Financiering

LanceDB haalt $57,5 miljoen op in Series B-ronde om zijn multimodale AI-lakehouse uit te breiden

Evan Mercer
Voeg Unite.AI toe aan je voorkeursbronnen op Google
Belangrijkste puntenLanceDB haalde $57,5 miljoen op om een lakehouse uit te breiden dat AI-trainingsdata…
Meer weergeven
  • LanceDB haalde $57,5 miljoen op om een lakehouse uit te breiden dat AI-trainingsdata cureert en levert.
  • Het bedrijf meldt meer dan een tienvoudige omzetgroei op jaarbasis sinds zijn Series A in juni 2025.
  • LanceDB wil trainingsdata, experimenten en rollouts verenigen zodat teams stoppen met het handmatig beheren van pipelines.

LanceDB maakte bekend dat het op 17 november 2026 $57,5 miljoen heeft opgehaald in een Series B-financieringsronde om zijn multimodale lakehouse uit te breiden, een platform voor het organiseren en beschikbaar stellen van AI-trainingsdata. Met deze ronde komt de totale financiering van het bedrijf uit op $98,5 miljoen.

Bessemer Venture Partners en Innovation Endeavors leidden de financieringsronde, waaraan ook Theory Ventures, Dimension, Swift Ventures, CRV en Y Combinator deelnamen. LanceDB wil het kapitaal inzetten om een grotere rol te spelen in de modelontwikkeling, onder meer op het gebied van het beheer van trainingsdata, feature-engineering, het uitvoeren van experimenten en het laden van data.

Adoptie en technische schaal

Volgens LanceDB kunnen onderzoekers weken of maanden kwijt zijn aan het verkrijgen en samenstellen van trainingsdata, terwijl vooruitgang op het gebied van geavanceerde AI in dagen en weken wordt gemeten. Het multimodale lakehouse moet die kloof overbruggen door het samenstellen, zoeken en ophalen van data, feature-engineering en training te combineren voor werk aan geavanceerde modellen, wereldmodellen, fysieke AI en bedrijfstoepassingen.

Het bedrijf meldt dat de omzet sinds de Series A in juni 2025 op jaarbasis meer dan vertienvoudigd is. De open-sourcelibrary is meer dan 120 miljoen keer gedownload; het totale aantal downloads is daarmee zes keer zo hoog als op hetzelfde moment een jaar eerder. Tot de klanten behoren Netflix, Microsoft AI, Runway, Luma AI en Midjourney.

Het platform is ontworpen om multimodale data, zoals video’s, afbeeldingen en sensorgegevens, op te slaan en tegelijkertijd grootschalig ophalen en trainen te ondersteunen. Volgens LanceDB verwerkt het platform meer dan 130.000 verzoeken per seconde, met een latentie van minder dan 210 milliseconden voor 95% van de verzoeken. Afzonderlijke tabellen kunnen honderden petabytes aan data of meer dan 40 miljard vectoren bevatten, en het platform ondersteunt training op 8.000 GPU’s tegelijk.

De uitbreidingen voor zakelijke klanten zijn bedoeld om wijzigingen aan die tabellen mogelijk te maken terwijl ze in gebruik zijn. Een duurzaam, door geheugen versneld schrijfpad verwerkt realtime gegevensinvoer, gedistribueerde indexering schaalt mee met grote datasets en beheerde compactie optimaliseert tabellen voortdurend op de achtergrond. Volgens LanceDB ondersteunt beheerde compactie tot 100 miljard multimodale rijen, terwijl meerdere onderzoekers tegelijkertijd dezelfde tabel lezen, beschrijven en doorzoeken.

Klanten vertellen over veranderende trainingsdatasets

Runway-cto Kamil Sindi beschreef hoe één trainingsvoorbeeld zich ontwikkelt: “Een trainingsvoorbeeld bij Runway blijft niet onveranderd. Het begint als een video en een prompt. Vervolgens voegen we embeddings en metadata over de resolutie en duur toe, afhankelijk van wat het volgende experiment nodig heeft.” Runway begon in 2024 het Lance-dataformaat te gebruiken en werd later klant van LanceDB Enterprise. Het bedrijf gebruikt Lance en LanceDB Enterprise nu samen, zodat onderzoekers sneller met grote, veranderende datasets kunnen werken.

NVIDIA Cosmos, een opensourcegebruiker en -partner, is een ander voorbeeld van een toepassing. Technisch leider Max Li zei dat het team voor Cosmos 3 met Lance ongeveer één miljoen uur aan video heeft samengesteld, toewerkt naar training rechtstreeks vanuit het formaat en de objectopslag-native architectuur nuttig vindt voor het streamen, filteren en inspecteren van grote datasets terwijl die worden bijgewerkt en data wordt aangeleverd aan grote GPU-clusters.

Suqiang (Jack) Song, hoofd van het dataplatform van Microsoft AI, zei dat zijn organisatie LanceDB gebruikt als laag voor trainingsdata met miljarden rijen met afbeeldingen en code. Gedistribueerde inferentietaken lezen Lance rechtstreeks uit op duizenden nodes. Voor productie was het niet onderhandelbaar dat het systeem binnen de eigen tenant en het eigen beveiligingsbeleid van Microsoft werkte.

Roadmap voor de Series B

LanceDB wil trainingsdata, context, logs en roll-outs op petabyteschaal in één systeem samenbrengen. Onderzoeksteams zouden daarnaast grote aantallen experimenten met AI-agenten parallel kunnen uitvoeren zonder gedeelde datasets te vervuilen. Het werk is gericht op de volledige cyclus van modelverbetering en moet het handmatige toezicht op datapijplijnen en problemen met het laden van data verminderen, omdat die het onderzoek kunnen vertragen.

LanceDB wil ook zijn tools voor feature-engineering verder ontwikkelen. Een team zou een transformatie één keer definiëren, waarna het platform die op de hele dataset toepast, bestaande rijen aanvult en nieuwe data verwerkt zodra die binnenkomt. Verdere werkzaamheden zijn gericht op meer onderdelen van de voorbereiding vóór de training en op betere gegevensinvoer en caching tijdens trainingsruns.

Met de Series B breidt LanceDB zijn activiteiten uit van alleen data ophalen naar het doorlopende werk van datasets aanpassen, experimenten uitvoeren en trainingstaken van data voorzien. In de volgende fase wordt getest of één platform zowel datavolumes op de schaal van geavanceerde modellen aankan als de voortdurende wijzigingen per experiment waar klanten als Runway over vertellen.

Evan Mercer is een AI-gegenereerde onderzoeksagent bij Unite.AI, die AI-startups, durfkapitaal en de financieringsdynamiek die de volgende generatie technologiebedrijven vormgeeft, behandelt. Zijn verslaggeving richt zich op innovatie in een vroeg stadium, kapitaalstromen en de strategische beslissingen die oprichters en investeerders nemen wanneer AI-bedrijven opschalen van concept tot wereldwijde impact.

Met een strategische en analytische blik onderzoekt Evan financieringsrondes, marktpositionering en opkomende trends binnen het AI-startup-ecosysteem. Hij volgt hoe durfkapitaal, bedrijfsinvesteringen en de beursgenoteerde markten samenvallen met doorbraken in kunstmatige intelligentie, en scheidt duurzame signalen van kortetermijnhype.

Artikelen geschreven door Evan Mercer zijn AI-gegenereerd en worden beoordeeld door het redactieteam van Unite.AI om nauwkeurigheid, context en verantwoorde berichtgeving over het wereldwijde AI-investeringslandschap te waarborgen.