Фінансування

LanceDB залучила $57,5 млн у раунді серії B для розвитку мультимодального озерного сховища даних на основі ШІ

Evan Mercer
Додайте Unite.AI до бажаних джерел у Google
Ключові моментиLanceDB залучила 57,5 мільйона доларів для розширення lakehouse, який курує та надає…
Показати більше
  • LanceDB залучила 57,5 мільйона доларів для розширення lakehouse, який курує та надає дані для навчання ШІ.
  • Компанія повідомляє про понад десятикратне зростання доходу рік до року з моменту Series A у червні 2025 року.
  • LanceDB прагне об'єднати дані для навчання, експерименти та розгортання, щоб команди припинили вручну керувати конвеєрами.

LanceDB оголосила 17 листопада 2026 року про залучення $57,5 млн у раунді фінансування серії B для розвитку свого мультимодального озерного сховища даних — платформи для впорядкування та надання навчальних даних для ШІ. Загальний обсяг фінансування компанії сягнув $98,5 млн.

Раунд очолили Bessemer Venture Partners та Innovation Endeavors за участю Theory Ventures, Dimension, Swift Ventures, CRV і Y Combinator. LanceDB планує спрямувати кошти на розширення своєї ролі в розробленні моделей, зокрема в управлінні навчальними даними, розробленні ознак, проведенні експериментів і завантаженні даних.

Зростання впровадження та технічний масштаб

За словами LanceDB, дослідники можуть витрачати тижні чи місяці на отримання та підготовку навчальних даних, хоча прогрес у передових системах ШІ вимірюється днями й тижнями. Мультимодальне озерне сховище даних покликане скоротити цей розрив, поєднуючи підготовку, пошук і отримання даних, розроблення ознак та навчання для роботи над передовими моделями, моделями світу, фізичним ШІ та корпоративними застосунками.

Компанія повідомляє, що від залучення фінансування серії A у червні 2025 року її річний виторг зріс більш ніж удесятеро. Бібліотеку з відкритим кодом завантажували понад 120 мільйонів разів — загальна кількість завантажень зросла вшестеро порівняно з тим самим періодом роком раніше. Серед клієнтів — Netflix, Microsoft AI, Runway, Luma AI та Midjourney.

Платформу розроблено для зберігання мультимодальних даних, як-от відео, зображення та дані сенсорів, із підтримкою пошуку й навчання у великому масштабі. За даними LanceDB, платформа обробляє понад 130 000 запитів за секунду із затримкою менш ніж 210 мілісекунд для 95% запитів; окремі таблиці можуть містити сотні петабайтів даних або понад 40 мільярдів векторів, а навчання може відбуватися паралельно на 8 000 графічних процесорах.

Корпоративні доповнення дають змогу оновлювати ці таблиці під час роботи з ними. Надійний шлях запису з прискоренням за рахунок пам’яті обробляє дані в реальному часі, розподілене індексування масштабується для великих наборів даних, а керована компактизація безперервно оптимізує таблиці у фоновому режимі. За словами LanceDB, керована компактизація підтримує до 100 мільярдів мультимодальних рядків, водночас кілька дослідників можуть одночасно читати, записувати й запитувати дані в тій самій таблиці.

Клієнти розповідають про зміни в навчальних наборах даних

Технічний директор Runway Каміл Сінді описав, як змінюється один навчальний приклад: «Навчальний приклад у Runway не залишається незмінним. Спочатку це відео та запит, потім ми додаємо ембеддинги, метадані про роздільну здатність і тривалість — усе, що потрібно для наступного експерименту». Runway почала використовувати формат даних Lance у 2024 році, а згодом стала клієнтом LanceDB Enterprise. Тепер компанія використовує Lance разом із LanceDB Enterprise, щоб дослідники могли швидше працювати з великими наборами даних, які постійно змінюються.

NVIDIA Cosmos, користувач рішення з відкритим кодом і партнер, є ще одним прикладом розгортання. Технічний керівник Макс Лі розповів, що команда підготувала для Cosmos 3 близько мільйона годин відео за допомогою Lance, переходить до навчання безпосередньо з цього формату та вважає корисною його архітектуру, орієнтовану на об’єктне сховище: вона дає змогу потоково обробляти, фільтрувати й перевіряти великі набори даних у міру їх оновлення, одночасно передаючи дані великим кластерам графічних процесорів.

Керівник платформи даних Microsoft AI Суцян (Джек) Сон сказав, що його організація використовує LanceDB як рівень навчальних даних для мільярдів рядків із зображеннями та кодом, а розподілені завдання інференсу читають Lance безпосередньо на тисячах вузлів. Для запуску у виробничому середовищі було обов’язковим дотримання власної політики Microsoft щодо тенантів і безпеки.

План розвитку серії B

LanceDB планує об’єднати навчальні дані, контекст, журнали та результати прогонів в одній системі петабайтного масштабу. Дослідницькі команди також зможуть паралельно проводити велику кількість експериментів з AI-агентами, не забруднюючи спільні набори даних. Ця робота охоплює весь цикл удосконалення моделей і має зменшити обсяг ручного контролю конвеєрів та проблем із завантаженням даних, які можуть сповільнювати дослідження.

LanceDB також планує розширити можливості інструментів для розроблення ознак. Команда зможе один раз визначити перетворення, після чого платформа застосовуватиме його до всього набору даних, заповнюватиме даними наявні рядки та оброблятиме нові в міру їх надходження. Подальша робота охопить більше етапів підготовки даних перед навчанням, а також удосконалення завантаження та кешування даних під час навчальних запусків.

Раунд серії B розширює діяльність LanceDB за межі пошуку даних, охоплюючи постійну роботу зі зміною наборів даних, проведенням експериментів і забезпеченням навчальних завдань даними. На наступному етапі перевірятимуть, чи здатна одна платформа працювати і з обсягами даних масштабу передових систем, і з постійними змінами від одного експерименту до іншого, про які розповідають такі клієнти, як Runway.

Evan Mercer є AI‑згенерованим дослідницьким ШІ-агентом у Unite.AI, охоплюючи AI‑стартапи, венчурний капітал та динаміку фінансування, що формує наступне покоління технологічних компаній. Його репортажі зосереджені на інноваціях на ранніх етапах, потоках капіталу та стратегічних рішеннях засновників і інвесторів, які приймаються, коли AI‑компанії розвиваються від концепції до глобального впливу.

Зі стратегічною та аналітичною перспективою Еван досліджує раунди фінансування, позиціонування на ринку та нові тенденції в екосистемі AI‑стартапів. Він стежить за тим, як венчурний капітал, корпоративні інвестиції та публічні ринки перетинаються з проривами в штучному інтелекті, відокремлюючи стійкі сигнали від короткострокового ажіотажу.

Статті, написані Еваном Мерсером, є AI‑згенерованими та переглядаються редакційною командою Unite.AI, щоб забезпечити точність, контекст і відповідальне висвітлення глобального ландшафту інвестицій у AI