Rebellions Mengumpulkan $400M karena Infrastruktur AI Bergeser ke Penyebaran yang Dapat Diskalakan, Dinilai $2,34M

Rebellions telah mengumpulkan $400 juta dalam putaran pendanaan pre-IPO yang dipimpin oleh Mirae Asset Financial Group dan Korea National Growth Fund. Putaran ini membawa total pendanaan menjadi $850 juta dan menilai perusahaan sekitar $2,34 miliar.

Penggalangan dana ini datang hanya beberapa bulan setelah $250 juta Seri C, yang menekankan betapa cepatnya modal mengalir ke perusahaan yang fokus pada salah satu tantangan AI yang paling mendesak: menjalankan model dengan efisien di lingkungan produksi.

Pada saat yang sama, perusahaan memperkenalkan dua platform infrastruktur baru, RebelRack dan RebelPOD, yang ditujukan untuk mengirimkan sistem AI yang dapat diterapkan sepenuhnya untuk penggunaan skala besar di dunia nyata.

Kendala Telah Bergeser dari Pelatihan ke Inferensi

Industri AI memasuki fase di mana kemampuan model tidak lagi menjadi satu-satunya faktor pembatas. Tantangan telah bergeser ke arah inferensi, proses menjalankan model dalam produksi dengan skala.

Organisasi sekarang menghadapi kendala praktis seperti konsumsi daya, kompleksitas penerapan, dan efisiensi biaya. Faktor-faktor ini menjadi kritis karena AI bergerak dari eksperimen ke operasi bisnis inti.

Rebellions memposisikan diri langsung dalam lapisan ini. Alih-alih fokus pada pelatihan model, perusahaan ini membangun infrastruktur yang dirancang untuk membuat AI dapat digunakan, diskalakan, dan layak secara ekonomi di lingkungan dunia nyata.

Pendekatan Full-Stack untuk Infrastruktur Inferensi

Di inti platform ini adalah Rebel100 NPU, akselerator berbasis chiplet yang dibangun khusus untuk beban kerja inferensi.

Tidak seperti GPU umum yang dioptimalkan untuk pelatihan, Rebel100 dirancang untuk memberikan efisiensi tinggi dan latensi rendah saat menjalankan model dalam produksi. Penekanan pada kinerja per watt dan efisiensi biaya, keduanya menjadi kritis karena beban kerja AI berkembang.

Di luar perangkat keras, Rebellions telah mengembangkan tumpukan perangkat lunak cloud-native yang terintegrasi dengan kerangka kerja sumber terbuka yang banyak digunakan seperti PyTorch, vLLM, Triton, dan Hugging Face.

Pendekatan ini memungkinkan pengembang untuk menerapkan model tanpa perlu beradaptasi dengan sistem proprietary, mengurangi gesekan dan memungkinkan fleksibilitas di berbagai lingkungan. Platform ini dibangun di atas Kubernetes dan mendukung inferensi terdistribusi, membuatnya memungkinkan untuk menskalakan beban kerja sambil mempertahankan pengalaman penerapan yang konsisten.

Dari Chip ke Sistem yang Dapat Diterapkan

Dengan peluncuran RebelRack dan RebelPOD, Rebellions memperluas strateginya melampaui akselerator individual ke infrastruktur yang sepenuhnya terintegrasi.

RebelRack dirancang sebagai unit komputasi inferensi yang siap produksi, sedangkan RebelPOD menghubungkan beberapa rak menjadi klaster yang dapat diskalakan untuk penerapan skala besar.

Sistem ini menggabungkan perangkat keras dan perangkat lunak menjadi infrastruktur modular yang dapat diterapkan dan direplikasi di pusat data. Fokusnya adalah pada memungkinkan organisasi untuk menjalankan beban kerja AI dalam batasan daya dan infrastruktur yang ada, bukan memerlukan fasilitas baru sepenuhnya.

Optimasi sistem ini mencerminkan permintaan yang meningkat untuk solusi yang dapat memperpanjang umur investasi pusat data saat ini sambil mendukung aplikasi AI yang baru.

Mengembangkan ke Pasar Global

Rebellions sekarang mempercepat ekspansi globalnya, dengan fokus khusus pada Amerika Serikat.

Perusahaan ini menargetkan penyedia cloud, operator telekomunikasi, dan inisiatif AI yang didukung pemerintah, semuanya yang semakin memprioritaskan infrastruktur yang efisien dan dapat diterapkan.

Ekspansi ini sejalan dengan tren yang lebih luas menuju AI berdaulat, di mana negara dan perusahaan mencari kontrol yang lebih besar atas kemampuan AI mereka daripada bergantung sepenuhnya pada penyedia eksternal.

Pergeseran Menuju Infrastruktur AI yang Dapat Diskalakan

Ekosistem AI mengalami pergeseran struktural. Fokusnya beralih dari membangun model yang lebih besar dan menuju bagaimana model tersebut diterapkan dan dijalankan di lingkungan dunia nyata.

Pelatihan tetap terkonsentrasi di antara sekelompok pemain kecil, tetapi adopsi yang luas bergantung pada inferensi, di mana model beroperasi terus-menerus untuk memberdayakan aplikasi dan layanan. Pergeseran ini menempatkan penekanan baru pada efisiensi, biaya, latensi, dan konsumsi daya daripada komputasi mentah saja.

Infrastruktur berkembang sesuai dengan itu. Ada permintaan yang meningkat untuk sistem yang terintegrasi ke lingkungan yang ada, mendukung kerangka kerja terbuka, dan menskalakan tanpa memerlukan perancangan ulang yang signifikan. Lapisan perangkat lunak yang menyederhanakan penerapan dan orkestrasi menjadi sama pentingnya dengan perangkat keras yang mendasarinya.

Perubahan ini mengubah persaingan di seluruh industri. Kesuksesan semakin didefinisikan oleh kemampuan untuk mengirimkan sistem yang dapat diandalkan, dapat diskalakan yang berperforma di bawah kendala dunia nyata, sambil memberikan organisasi fleksibilitas dan kontrol atas bagaimana AI diterapkan.