11月18日、SiliconAngleが「LanceDB raises $57.5M to accelerate AI model training with multimodal data platform」と題した記事を公開した。この記事では、マルチモーダルデータ向けのAI学習基盤を開発するLanceDBが今回のシリーズBで5750万ドル(約85億円)を調達したことを詳しく紹介している。累計調達額は9850万ドルに達しており、タイトルの金額は今回ラウンド単体の数字である。
「データを動かさない」という設計思想
LanceDBが解こうとしている問題はシンプルだ。AIモデルの学習に使うデータが、テキスト・画像・動画・3Dセンサーデータ・地理座標・時系列データなど複数の形式にまたがっているため、研究チームはそれぞれ別のシステムでデータを管理せざるを得ない。結果として、1回の学習ランのためにデータセットを準備するだけで数週間から数ヶ月かかるというのが現状だ。
共同創業者でCEOのChang She氏はSiliconAngleのインタビューでこう述べている。
「研究チームは通常、データセットの各部分を別々の場所に保存しなければならず、最終的な学習を始める前にデータセット全体を準備するだけで何週間、何ヶ月も失ってしまう。AIには今、データレイヤーが欠けている。それが我々の作ろうとしているものだ。」
この「データレイヤー」という表現は、現代のMLOpsスタックの文脈で理解すると分かりやすい。実験管理(MLflow等)・モデルレジストリ・特徴量ストア・推論基盤といったコンポーネントが整備される一方で、マルチモーダルな生データを統合的に管理し、大規模GPU学習に直接供給するレイヤーは空白のまま残されてきた。LanceDBはその空白を埋めることを目指している。
LanceDBのアプローチの核心は、データをコピーも移動もしないという点にある。企業や研究機関が既存のクラウドストレージに持っているデータに直接接続し、そのままの場所で検索・整理・学習準備を行う。She氏は「データはその場にとどまる。それはあなたのものだ。コピーする必要はない」と説明する。
Lanceフォーマットと「マルチモーダル・レイクハウス」
技術的な基盤はLanceと呼ばれるオープンソースのデータフォーマットだ。従来の分析向けフォーマット(Apache ParquetやCSVなど)がテーブル全体の処理に最適化されているのに対し、Lanceは個別レコードの高速な取得と変更をサポートする。構造化データと画像・動画などの大容量ファイルを同一フォーマットで扱える点が特徴である。
なお、Apache IcebergやDelta Lakeといったオープンテーブルフォーマットも「データレイク上でのACIDトランザクション」を実現するが、これらは主に構造化データ(テーブル)の管理を念頭に置いており、画像・動画・点群といった大容量バイナリをレコードと同一フォーマットで扱うことは想定されていない。LanceはこのマルチモーダルなAI学習ワークフローに特化した設計である点が差別化要素となっている。
また、ベクターデータベースの分野ではWeaviate・Pinecone・Milvusといったプレイヤーが類似ドメインに存在するが、これらは主に「埋め込みベクターの検索」に特化した推論時のユースケースを想定している。LanceDBが訴求するのはあくまで学習データの統合管理と大規模GPUへの高速供給であり、ターゲットとするワークフローのフェーズが異なる。※編集部の考察
このフォーマットを土台に構築されたのが「マルチモーダル・レイクハウス」だ。レイクハウスとは、膨大な生データを格納できるデータレイクの柔軟性と、データベースのクエリ・管理機能を組み合わせたアーキテクチャを指す。LanceDBはこれをマルチモーダル対応で実装し、異なる形式のAI学習データを単一プラットフォーム上に統合する。
大規模な学習ワークフローでは、1テーブルあたり平均10〜20ペタバイトのデータを扱うケースもあり、場合によっては80〜100ペタバイトに達することもあるという。自動運転車のLiDARが生成する3D点群データ、映像、音声、アノテーションなどをひとつの基盤で管理できることが、このスケールでは大きな差になる。
導入事例:Runway、Netflix、Microsoft
実際の導入事例として、記事では3社が挙げられている。
Runway AI:動画生成AIの開発元。学習ニーズの拡大に伴いLanceDB Enterpriseを採用。CTOのKamil Sindi氏は「学習サンプルは動画とプロンプトから始まり、埋め込みやメタデータが追加されていく。非構造化データ、カラム追記、分散読み込み、アドホックSQLをすべて同時に扱える唯一の選択肢だったため、2024年にLanceフォーマットを採用した」とコメントしている。
Netflix:コンテンツ制作向けのメディアデータレイクをLanceDB上に構築。
Microsoft:数百億行規模の画像とコードデータを用いたモデル学習のデータレイヤーとして活用。
調達の概要と資金使途
今回のシリーズBラウンドはBessemer Venture PartnersとInnovation Endeavorsが主導。Theory Ventures、Dimension、Swift Ventures、CRV、Y Combinatorも参加した。今回の5750万ドルを加えた累計調達額は9850万ドルとなる。
調達資金は、マルチモーダルデータプラットフォームの拡張と、AIモデル開発サイクルの高速化に充てる予定だ。具体的には、大規模データキュレーション、特徴量エンジニアリング、学習中に何千ものGPUを効率的に稼働させるためのデータローディング改善が挙げられている。動画生成、ワールドモデル、ロボティクスなど新興AIワークロードへのサポート強化も計画されている。
She氏は「AIフライホイールを速く回すほど、研究チームはより高品質なモデルに早く到達できる」と述べており、データ準備の速度がモデル品質に直結するという考え方がLanceDBの開発方針の根幹にある。
詳細はLanceDB raises $57.5M to accelerate AI model training with multimodal data platformを参照していただきたい。




