Positron attaque Nvidia là où les GPU gaspillent la mémoire et lève 230 M$ avant la sortie de son ASIC

Positron AI conçoit du matériel et des logiciels économes en énergie pour exécuter des modèles d'IA, et commercialise une appliance d'inférence appelée Atlas qui se branche dans des centres de données cloud ou sur site.

Parier que le matériel d'inférence gagnant viendra de l'exploitation de la bande passante et de la capacité mémoire, et non d'une course aux FLOPS face à Nvidia, et que les FPGA pourraient le prouver avant un ASIC.

23,5 M$ d'amorçage au début de 2025, puis une série A de 75 M$ en juin 2025, puis une série B de 230 M$ à plus de 1 Md$ de valorisation post-money en février 2026 — soit un peu plus de 300 M$ au total (TechCrunch ; Business Wire).

Thomas Sohmers et Edward Kmett, tous deux anciens de la startup d'inférence Groq, ont fondé Positron en avril 2023 sur une observation : l'inférence de transformeurs est limitée par la bande passante et la capacité mémoire, non par le calcul, et les architectures GPU gaspillent l'essentiel des deux. Ils ont choisi les FPGA pour pouvoir itérer avec des clients payants avant de s'engager sur un ASIC.

Atlas a commencé à être livré à l'été 2024, et EE Times a rapporté les premières livraisons d'une commande de plusieurs millions de dollars en février 2025. Positron a levé une série A de 75 M$ en juin 2025 et a commencé à concevoir Asimov, son propre silicium sur mesure. Le 4 février 2026, elle a annoncé une série B de 230 M$ à plus de 1 Md$ de valorisation, co-dirigée par ARENA Private Wealth, Jump Trading et Unless, avec la participation de QIA, Arm et Helena, et celle des investisseurs existants Valor Equity Partners, Atreides Management et DFJ Growth.

En février 2026, Positron vend des systèmes Atlas fabriqués aux États-Unis tout en s'efforçant de finaliser la conception (tape-out) d'Asimov d'ici fin 2026 et d'atteindre la production début 2027 — un pari qu'une puce pensée d'abord pour la mémoire peut battre le Rubin de Nvidia en tokens par watt et en performance par dollar.

L'inférence de transformeurs est limitée par la mémoire : les GPU n'atteignent que moins de 30 % de leur bande passante mémoire théorique sur cette charge, tandis que la conception FPGA de Positron atteint 93 % selon les cas d'usage (EE Times).

Les FPGA ont permis à la startup de prouver la demande à moindre coût — Atlas a été livré à des clients cloud payants avant que Positron n'engage les années et le capital qu'exige un ASIC (EE Times).

Un client est devenu la preuve : Jump Trading a mesuré une latence de bout en bout environ trois fois plus faible que celle d'un système H100 sur ses charges de travail, puis est passé à la co-direction du tour (Business Wire).

L'énergie est le prochain goulot d'étranglement du déploiement de l'IA, et Atlas revendique des performances de classe H100 pour moins d'un tiers de la puissance, ce qui donne aux acheteurs d'inférence une raison de changer (TechCrunch).

Attaquer les acteurs en place là où ils sont faibles : Positron a ciblé la bande passante mémoire, où les GPU gaspillent le plus de capacité, et a conquis des clients payants avant même que son propre ASIC n'existe.

Après l'annonce du 4 février 2026, Positron a déclaré qu'Atlas était livré à des clients de pointe dans le cloud et le calcul avancé et qu'elle s'attendait à une traction commerciale à grande échelle dans environ 2,5 ans après le lancement. Le prochain test est Asimov : tape-out visé fin 2026 et production début 2027, avec 2 To de mémoire par accélérateur et 8 To par système Titan, pour une capacité mémoire à l'échelle du rack supérieure à 100 To. Début février 2026, rien n'avait encore été finalisé (tape-out) — la valorisation de 1 Md$ repose sur la traction commerciale d'Atlas et sur le benchmark côté client de Jump Trading, non sur du silicium Asimov en main.