資金調達

Daisyflowとコンパイラー技術の拡大に向け、Daisytunerが600万ユーロのシード資金を調達

Evan Mercer
Unite.AI を Google の優先ソースに追加
要点Daisyflowはモデルのリクエストと出力をベンダーのクラウドではなく顧客のインフラストラクチャ内に保持します。
もっと見る
  • Daisyflowはモデルのリクエストと出力をベンダーのクラウドではなく顧客のインフラストラクチャ内に保持します。
  • doccコンパイラは、実証済みのレシピをデータベースに追加する前に、各最適化の正確性を検証します。
  • Daisytunerは、初期のAMDパフォーマンス結果をより多くのモデルタイプとアクセラレータベンダーに拡張する必要があります。

Daisytunerは発表した。2026年11月16日、同社は600万ユーロのシード資金を調達し、顧客自身のインフラ内でモデルを稼働させ、異なるハードウェアに合わせて実行を最適化するAI推論エンジン「Daisyflow」をリリースした。

今回の資金調達ラウンドはElaiaとLEA Venturesが共同で主導し、Amadeus APEX Technology FundとSeedcampも参加した。Daisytunerによると、調達資金はDaisyflowの導入企業を増やし、チームを拡大するとともに、コンパイラー技術を発展させるために活用する。

Daisytunerによると、初期の検証では、Qwen 2.5がAMD Instinct GPU上でvLLMより最大18%高速に動作した。この結果は、より幅広いモデルカテゴリーやアクセラレーターの提供元に向けてDaisyflowを展開する同社の発表に、具体的な性能データをもたらしている。

Daisyflowを支えるコンパイラー自動化

この技術の中核を担うのは、Daisytunerがオープンソースで公開するコンパイラー、doccだ。PyTorch、NumPy、C/C++を、データの移動、並列処理、計算を明示する形式であるデータフロー中間表現に変換し、さらにNVIDIAのCUDAやAMDのROCmプラットフォーム、新しいアーキテクチャ向けのネイティブコードを生成する。これにより、新しいモデルやチップによって既存の最適化が通用しなくなった際に生じる、手作業での性能調整に対応する。

AIエージェントが最適化手法を探索し、実機でベンチマークを行う。doccは各最適化を使用前に検証し、正しさを確認する。実証済みの手法は性能データベースに登録される。その後のコンパイルでは、コンパイラーが類似コードに該当する手法を照合できるため、過去のワークロードで得た知見を新たな最適化に活用できる。

ホステッド版のDaisytuner Platformは、GitHubへのプッシュ時に継続的にベンチマークを実行する機能、ブラウザー上で使える最適化エディター、性能データベースを備え、これらの機能を開発者のワークフローに組み込む。ユーザーは実機で測定した処理のボトルネックを確認し、最適化手法を作成して、その結果をプルリクエストとして提出できる。Daisyflowはこの最適化レイヤーを基盤に、本番環境向けのモデルサービング機能を追加する。

doccのリポジトリでは、コンパイラーが新BSDライセンスで公開されている。互換性マトリックスによると、Linux上でC/C++、Python、PyTorchの各フロントエンドに対応し、バックエンドとしてOpenMP、CUDA、ROCmを利用できる。PyTorchフロントエンドが対応するのは推論のみで、学習には対応していない。

顧客が管理するデプロイ

Daisyflowは、言語、画像認識、音声、レコメンデーションの各モデルに対応する。推論レイヤーはリクエストをモデルに振り分け、ハードウェアの利用効率を高めるために処理をバッチ化・スケジューリングし、複数段階のワークフローやエージェントのワークフローを調整する。アプリケーションは標準APIを介して接続でき、言語モデルについてはOpenAIとの互換性を備えるほか、すぐに使えるチャットインターフェースも含まれている。

Daisyflowの製品ページによると、オンプレミス、顧客のデータセンター、プライベートクラウドに導入でき、アクセラレーターとしてNVIDIA、AMD、Intel、Tenstorrentを選択できる。リクエスト、データ、出力は顧客のインフラ内にとどまる。Daisytunerはワークロード、ハードウェア、コストを評価し、システムを導入して、選択されたアクセラレーター向けにモデルを移植する。また、運用やチューニングにも継続して関与する。

Daisytunerは、異種ハードウェアを混在させた環境を運用するクラウドプロバイダー、データや実行環境を自ら管理したい企業、本番環境への統合を迅速化したいハードウェアベンダーを対象としている。このデプロイモデルは、顧客がインフラを選択または所有し、Daisytunerが最適化レイヤーとサービングレイヤーを提供して運用を支援することで、これらの顧客層のニーズをつなぐ。

今回の資金調達は、このサービスの両面を支える。すなわち、企業への導入拡大と、新たなモデルやチップが登場する際の手作業による統合作業を減らすことを目指すコンパイラーシステムの開発だ。最大の課題は対応範囲の広さであり、初期に示されたAMDでの性能向上を、Daisyflowが対応を想定するさまざまなモデルの種類、アクセラレーターベンダー、顧客環境へと広げる必要がある。

Evan Mercer は AI生成のリサーチエージェントで、Unite.AI にて AI スタートアップ、ベンチャーキャピタル、次世代テクノロジー企業を形作る資金調達の動態を取材しています。彼の報道は、初期段階のイノベーション、資本の流れ、そして AI 企業が概念から世界的なインパクトへとスケールする際に創業者や投資家が行う戦略的な意思決定に焦点を当てています。

戦略的かつ分析的な視点で、Evan は AI スタートアップエコシステム全体の資金調達ラウンド、市場ポジショニング、そして新興トレンドを検証します。彼はベンチャーキャピタル、企業投資、公開市場が人工知能のブレークスルーとどのように交差するかを追跡し、短期的な誇大宣伝と持続可能なシグナルを区別します。

Evan Mercer が執筆した記事は AI 生成であり、Unite.AI の編集チームによってレビューされ、正確性、文脈、そして世界的な AI 投資環境の責任ある報道が確保されています