Gimlet Labs को 300 मिलियन USD—AI अनुमान अब एक चिप पर निर्भर नहीं
सैन फ्रांसिस्को स्थित Gimlet Labs ने 4 सितंबर 2026 को Andreessen Horowitz के नेतृत्व में 300 मिलियन USD की Series B जुटाई। Reuters की रिपोर्ट के मुताबिक इस दौर ने कंपनी का मूल्यांकन 3 अरब USD तय किया; Sapphire Ventures, Microsoft का उद्यम कोष M12, Arm, Menlo Ventures और Factory भी निवेशकों में शामिल हैं।
नई पूँजी कंपनी के बहु-सिलिकॉन अनुमान मंच का संचालन बढ़ाने और टीम के विस्तार के लिए है। इस मंच का तकनीकी दाँव यह है कि AI मॉडल के सभी हिस्सों को एक ही प्रकार की चिप पर चलाने के बजाय अलग-अलग काम उस प्रोसेसर को सौंपे जाएँ जो उनके लिए अधिक उपयुक्त हो। Bloomberg की पड़ताल के अनुसार Gimlet Labs अपने सॉफ्टवेयर को Arm की विभिन्न चिप तकनीकों के अनुकूल बनाने पर भी उसके साथ काम कर रही है।
तीन अलग आँकड़े: निवेश, मूल्यांकन और कुल पूँजी
इस सौदे के तीन प्रमुख आँकड़ों का अर्थ एक नहीं है। 300 मिलियन USD मौजूदा Series B की राशि है, 3 अरब USD निवेश के बाद कंपनी का मूल्यांकन और 392 मिलियन USD अब तक जुटाई गई कुल बाहरी पूँजी है; SiliconANGLE के वित्तपोषण विवरण में इन तीनों की पुष्टि की गई है।
कुल पूँजी का आँकड़ा वर्तमान नकद शेष नहीं बताता। इसमें पहले जुटाए गए 92 मिलियन USD और नई राशि दोनों शामिल हैं, जबकि पुरानी पूँजी का एक हिस्सा पहले ही खर्च हो सकता है। इसी तरह 3 अरब USD का मूल्यांकन कंपनी की बिक्री, लाभ या बैंक खाते में उपलब्ध रकम नहीं, बल्कि इस निवेश दौर में उसकी हिस्सेदारी के लिए स्वीकार किया गया मूल्य है।
निवेशकों का मिश्रण इस दौर की तकनीकी दिशा भी दिखाता है। उद्यम पूँजी फर्मों के साथ Arm और Samsung Ventures जैसे चिप उद्योग से जुड़े नाम ऐसे मंच के लिए उपयोगी संबंध ला सकते हैं जिसे कई प्रोसेसर वास्तुकलाओं पर काम करना है। हालांकि निवेश की राशि अपने आप यह साबित नहीं करती कि प्रणाली ग्राहक के हर मॉडल पर सस्ती, तेज या लाभदायक होगी।
मॉडल का काम अलग प्रोसेसरों में कैसे बँटता है
सामान्यतः AI अनुमान के पूरे कार्यभार को समान GPU समूह पर चलाया जा सकता है, लेकिन उसके अलग हिस्सों की गणना और मेमोरी संबंधी जरूरतें एक जैसी नहीं होतीं। Gimlet Labs का सॉफ्टवेयर मॉडल और कार्यभार को छोटे भागों में विभाजित कर उन्हें उपलब्ध GPU, CPU, अधिक मेमोरी वाले तंत्र या विशेष AI त्वरकों पर निर्धारित करता है। TechCrunch की तकनीकी पड़ताल में इस मंच को एक ही AI कार्यभार को विविध हार्डवेयर पर साथ चलाने वाली संचालन परत बताया गया था।
बदलाव केवल दूसरी चिप चुनने का नहीं, मॉडल के भीतर सही सीमा पर काम बाँटने का है। सॉफ्टवेयर को हर हिस्से की जरूरत, उपलब्ध उपकरणों की क्षमता और स्वीकार्य विलंब को देखकर समय निर्धारण करना पड़ता है। किसी पसंदीदा त्वरक का समूह भर जाने पर दूसरे संगत हार्डवेयर की खाली क्षमता उपयोग में लाई जा सकती है।
इससे दो अवरोध हल करने की कोशिश होती है। पहला, महँगा हार्डवेयर केवल इसलिए खाली न रहे कि वर्तमान काम उसके लिए मूल रूप से निर्धारित नहीं था। दूसरा, हर चरण को ऐसे उपकरण पर चलाया जा सके जिसकी गणना शक्ति या मेमोरी बैंडविड्थ उस चरण की मुख्य जरूरत से मेल खाती हो। शीर्षक में एक चिप पर निर्भरता घटने का अर्थ इसी वास्तुकला से है, पूरे AI उद्योग के एकल-प्रकार GPU समूहों को छोड़ देने से नहीं।
प्रीफिल और डिकोड का विभाजन क्यों अहम है
इस व्यवस्था का सबसे सीधा उदाहरण प्रीफिल–डिकोड विभाजन है। प्रीफिल चरण में मॉडल पूरे इनपुट निर्देश और संदर्भ को पढ़कर उत्तर तैयार करने की आंतरिक स्थिति बनाता है; इसमें समानांतर गणना का भार अधिक होता है। डिकोड चरण में अगला टोकन क्रमशः तैयार होता है, इसलिए मॉडल भार और पहले से बनी स्थिति तक तेज पहुँच के लिए मेमोरी बैंडविड्थ अधिक महत्वपूर्ण हो सकती है।
एक समान हार्डवेयर समूह में दोनों चरण एक ही प्रकार के उपकरणों पर चलते हैं, भले उनकी प्रमुख बाधाएँ अलग हों। विभाजित व्यवस्था प्रीफिल को गणना-केंद्रित त्वरकों और डिकोड को अधिक मेमोरी बैंडविड्थ वाले उपकरणों पर भेज सकती है। इससे विलंब, टोकन क्षमता और हार्डवेयर उपयोग के बीच संतुलन बदलना संभव होता है।
लेकिन यह विभाजन मुफ्त नहीं है। प्रीफिल से बनी आंतरिक स्थिति डिकोड चलाने वाले उपकरण तक पहुँचानी पड़ती है; धीमा नेटवर्क या बड़ा डेटा स्थानांतरण लाभ को घटा सकता है। वास्तविक परिणाम मॉडल के आकार, अनुरोध की लंबाई, चिप संयोजन, नेटवर्क और समय निर्धारण पर निर्भर करेगा। इसलिए बहु-सिलिकॉन प्रणाली को हर परिस्थिति में तेज या सस्ता मानना अभी उचित नहीं है।
“अरबों की अनुबंधित आय” राजस्व या नकद नहीं
वित्तपोषण के साथ आया सबसे सावधानी से पढ़ा जाने वाला व्यावसायिक आँकड़ा अनुबंधों से जुड़ा है। Gimlet Labs की आधिकारिक पोस्ट में मार्च 2026 के बाद अरबों की अनुबंधित आय जुड़ने, डेटा-सेंटर परियोजनाओं की कतार गीगावाट स्तर तक पहुँचने और प्रबंधित क्षमता को सैकड़ों मेगावाट तक बढ़ाने का दावा किया गया है। पोस्ट में अनुबंधों की अवधि, ग्राहकों की संख्या, न्यूनतम खरीद दायित्व, रद्द करने की शर्तें या अब तक लेखांकन में मान्य राजस्व नहीं दिया गया।
अनुबंधित आय सामान्यतः भविष्य में सेवाएँ देने पर मिलने वाले कुल संभावित मूल्य को दर्शा सकती है। वह उसी समय प्राप्त नकद, जारी किए गए बिल या किसी एक वर्ष के मान्य राजस्व के बराबर नहीं होती। बहुवर्षीय समझौतों से आय धीरे-धीरे दर्ज हो सकती है, जबकि क्षमता तैयार करने के लिए डेटा-सेंटर, बिजली, नेटवर्क और हार्डवेयर पर खर्च पहले करना पड़ सकता है।
अभी पुष्ट स्थिति यह है कि Gimlet Labs के पास बड़ा नया निवेश और विभिन्न प्रोसेसरों पर अनुमान कार्य बाँटने की स्पष्ट तकनीकी योजना है। आगे निर्णायक प्रमाण ग्राहक तैनातियों, स्वतंत्र प्रदर्शन परीक्षणों, चालू प्रबंधित क्षमता और मान्य राजस्व के आँकड़ों से मिलेगा। इनके बिना Series B तकनीक और संभावित माँग पर निवेशकों का महत्वपूर्ण दाँव है, उसकी व्यावसायिक सफलता का अंतिम प्रमाण नहीं।
यह भी पढ़ें:
हमारे न्यूज़लेटर की सदस्यता लें
Web3, AI और क्रिप्टो की नवीनतम खबरें सीधे अपने इनबॉक्स में पाएँ।