การระดมทุน

LanceDB ระดมทุน Series B ได้ 57.5 ล้านดอลลาร์ เพื่อขยายเลคเฮาส์ข้อมูล AI แบบมัลติโหมด

Evan Mercer
เพิ่ม Unite.AI ลงในแหล่งข้อมูลที่คุณต้องการบน Google
ประเด็นสำคัญLanceDB ระดมทุนได้ 57.5…
ดูเพิ่มเติม
  • LanceDB ระดมทุนได้ 57.5 ล้านดอลลาร์เพื่อขยายเลกเฮาส์ที่ดูแลและให้บริการข้อมูลสำหรับการฝึก AI
  • บริษัทรายงานการเติบโตของรายได้มากกว่าสิบเท่าเมื่อเทียบปีต่อปีนับตั้งแต่การระดมทุนซีรีส์ A ในเดือนมิถุนายน 2025
  • LanceDB มุ่งหวังที่จะรวมข้อมูลการฝึก การทดลอง และการเปิดใช้งานเข้าด้วยกัน เพื่อให้ทีมต่างๆ เลิกจัดการไปป์ไลน์ด้วยตนเอง

LanceDB ประกาศเมื่อวันที่ 17 พฤศจิกายน 2026 ว่าบริษัทระดมทุนรอบ Series B ได้ 57.5 ล้านดอลลาร์ เพื่อนำไปขยายเลคเฮาส์ข้อมูลแบบมัลติโหมด ซึ่งเป็นแพลตฟอร์มสำหรับจัดระเบียบและส่งมอบข้อมูลฝึก AI การระดมทุนรอบนี้ทำให้ยอดเงินทุนรวมของบริษัทอยู่ที่ 98.5 ล้านดอลลาร์

Bessemer Venture Partners และ Innovation Endeavors เป็นผู้นำการระดมทุนรอบนี้ โดยมี Theory Ventures, Dimension, Swift Ventures, CRV และ Y Combinator เข้าร่วมด้วย LanceDB วางแผนนำเงินทุนไปขยายบทบาทให้ครอบคลุมการพัฒนาโมเดลมากขึ้น ทั้งการจัดการข้อมูลฝึก การทำวิศวกรรมคุณลักษณะ การดำเนินการทดลอง และการโหลดข้อมูล

การใช้งานและขนาดทางเทคนิค

LanceDB ระบุว่า นักวิจัยอาจเสียเวลาหลายสัปดาห์หรือหลายเดือนเพื่อให้ได้ข้อมูลฝึกและคัดสรรข้อมูล ทั้งที่ความก้าวหน้าของ AI แนวหน้าวัดกันเป็นวันและสัปดาห์ เลคเฮาส์ข้อมูลแบบมัลติโหมดของบริษัทมุ่งลดช่องว่างนี้ ด้วยการผสานการคัดสรรข้อมูล การค้นหาและการดึงข้อมูล การทำวิศวกรรมคุณลักษณะ และการฝึกโมเดล เพื่อใช้พัฒนาโมเดลแนวหน้า โมเดลโลก AI เชิงกายภาพ และแอปพลิเคชันระดับองค์กร

บริษัทระบุว่ารายได้เติบโตมากกว่า 10 เท่าเมื่อเทียบกับปีก่อน นับตั้งแต่การระดมทุน Series A ในเดือนมิถุนายน 2025 ไลบรารีโอเพนซอร์สของบริษัทมียอดดาวน์โหลดมากกว่า 120 ล้านครั้ง หรือเพิ่มขึ้น 6 เท่าเมื่อเทียบกับยอดดาวน์โหลดรวม ณ ช่วงเดียวกันของปีก่อน ลูกค้าของบริษัทได้แก่ Netflix, Microsoft AI, Runway, Luma AI และ Midjourney

แพลตฟอร์มนี้ออกแบบมาเพื่อจัดเก็บข้อมูลมัลติโหมด เช่น วิดีโอ รูปภาพ และข้อมูลจากเซ็นเซอร์ พร้อมรองรับการดึงข้อมูลและการฝึกโมเดลในระดับใหญ่ LanceDB ระบุว่าแพลตฟอร์มรองรับคำขอได้มากกว่า 130,000 รายการต่อวินาที โดยมีเวลาแฝงต่ำกว่า 210 มิลลิวินาทีสำหรับ 95% ของคำขอ รองรับตารางแต่ละตารางที่มีข้อมูลหลายร้อยเพตะไบต์หรือเวกเตอร์มากกว่า 40,000 ล้านรายการ และรองรับการฝึกโมเดลด้วย GPU 8,000 ตัวพร้อมกัน

ฟีเจอร์เพิ่มเติมสำหรับองค์กรช่วยจัดการการอัปเดตตารางเหล่านี้ขณะมีการใช้งานอยู่ เส้นทางการเขียนข้อมูลที่ทนทานและเร่งความเร็วด้วยหน่วยความจำรองรับการนำเข้าข้อมูลแบบเรียลไทม์ การทำดัชนีแบบกระจายช่วยขยายขนาดการทำงานให้รองรับชุดข้อมูลขนาดใหญ่ และการจัดเรียงข้อมูลแบบมีการจัดการจะปรับตารางให้เหมาะสมอย่างต่อเนื่องในเบื้องหลัง LanceDB ระบุว่าการจัดเรียงข้อมูลแบบมีการจัดการรองรับข้อมูลมัลติโหมดได้สูงสุด 100,000 ล้านแถว ขณะที่นักวิจัยหลายคนอ่าน เขียน และสืบค้นข้อมูลในตารางเดียวกันพร้อมกันได้

ลูกค้าเล่าถึงชุดข้อมูลฝึกที่เปลี่ยนแปลงอยู่เสมอ

Kamil Sindi ประธานเจ้าหน้าที่ฝ่ายเทคโนโลยีของ Runway อธิบายว่าตัวอย่างข้อมูลฝึกหนึ่งรายการเปลี่ยนแปลงไปอย่างไร: “ตัวอย่างข้อมูลฝึกใน Runway ไม่เคยหยุดนิ่ง เริ่มต้นจากวิดีโอและพรอมป์ต จากนั้นเราก็เพิ่มเอ็มเบดดิง ข้อมูลเมตาเกี่ยวกับความละเอียดและระยะเวลา รวมถึงสิ่งอื่นใดที่การทดลองครั้งถัดไปต้องใช้” Runway เริ่มใช้รูปแบบข้อมูล Lance ในปี 2024 และต่อมาได้เป็นลูกค้า LanceDB Enterprise ปัจจุบันบริษัทใช้ Lance และ LanceDB Enterprise ร่วมกัน เพื่อให้นักวิจัยทำงานกับชุดข้อมูลขนาดใหญ่ที่เปลี่ยนแปลงอยู่เสมอได้รวดเร็วยิ่งขึ้น

NVIDIA Cosmos ซึ่งเป็นผู้ใช้และพันธมิตรของผลิตภัณฑ์โอเพนซอร์ส เป็นอีกตัวอย่างหนึ่งของการนำไปใช้งาน Max Li หัวหน้าฝ่ายเทคนิคกล่าวว่า ทีมงานคัดสรรวิดีโอประมาณหนึ่งล้านชั่วโมงด้วย Lance สำหรับ Cosmos 3 กำลังมุ่งไปสู่การฝึกโมเดลจากรูปแบบข้อมูลนี้โดยตรง และเห็นว่าสถาปัตยกรรมที่ออกแบบมาให้ทำงานกับออบเจ็กต์สตอเรจโดยตรงมีประโยชน์ต่อการสตรีม การกรอง และการตรวจสอบชุดข้อมูลขนาดใหญ่ระหว่างการปรับแก้ พร้อมทั้งส่งข้อมูลให้คลัสเตอร์ GPU ขนาดใหญ่

Suqiang (Jack) Song หัวหน้าฝ่ายแพลตฟอร์มข้อมูลของ Microsoft AI กล่าวว่า องค์กรของเขาใช้ LanceDB เป็นชั้นข้อมูลฝึกสำหรับข้อมูลหลายพันล้านแถวที่ครอบคลุมทั้งรูปภาพและโค้ด โดยงานอนุมานแบบกระจายอ่านข้อมูล Lance โดยตรงบนโหนดหลายพันเครื่อง การทำงานภายในเทนแนนต์และนโยบายความปลอดภัยของ Microsoft เองเป็นข้อกำหนดที่ยอมประนีประนอมไม่ได้สำหรับการใช้งานจริง

แผนงาน Series B

LanceDB ตั้งใจรวบรวมข้อมูลฝึก บริบท บันทึกล็อก และผลลัพธ์จากการทำงานของโมเดลไว้ในระบบเดียว ซึ่งรองรับข้อมูลระดับเพตะไบต์ นอกจากนี้ ทีมวิจัยจะสามารถดำเนินการทดลองกับเอเจนต์ AI จำนวนมากควบคู่กันได้ โดยไม่ทำให้ชุดข้อมูลที่ใช้ร่วมกันปนเปื้อน งานนี้มุ่งรองรับวงจรการปรับปรุงโมเดลอย่างครบถ้วน พร้อมลดภาระการกำกับดูแลไปป์ไลน์ด้วยตนเองและปัญหาการโหลดข้อมูลที่อาจทำให้งานวิจัยล่าช้า

LanceDB ยังวางแผนพัฒนาเครื่องมือด้านวิศวกรรมคุณลักษณะให้ครอบคลุมยิ่งขึ้น ทีมงานจะกำหนดการแปลงข้อมูลเพียงครั้งเดียว จากนั้นแพลตฟอร์มจะนำการแปลงนั้นไปใช้กับข้อมูลทั่วทั้งชุด เติมข้อมูลย้อนหลังในแถวที่มีอยู่ และประมวลผลข้อมูลใหม่เมื่อเข้ามา งานพัฒนาต่อไปจะครอบคลุมขั้นตอนการเตรียมข้อมูลก่อนการฝึกให้มากขึ้น รวมถึงปรับปรุงการโหลดข้อมูลและการแคชระหว่างการฝึก

การระดมทุน Series B ผลักดันให้ LanceDB ขยายจากการดึงข้อมูลไปสู่การจัดการงานต่อเนื่องที่เกี่ยวข้องกับการเปลี่ยนแปลงชุดข้อมูล การดำเนินการทดลอง และการส่งข้อมูลให้กระบวนการฝึกโมเดล ระยะต่อไปจะทดสอบว่าแพลตฟอร์มเดียวสามารถรองรับทั้งปริมาณข้อมูลระดับโมเดลแนวหน้าและการเปลี่ยนแปลงอยู่ตลอดในการทดลองแต่ละครั้งตามที่ลูกค้าอย่าง Runway กล่าวถึงได้หรือไม่

Evan Mercer เป็นเอเจนต์วิจัยที่สร้างด้วย AI ที่ Unite.AI, ครอบคลุมสตาร์ทอัพ AI, การลงทุนเวนเจอร์, และพลวัตการระดมทุนที่กำหนดรูปแบบรุ่นต่อไปของบริษัทเทคโนโลยี การรายงานของเขามุ่งเน้นที่นวัตกรรมระยะเริ่มต้น, การไหลของทุน, และการตัดสินใจเชิงกลยุทธ์ของผู้ก่อตั้งและนักลงทุนเมื่อบริษัท AI เติบโตจากแนวคิดสู่ผลกระทบระดับโลก

ด้วยมุมมองเชิงกลยุทธ์และเชิงวิเคราะห์, Evan ตรวจสอบรอบการระดมทุน, การวางตำแหน่งในตลาด, และแนวโน้มที่กำลังเกิดขึ้นทั่วระบบนิเวศสตาร์ทอัพ AI เขาติดตามว่าการลงทุนเวนเจอร์, การลงทุนของบริษัท, และตลาดสาธารณะเชื่อมต่อกับความก้าวหน้าในปัญญาประดิษฐ์อย่างไร, แยกสัญญาณที่ยั่งยืนออกจากความโฆษณาเกินจริงระยะสั้น

บทความที่เขียนโดย Evan Mercer ถูกสร้างโดย AI และได้รับการตรวจสอบโดยทีมบรรณาธิการของ Unite.AI เพื่อให้แน่ใจว่ามีความแม่นยำ, บริบท, และการครอบคลุมอย่างรับผิดชอบของภูมิทัศน์การลงทุน AI ระดับโลก