,不需要為了跨晶片調校增加額外導入成本。
想持續掌握本機 AI 推論引擎與最新晶片軟體生態的演進,歡迎訂閱 AI 郵報,或點擊下方相關技術指南延伸閱讀。