Op 10 september 2026 kondigde Positron AI aan 875 miljoen dollar te hebben opgehaald in een Series C/C-1-ronde tegen een post-money waardering van 5 miljard dollar. Het bedrijf uit Reno ontwikkelt chips en systemen voor inferentie die, in plaats van het gebruikelijke krachtige HBM-geheugen, gebruikmaken van regulier LPDDR5X uit smartphones.
De belangrijkste technische stelling van Positron is dat traditionele versnellers minder dan 30 % van de HBM-bandbreedte benutten, terwijl hun architectuur het mogelijk maakt om meer dan 90 % van de LPDDR5X-bandwidth te gebruiken. Volgens het bedrijf compenseert dit het verschil in piekprestaties en vermindert het de afhankelijkheid van de schaarse HBM-toeleveringsketens en geavanceerde CoWoS-packaging.
De volgende chip Asimov staat gepland om eind 2026 op TSMC N3P te worden uitgebracht, met productie in de tweede helft van 2027. Elke chip kan tussen de 288 GB en 2,3 TB aan LPDDR5X bevatten. Het Titan-systeem zal vier tot acht van dergelijke chips combineren en is gericht op modellen met meer dan 16 biljoen parameters met een context van meer dan 10 miljoen tokens in één node. Momenteel zijn er al meer dan 50 racks van het eerste Atlas-platform uitgerold in Oracle Cloud Infrastructure.
Architecturaal zet Positron in op een systolic array met nauw geïntegreerd geheugen, waardoor dataverplaatsing tot een minimum wordt beperkt. In tegenstelling tot klassieke GPU's, waarbij geheugen en berekeningen gescheiden zijn, verschuift hier het accent naar capaciteit en de werkelijke benutting van de bandwidth. Deze aanpak is vooral relevant voor modellen met een lange context en grote modellen, waarbij de bottleneck vaak juist in het geheugen zit en niet in de piek-FLOPS.
Methodologisch gezien steunen de beweringen van Positron vooralsnog op interne metingen en vergelijkingen met typische prestaties van HBM-systemen. Onafhankelijke benchmarks of gedetailleerde beschrijvingen van testprotocollen in openbare bronnen ontbreken nog. Het bedrijf benadrukt de voordelen wat betreft tokens per dollar en per watt, maar zonder publieke third-party tests is het lastig om de werkelijke winst in echte workloads in te schatten.
In het landschap van inferentiechips positioneert Positron zich tegenover de dominante oplossingen van Nvidia en AMD, die sterk afhankelijk zijn van HBM. Tegelijkertijd experimenteren andere startups en hyperscalers met alternatieve benaderingen — van optische interconnects tot custom ASIC's. De keuze voor LPDDR5X vertoont gelijkenissen met de ideeën van enkele Chinese ontwikkelaars die sanctiebeperkingen op geavanceerd geheugen proberen te omzeilen, maar in dit geval ligt de nadruk op benutting en kosten, en niet alleen op beschikbaarheid.
Als de architectuur inderdaad de geclaimde bandwidth-benutting waarmaakt, zou dit de TCO van inferentie voor supergrote modellen en lange contexten aanzienlijk kunnen verlagen. Het biedt de mogelijkheid om clusters sneller op te schalen zonder de strijd om beperkte volumes HBM en CoWoS. Tegelijkertijd hangt het succes af van hoe effectief de software en de compiler de systolic array in reële scenario's kunnen belasten.
De vraag blijft of onafhankelijke tests de voordelen van Positron zullen bevestigen na de tape-out van Asimov en hoe het systeem zich zal gedragen bij opschaling naar duizenden nodes. Toekomstige interessante publicaties op dit gebied zullen waarschijnlijk de werkelijke energie-efficiëntie en latency van Titan vergelijken met de huidige HBM-oplossingen op identieke modellen.
Positron laat zien dat het heroverwegen van prioriteiten — geheugencapaciteit en -benutting in plaats van piekbandbreedte — een reëel alternatief kan vormen in de race om inferentie-hardware.
