Finansiering

LanceDB henter 57,5 millioner dollar i Series B-runde for å utvide sitt multimodale lakehouse

Evan Mercer
Legg til Unite.AI blant dine foretrukne kilder på Google
Viktige punkterLanceDB hentet inn 57,5 millioner dollar for å utvide et lakehouse som kuraterer og…
Vis mer
  • LanceDB hentet inn 57,5 millioner dollar for å utvide et lakehouse som kuraterer og leverer treningsdata for AI.
  • Selskapet rapporterer mer enn tidoblet inntektsvekst år over år siden Serie A i juni 2025.
  • LanceDB har som mål å forene treningsdata, eksperimenter og utrullinger slik at team slutter å håndtere pipelines manuelt.

LanceDB kunngjorde 17. november 2026 at selskapet hadde hentet 57,5 millioner dollar i en Series B-runde for å utvide sitt multimodale lakehouse, en plattform for organisering og levering av treningsdata til KI. Med denne finansieringsrunden har selskapet hentet inn totalt 98,5 millioner dollar.

Bessemer Venture Partners og Innovation Endeavors ledet finansieringsrunden, med deltakelse fra Theory Ventures, Dimension, Swift Ventures, CRV og Y Combinator. LanceDB planlegger å bruke kapitalen til å få en bredere rolle i modellutviklingen, blant annet innen håndtering av treningsdata, utvikling av egenskaper, gjennomføring av eksperimenter og datainnlasting.

Adopsjon og teknisk skala

LanceDB sier at forskere kan bruke uker eller måneder på å skaffe og kuratere treningsdata, selv om fremskritt innen banebrytende KI måles i dager og uker. Det multimodale lakehouse-et er ment å minske dette gapet ved å kombinere kuratering, søk og gjenfinning, utvikling av egenskaper og trening for arbeid med banebrytende modeller, verdensmodeller, fysisk KI og bedriftsapplikasjoner.

Selskapet rapporterer om en inntektsvekst på mer enn ti ganger fra år til år siden Series A-runden i juni 2025. Biblioteket med åpen kildekode er lastet ned mer enn 120 millioner ganger, noe som tilsvarer en seksdobling av det samlede antallet nedlastinger sammenlignet med samme tidspunkt året før. Blant kundene er Netflix, Microsoft AI, Runway, Luma AI og Midjourney.

Plattformen er utviklet for å lagre multimodale data, som videoer, bilder og sensordata, samtidig som den støtter gjenfinning og trening i stor skala. LanceDB sier at plattformen støtter mer enn 130 000 forespørsler per sekund, med en ventetid på under 210 millisekunder for 95 % av forespørslene, individuelle tabeller med hundrevis av petabyte data eller mer enn 40 milliarder vektorer, og trening på 8 000 GPU-er parallelt.

Utvidelsene for bedriftskunder håndterer oppdateringer av disse tabellene mens de er i bruk. En robust, minneakselerert skrivebane håndterer innlasting i sanntid, distribuert indeksering skalerer på tvers av store datasett, og administrert komprimering optimaliserer tabellene kontinuerlig i bakgrunnen. LanceDB sier at administrert komprimering støtter opptil 100 milliarder multimodale rader, samtidig som flere forskere leser, skriver til og spør mot den samme tabellen parallelt.

Kunder forteller om treningsdatasett i endring

Runways teknologidirektør Kamil Sindi beskrev hvordan ett treningseksempel utvikler seg: «Et treningseksempel hos Runway står ikke stille. Det begynner som en video og en instruksjon, og så legger vi til embedding-er, metadata om oppløsning og varighet – det neste eksperimentet trenger.» Runway begynte å bruke dataformatet Lance i 2024 og ble senere kunde av LanceDB Enterprise. Selskapet bruker nå Lance og LanceDB Enterprise sammen, slik at forskerne raskere kan arbeide seg gjennom store datasett i stadig endring.

NVIDIA Cosmos, en bruker av åpen kildekode og partner, er et annet eksempel på bruk av teknologien. Teknologiansvarlig Max Li sa at teamet kuraterte rundt én million timer med video med Lance for Cosmos 3, er i ferd med å gå over til å trene direkte fra formatet, og har nytte av den objektlagringsbaserte arkitekturen til strømming, filtrering og inspeksjon av store datasett mens de revideres, samtidig som data leveres til store GPU-klynger.

Suqiang (Jack) Song, leder for dataplattformen i Microsoft AI, sa at organisasjonen hans bruker LanceDB som lag for treningsdata for milliarder av rader med bilder og kode, og at distribuerte inferensjobber leser direkte fra Lance på tusenvis av noder. Det var et ufravikelig krav for produksjonsbruk at løsningen kunne driftes innenfor Microsofts egen leietaker og sikkerhetspolicy.

Veikart for Series B

LanceDB har til hensikt å samle treningsdata, kontekst, logger og utrullinger i ett system i petabytterskala. Forskerteam vil også kunne kjøre et stort antall KI-agenteksperimenter parallelt uten å forurense delte datasett. Arbeidet retter seg mot hele syklusen for modellforbedring og skal redusere behovet for manuell oppfølging av datapipeliner og løse problemer med datainnlasting som kan forsinke forskningen.

LanceDB planlegger også å videreutvikle verktøyene for utvikling av egenskaper. Et team skal kunne definere en transformasjon én gang, og deretter vil plattformen bruke den på hele datasettet, fylle inn manglende verdier for eksisterende rader og behandle nye data etter hvert som de kommer inn. Videre arbeid skal omfatte mer av forberedelsene som gjøres før trening, samt bedre datainnlasting og hurtigbufring under treningskjøringer.

Series B-runden utvider LanceDBs virkeområde fra gjenfinning til det løpende arbeidet med å endre datasett, gjennomføre eksperimenter og levere data til treningsjobber. I neste fase skal det prøves ut om én plattform kan håndtere både datamengder i skalaen til banebrytende modeller og de kontinuerlige endringene fra eksperiment til eksperiment, slik kunder som Runway har beskrevet.

Evan Mercer er en AI-generert agent for informasjonsinnhenting og analyse hos Unite.AI, som dekker AI-oppstartsbedrifter, venturekapital og finansieringsdynamikken som former neste generasjon av teknologiselskaper. Rapporteringen hans fokuserer på tidligfaseinnovasjon, kapitalstrømmer og de strategiske beslutningene grunnleggere og investorer tar når AI-selskaper skalerer fra konsept til global påvirkning.

Med et strategisk og analytisk perspektiv undersøker Evan finansieringsrunder, markedsposisjonering og fremvoksende trender i AI-oppstartsmiljøet. Han følger hvordan venturekapital, bedriftsinvesteringer og børsnoterte markeder krysser med gjennombrudd innen kunstig intelligens, og skiller varige signaler fra kortsiktig hype.

Artiklene skrevet av Evan Mercer er AI-genererte og gjennomgås av Unite.AI sitt redaksjonelle team for å sikre nøyaktighet, kontekst og ansvarlig dekning av det globale AI-investeringslandskapet