CARTESIA AI
押注后 Transformer 时代

Transformer 的注意力机制有一个结构性弱点：计算复杂度是 O(n²)，序列越长越慢，推理时的 KV Cache 还要占用大量内存，这让实时应用（语音、视频流处理）的延迟居高不下。状态空间模型（SSM）的思路不同：推理时只维护一个固定大小的"状态"（类似 RNN 的隐状态），计算复杂度降到 O(n)，与序列长度线性相关，延迟极低，还比 Transformer 的滑动注意力窗口更能保留远程依赖。

Cartesia 由 Stanford Hazy Research 实验室（Chris Ré）衍生而来，Chief Scientist Albert Gu 正是 Mamba 论文的作者之一（与 Tri Dao 合著），被 *Time* 评为 100 位最具影响力 AI 人物之一。核心团队还包括 Karan Goel、Arjun Desai、Brandon Yang。产品定位是 Realtime AI API：文字转语音（TTS）、实时音频处理和边缘推理。

2022–23 年，Albert Gu 与 Tri Dao 发表 Mamba 论文，这是 SSM 在语言模型上应用的奠基之作，首次在标准 benchmark 上匹配 Transformer 的表现。2023 年末，团队从 Stanford 衍生出 Cartesia，2024 年中发布 Sonic TTS API——市场上延迟最低的 TTS 服务之一，验证了 SSM 在实时语音场景的优势。同年 12 月，Index Ventures 与 Kleiner Perkins 领投 $27M Series A，公司累计融资达到 $86M。

2025 年，Cartesia 扩展了多语言 TTS 和语音克隆等产品线。2026 年初，团队与 Princeton PLI 合作发布 Mamba-3——一个以推理效率为优先目标的 SSM 架构，引入 MIMO 变体，性能超越 Mamba-2。

SSM 在延迟敏感场景的优势有实测数据支撑：Sonic TTS 的实际延迟低于 OpenAI TTS、ElevenLabs 等 Transformer 方案，Mamba-3 在 1.5B 参数规模下，跨序列长度的延迟持续低于同类 Transformer——这不是营销说辞。但 2022 年 Mamba 论文发布后，社区测试也发现在更大规模（70B+）时，Mamba 和 Transformer 的差距会缩小，SSM 在中小规模优势显著，大规模结论仍待验证。

真正的护城河在"不能连云"的场景——车载 AI、医疗设备、工厂机器人，因为 Transformer 在云端推理已经有 Flash Attention 等优化压缩了差距。这是一个时机问题：边缘 AI 硬件的普及速度决定 Cartesia 的成长曲线。而公司最重要的资产 Albert Gu 同时也是最大的风险——Mamba 论文让 SSM 从学术玩具变成真实选项，但如果 Transformer 出现新的效率突破（MoE、Flash Attention 3 等），SSM 的窗口就会收窄。反直觉的是，这家公司的成功某种程度上依赖于"Transformer 不能被充分优化"，而优化 Transformer 的人比优化 SSM 的人多得多。