Finansowanie
LanceDB pozyskuje 57,5 mln dolarów w rundzie Series B, aby rozwijać multimodalny lakehouse AI

Kluczowe punktyLanceDB pozyskało 57,5 miliona dolarów na rozwój lakehouse, który porządkuje i…
Zobacz więcej
- LanceDB pozyskało 57,5 miliona dolarów na rozwój lakehouse, który porządkuje i udostępnia dane do trenowania AI.
- Firma raportuje ponad dziesięciokrotny wzrost przychodów rok do roku od czasu serii A w czerwcu 2025 roku.
- LanceDB dąży do ujednolicenia danych treningowych, eksperymentów i wdrożeń, aby zespoły przestały ręcznie zarządzać pipeline'ami.
LanceDB poinformowało 17 listopada 2026 r. o pozyskaniu 57,5 mln dolarów w ramach rundy finansowania Series B na rozwój multimodalnego lakehouse — platformy do porządkowania i udostępniania danych treningowych AI. Dzięki tej rundzie łączna wartość finansowania spółki wzrosła do 98,5 mln dolarów.
Rundzie przewodziły Bessemer Venture Partners i Innovation Endeavors, a udział w niej wzięły także Theory Ventures, Dimension, Swift Ventures, CRV i Y Combinator. LanceDB planuje przeznaczyć pozyskany kapitał na rozszerzenie swojej roli w rozwoju modeli, obejmujące zarządzanie danymi treningowymi, inżynierię cech, prowadzenie eksperymentów i wczytywanie danych.
Wzrost popularności i skala techniczna
LanceDB zwraca uwagę, że badacze mogą tracić tygodnie lub miesiące na pozyskiwanie i selekcję danych treningowych, podczas gdy postępy w rozwoju najbardziej zaawansowanych modeli AI mierzy się w dniach i tygodniach. Multimodalny lakehouse ma pomóc zniwelować tę różnicę, łącząc selekcję, wyszukiwanie i pobieranie danych, inżynierię cech oraz trenowanie modeli na potrzeby prac nad najbardziej zaawansowanymi modelami, modelami świata, fizyczną AI i zastosowaniami korporacyjnymi.
Firma informuje, że od czasu rundy Series A w czerwcu 2025 r. jej przychody wzrosły ponad dziesięciokrotnie rok do roku. Jej biblioteka open source została pobrana ponad 120 mln razy, co oznacza sześciokrotny wzrost łącznej liczby pobrań w porównaniu z analogicznym okresem rok wcześniej. Do klientów należą Netflix, Microsoft AI, Runway, Luma AI i Midjourney.
Platformę zaprojektowano tak, aby przechowywała dane multimodalne, takie jak filmy, obrazy i dane z czujników, a jednocześnie obsługiwała wyszukiwanie i trenowanie na dużą skalę. Według LanceDB platforma obsługuje ponad 130 000 żądań na sekundę, przy opóźnieniu poniżej 210 milisekund dla 95% żądań; pojedyncze tabele mogą zawierać setki petabajtów danych lub ponad 40 mld wektorów, a trenowanie może odbywać się równolegle na 8 000 GPU.
Rozwiązania dla klientów korporacyjnych umożliwiają aktualizowanie tych tabel w trakcie ich używania. Trwały, przyspieszany pamięcią mechanizm zapisu obsługuje pozyskiwanie danych w czasie rzeczywistym, indeksowanie rozproszone skaluje się wraz ze wzrostem zbiorów danych, a zarządzana defragmentacja stale optymalizuje tabele w tle. LanceDB informuje, że zarządzana defragmentacja obsługuje do 100 mld wierszy multimodalnych, gdy wielu badaczy jednocześnie odczytuje, zapisuje i przeszukuje tę samą tabelę.
Klienci o zmieniających się zbiorach danych treningowych
Kamil Sindi, dyrektor ds. technicznych w Runway, opisał, jak zmienia się pojedynczy przykład treningowy: „Przykład treningowy w Runway nie pozostaje niezmienny. Zaczyna się od filmu i promptu, a potem dodajemy osadzenia oraz metadane dotyczące rozdzielczości i czasu trwania — wszystko, czego wymaga kolejny eksperyment”. Runway zaczęło korzystać z formatu danych Lance w 2024 r., a później zostało klientem LanceDB Enterprise. Obecnie firma korzysta jednocześnie z Lance i LanceDB Enterprise, dzięki czemu badacze mogą szybciej pracować z dużymi, stale zmieniającymi się zbiorami danych.
NVIDIA Cosmos, użytkownik oprogramowania open source i partner, stanowi kolejny przykład wdrożenia. Lider techniczny Max Li powiedział, że zespół wyselekcjonował za pomocą Lance około miliona godzin materiałów wideo na potrzeby Cosmos 3, zmierza do trenowania bezpośrednio na tym formacie, a architektura natywna dla pamięci obiektowej sprawdza się przy strumieniowaniu, filtrowaniu i przeglądaniu dużych zbiorów danych w miarę ich aktualizowania oraz dostarczaniu danych do dużych klastrów GPU.
Suqiang (Jack) Song, szef platformy danych Microsoft AI, powiedział, że jego organizacja używa LanceDB jako warstwy danych treningowych dla miliardów wierszy obejmujących obrazy i kod, a rozproszone zadania wnioskowania odczytują dane bezpośrednio z Lance na tysiącach węzłów. Możliwość działania w ramach własnej dzierżawy Microsoftu i zgodnie z jego polityką bezpieczeństwa była bezwzględnym wymogiem w środowisku produkcyjnym.
Plany rozwoju po rundzie Series B
LanceDB zamierza połączyć dane treningowe, kontekst, dzienniki i wyniki wdrożeń w jednym systemie działającym w skali petabajtów. Zespoły badawcze mogłyby również prowadzić równolegle dużą liczbę eksperymentów z agentami AI, nie zanieczyszczając współdzielonych zbiorów danych. Prace obejmują cały cykl doskonalenia modeli i mają ograniczyć ręczny nadzór nad potokami oraz problemy z wczytywaniem danych, które mogą spowalniać badania.
LanceDB planuje również rozbudować swoje narzędzia do inżynierii cech. Zespół definiowałby transformację tylko raz, a następnie platforma stosowałaby ją w całym zbiorze danych, uzupełniała istniejące wiersze i przetwarzała nowe dane w miarę ich napływu. Dalsze prace obejmą większą część przygotowań wykonywanych przed trenowaniem, a także usprawnienie wczytywania i buforowania danych podczas treningu.
Runda Series B pozwala LanceDB wyjść poza wyszukiwanie i objąć także ciągłe modyfikowanie zbiorów danych, prowadzenie eksperymentów oraz dostarczanie danych do zadań treningowych. W kolejnym etapie firma sprawdzi, czy jedna platforma może obsłużyć zarówno wolumeny danych typowe dla najbardziej zaawansowanych modeli, jak i ciągłe zmiany wprowadzane przy kolejnych eksperymentach, o których opowiadają klienci tacy jak Runway.












