Finanziamenti
LanceDB raccoglie 57,5 milioni di dollari con un round Serie B per ampliare il suo lakehouse multimodale per l’IA

Punti chiaveLanceDB ha raccolto 57,5 milioni di dollari per espandere un lakehouse che cura e…
Vedi di più
- LanceDB ha raccolto 57,5 milioni di dollari per espandere un lakehouse che cura e fornisce dati di addestramento per l'IA.
- L'azienda riporta una crescita dei ricavi più che decuplicata su base annua dal suo Serie A nel giugno 2025.
- LanceDB mira a unificare dati di addestramento, esperimenti e rollout affinché i team smettano di gestire manualmente le pipeline.
LanceDB ha annunciato il 17 novembre 2026 di aver raccolto 57,5 milioni di dollari in un round di finanziamento Serie B per ampliare il proprio lakehouse multimodale, una piattaforma per organizzare e distribuire dati di addestramento per l’IA. Con questo round, il finanziamento complessivo della società sale a 98,5 milioni di dollari.
Bessemer Venture Partners e Innovation Endeavors hanno guidato il round, a cui hanno partecipato anche Theory Ventures, Dimension, Swift Ventures, CRV e Y Combinator. LanceDB intende destinare il capitale a un ruolo più ampio nello sviluppo dei modelli, che comprenda la gestione dei dati di addestramento, l’ingegneria delle feature, l’esecuzione degli esperimenti e il caricamento dei dati.
Adozione e portata tecnica
Secondo LanceDB, i ricercatori possono perdere settimane o mesi per ottenere e selezionare i dati di addestramento, mentre i progressi dell’IA di frontiera si misurano in giorni e settimane. Il lakehouse multimodale mira a colmare questo divario integrando selezione, ricerca e recupero, ingegneria delle feature e addestramento, a supporto del lavoro sui modelli di frontiera, sui modelli del mondo, sull’IA per il mondo fisico e sulle applicazioni aziendali.
La società dichiara che, dal suo round Serie A del giugno 2025, i ricavi sono cresciuti di oltre dieci volte su base annua. La sua libreria open source è stata scaricata oltre 120 milioni di volte, con un numero complessivo di download sei volte superiore rispetto allo stesso momento dell’anno precedente. Tra i clienti figurano Netflix, Microsoft AI, Runway, Luma AI e Midjourney.
La piattaforma è progettata per archiviare dati multimodali, come video, immagini e dati dei sensori, supportando al contempo il recupero e l’addestramento su larga scala. LanceDB afferma che la piattaforma gestisce oltre 130.000 richieste al secondo, con una latenza inferiore a 210 millisecondi per il 95% delle richieste; singole tabelle possono contenere centinaia di petabyte di dati o oltre 40 miliardi di vettori; inoltre, consente l’addestramento in parallelo su 8.000 GPU.
Le funzionalità Enterprise gestiscono gli aggiornamenti delle tabelle mentre sono in uso. Un percorso di scrittura durevole e accelerato dalla memoria gestisce l’acquisizione dei dati in tempo reale; l’indicizzazione distribuita si adatta a grandi insiemi di dati; e la compattazione gestita ottimizza continuamente le tabelle in background. LanceDB afferma che la compattazione gestita supporta fino a 100 miliardi di righe multimodali, consentendo a più ricercatori di leggere, scrivere ed eseguire query contemporaneamente sulla stessa tabella.
I clienti raccontano come cambiano gli insiemi di dati di addestramento
Kamil Sindi, CTO di Runway, ha descritto l’evoluzione di un esempio di addestramento: «Un esempio di addestramento in Runway non resta immutato. Inizia come un video e un prompt; poi aggiungiamo gli embedding e metadati sulla risoluzione e sulla durata, qualsiasi cosa serva per l’esperimento successivo». Runway ha iniziato a utilizzare il formato dati Lance nel 2024 e in seguito è diventata cliente di LanceDB Enterprise. Oggi la società utilizza insieme Lance e LanceDB Enterprise, così che i ricercatori possano elaborare più rapidamente insiemi di dati ampi e in continua evoluzione.
NVIDIA Cosmos, utente e partner del progetto open source, offre un altro esempio di implementazione. Max Li, responsabile tecnico, ha dichiarato che il team ha selezionato con Lance circa un milione di ore di video per Cosmos 3, si sta orientando verso l’addestramento direttamente dal formato e trova utile la sua architettura nativa per l’archiviazione a oggetti per trasmettere in streaming, filtrare e ispezionare grandi insiemi di dati durante le revisioni, fornendo al contempo dati a grandi cluster di GPU.
Suqiang (Jack) Song, responsabile della piattaforma dati di Microsoft AI, ha dichiarato che la sua organizzazione utilizza LanceDB come livello per i dati di addestramento, gestendo miliardi di righe di immagini e codice; i processi di inferenza distribuita leggono direttamente da Lance su migliaia di nodi. Per la produzione, era imprescindibile operare all’interno del tenant e nel rispetto delle policy di sicurezza di Microsoft.
La roadmap della Serie B
LanceDB intende riunire dati di addestramento, contesto, log e rollout in un unico sistema su scala di petabyte. I team di ricerca potrebbero inoltre eseguire in parallelo un gran numero di esperimenti con agenti IA, senza contaminare gli insiemi di dati condivisi. L’obiettivo è coprire l’intero ciclo di miglioramento dei modelli, riducendo il controllo manuale delle pipeline e i problemi di caricamento dei dati che possono rallentare la ricerca.
LanceDB intende anche ampliare le proprie funzionalità di ingegneria delle feature. Un team potrebbe definire una trasformazione una sola volta; a quel punto, la piattaforma la applicherebbe all’intero insieme di dati, aggiornando retroattivamente le righe esistenti ed elaborando i nuovi dati man mano che arrivano. Ulteriori sviluppi riguarderanno una parte più ampia delle attività di preparazione precedenti all’addestramento, oltre al miglioramento del caricamento e della memorizzazione nella cache dei dati durante le sessioni di addestramento.
Con il round Serie B, LanceDB amplia il proprio raggio d’azione oltre il recupero dei dati, puntando anche alla gestione continua di insiemi di dati in evoluzione, alla conduzione di esperimenti e al supporto dei processi di addestramento. La prossima fase metterà alla prova la capacità di un’unica piattaforma di gestire sia volumi di dati su scala frontier sia le continue modifiche, esperimento dopo esperimento, descritte da clienti come Runway.












