融資資訊
| 項目 | 值 |
|---|---|
| 公司 | LanceDB(美國,舊金山) |
| 輪次 | Series B |
| 金額 | $57.5M |
| 領投 | Bessemer Venture Partners、Innovation Endeavors |
| 跟投 | Theory Ventures、Dimension、Swift Ventures、CRV、Y Combinator |
| 估值 | 未揭露 |
| 累計融資 | $98.5M(Series A 時約 $41M,2025 年 6 月) |
| 成立年份 | 2022 年 |
| 員工數 | 約 35 人(Y Combinator 公司檔案,募資前統計) |
這家公司做什麼
LanceDB 是做多模態 AI 訓練資料平台的公司——核心主張是現在的模型訓練卡在「資料散落在不同系統裡」,研究團隊光是把一次訓練所需的影像、影片、感測器資料兜齊,就要耗掉好幾週到好幾個月。
技術建立在自家開源格式 Lance 上:傳統分析格式針對整表讀寫優化,Lance 則支援對單筆紀錄的高速檢索與修改,同時把結構化欄位和影像、影片等大型檔案放在同一張表裡。LanceDB 在這個格式上蓋了一層多模態 lakehouse,資料留在客戶自己的雲端儲存裡不用搬移,系統可以單表撐住數百 PB 資料、單表超過 400 億個向量,每秒處理超過 13 萬次請求、P95 延遲低於 210 毫秒。
目前客戶包括 Netflix(拿它建內容生產的媒體資料湖)、Microsoft AI(用它作為訓練數十億筆影像與程式碼資料的 data layer)、Runway、Luma AI 與 Midjourney。Runway CTO Kamil Sindi 提到團隊 2024 年開始用 Lance 格式,是當時唯一能同時處理非結構化資料、欄位增補、分散式讀取與 ad-hoc SQL 查詢的方案,之後進一步升級成 LanceDB Enterprise 客戶。
這筆融資的信號
對 Agent 生態的意義
LanceDB 官方部落格這次特別點名「agent」:新一輪資金要支援的場景之一,是讓研究者與他們的 agent 能在同一個系統裡管理訓練資料、context、log 與 rollout,並行跑大量 agentic 實驗而不污染共用資料集。這代表「資料層」正在從單純的模型訓練基礎設施,延伸成 agent 大規模平行實驗時需要的記憶體與追蹤層——CrewAI 已經拿 LanceDB 取代原本的雙系統記憶體架構,目前支撐它 1,200 萬次月下載、超過 20 億次 agent 執行。
投資人在賭什麼
領投方 Bessemer Venture Partners 的邏輯很直接:合夥人 Mike Droesch 把創辦人 Chang She 與 Lei Xu 定位成「做了近二十年核心資料基礎設施」的團隊(Chang She 是 pandas 的原始作者之一),押注的是「訓練多模態資料」會是 AI 基礎設施下一個必須單獨解決的層,就像當年向量資料庫從「資料庫的一個功能」獨立成一個類別。LanceDB 沒有揭露這輪估值,但從 Netflix、Microsoft AI、NVIDIA Cosmos 這類客戶的採用深度來看,投資人賭的不是「哪家公司最會行銷」,而是哪家公司已經卡進大型 AI 實驗室的訓練 pipeline 裡,轉換成本夠高。
值得觀察的數字
數字來自 LanceDB 官方部落格(2026-11-17)。
- 累計融資只成長 2.4 倍,但年營收成長超過 10 倍、開源下載量成長 6 倍——成長曲線明顯比募資曲線更陡,顯示這輪募資偏向「補基礎設施缺口」而非「燒錢換成長」。
- 單表能撐超過 400 億個向量、每秒 13 萬次請求,這兩個數字是公司自報的系統規格,沒有第三方 benchmark 可對照,但符合 Netflix、Microsoft AI 這類大型客戶的採用規模量級。
- 這輪沒有揭露估值,是目前整理到的融資速報裡少數「估值不透明」的案例,與同期多數 AI agent 公司高調公布估值倍數的作法形成對比。
Watchlist 狀態
LanceDB 已在 watchlist section C3(向量資料庫),追蹤重點更新為:從向量檢索延伸成多模態訓練資料 lakehouse,並開始明確把「agent 平行實驗的資料隔離」列為產品場景之一。
今日收穫
多數 AI agent 融資新聞都在比估值倍數,但 LanceDB 這輪反過來——不揭露估值,只攤開營收與下載量的成長曲線。當一家基礎設施公司的客戶名單已經是 Netflix、Microsoft AI、NVIDIA 等級,「要不要秀估值」本身也變成一種訊號:產品力夠硬時,估值反而不是說服投資人或市場的必要籌碼。