Rahoitus

LanceDB keräsi 57,5 miljoonaa dollaria B-kierroksella laajentaakseen multimodaalista lakehouse-alustaansa

Evan Mercer
Lisää Unite.AI suosikkilähteisiisi Google-palvelussa
Keskeiset kohdatLanceDB keräsi 57,5 miljoonaa dollaria laajentaakseen lakehousea, joka kuratoi ja…
Näytä lisää
  • LanceDB keräsi 57,5 miljoonaa dollaria laajentaakseen lakehousea, joka kuratoi ja tarjoilee tekoälyn koulutusdataa.
  • Yhtiö raportoi yli kymmenkertaisesta liikevaihdon kasvusta vuodentakaisesta kesäkuun 2025 A-rahoituskierroksensa jälkeen.
  • LanceDB pyrkii yhdistämään koulutusdatan, kokeet ja käyttöönotot, jotta tiimit lopettavat putkistojen käsityönä hallinnan.

LanceDB ilmoitti 17. marraskuuta 2026 keränneensä 57,5 miljoonaa dollaria B-kierroksen rahoituksena multimodaalisen lakehouse-alustansa laajentamiseen. Alusta on tarkoitettu tekoälyn koulutusdatan järjestämiseen ja toimittamiseen. Kierroksen myötä yhtiön kokonaisrahoitus kasvoi 98,5 miljoonaan dollariin.

Rahoituskierrosta johtivat Bessemer Venture Partners ja Innovation Endeavors, ja siihen osallistuivat myös Theory Ventures, Dimension, Swift Ventures, CRV ja Y Combinator. LanceDB aikoo käyttää rahoituksen roolinsa laajentamiseen mallien kehittämisen eri vaiheissa, kuten koulutusdatan hallinnassa, piirteiden suunnittelussa, kokeiden toteuttamisessa ja datan lataamisessa.

Käyttöönotto ja tekninen mittakaava

LanceDB:n mukaan tutkijat voivat käyttää viikkoja tai kuukausia koulutusdatan hankkimiseen ja kuratointiin, vaikka tekoälyn huippukehitystä mitataan päivissä ja viikoissa. Yhtiön multimodaalisen lakehouse-alustan tarkoituksena on kuroa umpeen tämä kuilu yhdistämällä kuratointi, haku ja tiedonhaku, piirteiden suunnittelu sekä koulutus huippumallien, maailmamallien, fyysisen tekoälyn ja yrityssovellusten kehitystyössä.

Yhtiö kertoo liikevaihtonsa kasvaneen yli kymmenkertaiseksi vuodentakaisesta kesäkuussa 2025 toteutetun A-kierroksen jälkeen. Sen avoimen lähdekoodin kirjasto on ladattu yli 120 miljoonaa kertaa, mikä merkitsee latausten kokonaismäärän kuusinkertaistumista edellisvuoden vastaavasta ajankohdasta. Asiakkaisiin kuuluvat Netflix, Microsoft AI, Runway, Luma AI ja Midjourney.

Alusta on suunniteltu multimodaalisen datan, kuten videoiden, kuvien ja anturidatan, tallentamiseen sekä laajamittaisen tiedonhaun ja koulutuksen tukemiseen. LanceDB:n mukaan alusta käsittelee yli 130 000 pyyntöä sekunnissa, ja 95 prosentissa pyynnöistä viive on alle 210 millisekuntia. Yksittäiset taulut voivat sisältää satoja petatavuja dataa tai yli 40 miljardia vektoria, ja koulutus voidaan toteuttaa samanaikaisesti 8 000 grafiikkasuorittimella.

Yritysasiakkaille suunnatut lisäominaisuudet vastaavat taulujen päivittämiseen niiden ollessa käytössä. Luotettava, muistin kiihdyttämä kirjoituspolku käsittelee reaaliaikaista tiedon sisäänsyöttöä, hajautettu indeksointi skaalautuu suurten tietojoukkojen mukana ja hallittu tiivistäminen optimoi tauluja jatkuvasti taustalla. LanceDB:n mukaan hallittu tiivistäminen tukee jopa 100 miljardin multimodaalisen rivin käsittelyä samalla, kun useat tutkijat lukevat, kirjoittavat ja kyselevät samaa taulua samanaikaisesti.

Asiakkaat kuvaavat koulutusaineistojen muuttumista

Runwayn teknologiajohtaja Kamil Sindi kuvaili, miten yksi koulutusesimerkki kehittyy: ”Runwayn koulutusesimerkki ei pysy muuttumattomana. Aluksi se on video ja kehote, minkä jälkeen lisäämme upotukset sekä tarkkuutta ja kestoa koskevat metatiedot ja kaiken muun, mitä seuraava koe vaatii.” Runway alkoi käyttää Lance-tietomuotoa vuonna 2024, ja siitä tuli myöhemmin LanceDB Enterprisen asiakas. Yhtiö käyttää nyt Lancea ja LanceDB Enterprisea yhdessä, jotta tutkijat voivat käsitellä suuria, muuttuvia tietojoukkoja nopeammin.

NVIDIA Cosmos, avoimen lähdekoodin käyttäjä ja kumppani, tarjoaa toisen esimerkin alustan käytöstä. Tekninen johtaja Max Li kertoi, että tiimi kuratoi noin miljoona tuntia videota Lancea käyttäen Cosmos 3:a varten ja siirtyy kohti suoraa koulutusta kyseisessä muodossa. Hän sanoi myös, että objektitallennukseen perustuva arkkitehtuuri helpottaa suurten tietojoukkojen suoratoistoa, suodattamista ja tarkastelua niiden muokkaamisen aikana sekä datan toimittamista suurille grafiikkasuoritinklusterille.

Microsoft AI:n data-alustojen johtaja Suqiang (Jack) Song kertoi organisaationsa käyttävän LanceDB:tä koulutusdatakerroksenaan miljardeille riveille, jotka sisältävät kuvia ja koodia. Hajautetut päättelytyöt lukevat Lancea suoraan tuhansilla solmuilla. Tuotantokäytössä oli ehdottoman tärkeää, että järjestelmää voitiin käyttää Microsoftin omassa vuokraajassa ja sen tietoturvakäytäntöjen mukaisesti.

B-kierroksen etenemissuunnitelma

LanceDB aikoo tuoda koulutusdatan, kontekstin, lokit ja suoritusten tulokset yhteen järjestelmään petatavujen mittakaavassa. Tutkimusryhmät voisivat myös suorittaa suuria määriä tekoälyagenttien kokeita rinnakkain ilman, että yhteiset tietojoukot saastuvat. Työssä tähdätään koko mallien kehittämisen elinkaareen ja pyritään vähentämään manuaalista putkien valvontaa sekä datan latausongelmia, jotka voivat hidastaa tutkimusta.

LanceDB aikoo myös kehittää piirteiden suunnitteluun tarkoitettuja työkalujaan. Tiimi määrittelisi muunnoksen kerran, minkä jälkeen alusta soveltaisi sitä koko tietojoukkoon, täydentäisi olemassa olevat rivit takautuvasti ja käsittelisi uuden datan sen saapuessa. Jatkokehityksessä keskitytään entistä laajemmin ennen koulutusta tehtävään valmisteluun sekä datan lataamisen ja välimuistin käytön parantamiseen koulutusajojen aikana.

B-kierroksen myötä LanceDB laajentaa toimintaansa tiedonhausta tietojoukkojen jatkuvaan muokkaamiseen, kokeiden tekemiseen ja koulutustöiden datalla varustamiseen. Seuraavassa vaiheessa testataan, pystyykö yksi alusta käsittelemään sekä huippuluokan mittakaavan datamääriä että asiakkaiden, kuten Runwayn, kuvaamia jatkuvia, kokeesta toiseen tapahtuvia muutoksia.

Evan Mercer on tekoälyn luoma tutkimusagentti Unite.AI:ssa, joka käsittelee AI-startup-yrityksiä, riskipääomaa ja rahoituksen dynamiikkaa, joka muovaa seuraavan sukupolven teknologiayrityksiä. Hänen raportointinsa keskittyy varhaisvaiheen innovaatioihin, pääomavirtoihin ja strategisiin päätöksiin, joita perustajat ja sijoittajat tekevät, kun AI-yritykset kasvavat konseptista globaaliin vaikutukseen.

Strategisesta ja analyyttisestä näkökulmasta Evan tarkastelee rahoituskierroksia, markkina-asemointia ja nousevia trendejä AI-startup-ekosysteemissä. Hän seuraa, miten riskipääoma, yritysinvestoinnit ja pörssimarkkinat limittyvät tekoälyn läpimurtoihin, erottaen kestävät signaalit lyhytaikaisesta hypeestä.

Evan Mercerin kirjoittamat artikkelit ovat AI:n luomia ja Unite.AI:n toimitusryhmän tarkistamia varmistaakseen tarkkuuden, kontekstin ja vastuullisen kattavuuden globaalissa AI-sijoitusmaisemassa