Gimlet Labs को 300 मिलियन USD—एक मॉडल कई तरह के सिलिकॉन पर चलेगा
सैन फ्रांसिस्को की AI अवसंरचना कंपनी Gimlet Labs ने 4 सितंबर 2026 को 300 मिलियन USD की Series B घोषित की। Gimlet Labs की आधिकारिक घोषणा के अनुसार दौर का नेतृत्व Andreessen Horowitz ने किया; नई पूंजी ऐसे सॉफ्टवेयर के विस्तार के लिए है जो एक मॉडल के अलग अनुमान चरणों को GPU, CPU, निकट-स्मृति गणना प्रणालियों और विशेष त्वरकों पर बांटता है।
Bloomberg की 4 सितंबर की रिपोर्ट ने दौर के बाद 3 अरब USD का मूल्यांकन दर्ज किया और बताया कि Arm तथा M12 नए निवेशकों में शामिल हैं; Gimlet Labs, Arm की अलग-अलग चिप तकनीकों के लिए अपने सॉफ्टवेयर को अनुकूल बनाने पर भी काम कर रही है। इसका केंद्रीय दांव यह है कि पूरे मॉडल को एक ही प्रकार की चिप पर चलाना आवश्यक नहीं होना चाहिए।
नई पूंजी, मूल्यांकन और कुल जुटाई रकम अलग हैं
वित्तपोषण के तीन आंकड़ों का अर्थ अलग है। Series B में मिली रकम नई निवेश पूंजी है, जबकि दौर के बाद का मूल्यांकन निवेशकों द्वारा उस समय मानी गई कंपनी की कीमत है—वह कंपनी के खाते में आया नकद या बिक्री से कमाया राजस्व नहीं है।
SiliconANGLE की स्वतंत्र रिपोर्ट के मुताबिक Gimlet Labs की अब तक जुटाई कुल बाहरी पूंजी 392 मिलियन USD हो गई है; कंपनी अपना सॉफ्टवेयर सर्वररहित सेवा और ग्राहक की अपनी अवसंरचना में चलने वाली प्रबंधित सेवा, दोनों रूपों में बेचती है तथा अरबों डॉलर के ग्राहक आदेश मिलने का दावा करती है। इस अंतिम आंकड़े को मौजूदा वार्षिक राजस्व नहीं माना जा सकता।
अनुबंधित आय और मान्यता-प्राप्त राजस्व एक चीज नहीं हैं। किसी अनुबंध या ग्राहक आदेश का कुल मूल्य कई वर्षों में दी जाने वाली सेवाओं को समेट सकता है, जबकि लेखांकन में राजस्व सामान्यतः सेवा दिए जाने की संबंधित अवधि में दर्ज होता है। सार्वजनिक जानकारी में अनुबंधों की अवधि, रद्दीकरण की शर्तें, ग्राहकों के नाम या यह ब्योरा नहीं है कि संभावित रकम का कितना हिस्सा आय के रूप में दर्ज हो चुका है।
इसलिए अनुबंधित रकम मांग और भविष्य के कार्यभार का संकेत देती है, लेकिन उससे मौजूदा बिक्री की पुष्ट गति नहीं निकलती। घोषित मूल्यांकन भी इसी व्यावसायिक दावे पर निवेशकों के भरोसे को दिखाता है; वह अपने आप उत्पाद की लागत या प्रदर्शन सिद्ध नहीं करता।
एक मॉडल को अलग चिपों में बांटने का वास्तुशिल्प दावा
Gimlet का सॉफ्टवेयर अनुमान कार्यभार को हिस्सों में तोड़ने, हर हिस्से की गणना और स्मृति जरूरत पहचानने तथा उपलब्ध हार्डवेयर में उपयुक्त स्थान पर निर्धारित करने के लिए बनाया गया है। ग्राहक के लिए अलग उपकरणों पर चल रहे ये हिस्से एक साझा अनुमान सेवा के पीछे एक ही मॉडल का उत्तर तैयार करते हैं।
सबसे स्पष्ट विभाजन प्रीफिल और डिकोड के बीच है। प्रीफिल में इनपुट और उसके संदर्भ को संसाधित किया जाता है, इसलिए वह अधिक गणना-केंद्रित हो सकता है। डिकोड क्रम से आउटपुट टोकन बनाता है और उसकी गति स्मृति बैंडविड्थ से अधिक प्रभावित हो सकती है; दोनों चरणों को अलग त्वरकों पर रखने का उद्देश्य प्रत्येक संसाधन को उसी काम में लगाना है जहां उसकी विशेषता उपयोगी हो।
विभाजन इससे अधिक सूक्ष्म भी हो सकता है। अटेंशन और फीड-फॉरवर्ड हिस्सों को अलग करना या प्रारंभिक टोकन सुझाने वाले छोटे मॉडल को मुख्य मॉडल से अलग हार्डवेयर पर चलाना इसी सिद्धांत के रूप हैं। उपलब्ध क्षमता बदलने पर कार्य का स्थान भी बदला जा सकता है, जिससे किसी एक श्रेणी के भर जाने पर दूसरी संगत क्षमता उपयोग में आ सके।
लेकिन यह व्यवस्था मुफ्त नहीं है। अलग उपकरणों के बीच मॉडल की स्थिति, कैश और मध्यवर्ती परिणाम भेजने में समय, नेटवर्क क्षमता और ऊर्जा लगती है। इसलिए कार्यभार बांटने से लाभ तभी होगा जब विशेष चिप पर मिली बचत, डेटा स्थानांतरण और कार्य निर्धारण के अतिरिक्त खर्च से बड़ी हो।
लागत और चिप-विक्रेता पर निर्भरता कैसे बदल सकती है
संभावित लागत लाभ महंगे सामान्य GPU का उपयोग केवल उन चरणों तक सीमित करने से आता है जिन्हें उसकी लचीली गणना वास्तव में चाहिए। स्मृति-केंद्रित या अधिक विशिष्ट काम अपेक्षाकृत उपयुक्त त्वरक पर भेजा जा सके तो एक ही बिजली और क्षमता सीमा में अधिक अनुरोध पूरे किए जा सकते हैं। इसका वास्तविक असर प्रति टोकन लागत, विलंब और उपयोग दर पर निर्भर करेगा।
बहु-सिलिकॉन व्यवस्था आपूर्ति का जोखिम भी फैला सकती है। क्लाउड संचालक को हर चरण के लिए एक ही चिप परिवार की उपलब्धता, सॉफ्टवेयर पुस्तकालय और मूल्य निर्धारण पर निर्भर नहीं रहना पड़ेगा; वह कई वास्तुकलाओं को एक साझा क्षमता समूह में जोड़ सकेगा। भारत जैसे बाजार में, जहां उन्नत त्वरकों की उपलब्धता और आयात लागत असमान हो सकती है, यह विकल्प उपयोगी हो सकता है—हालांकि भारत-विशिष्ट उपलब्धता, स्थानीय डेटा केंद्र या मूल्य घोषित नहीं किए गए हैं।
निर्भरता समाप्त होने के बजाय उसका स्थान बदल भी सकता है। ग्राहक किसी एक चिप-विक्रेता से कम बंधेगा, लेकिन मॉडल-विभाजन, संकलन, कार्य निर्धारण और प्रदर्शन अनुकूलन के लिए Gimlet की सॉफ्टवेयर परत पर अधिक निर्भर हो सकता है। किसी नए त्वरक को जोड़ना कितना आसान होगा, यह उसके सॉफ्टवेयर समर्थन, संचार विलंब और उत्पादन में विश्वसनीयता से तय होगा।
व्यावसायिक प्रगति का प्रमाण अभी अधूरा है
कंपनी की घोषित प्रगति में बड़े अनुबंध और प्रबंधित गणना क्षमता का विस्तार शामिल है, पर सार्वजनिक आंकड़े यह नहीं बताते कि कितनी क्षमता चालू है और कितनी केवल नियोजित परियोजनाओं में है। इसी तरह अनाम बड़े ग्राहकों का उल्लेख ग्राहक-सत्यापित उपयोग, नवीनीकरण दर या वर्तमान राजस्व का विकल्प नहीं है।
प्रदर्शन संबंधी परिणाम भी फिलहाल मुख्यतः कंपनी के अपने दावों पर आधारित हैं। अलग मॉडल आकार, संदर्भ लंबाई, अनुरोधों की संख्या और स्वीकार्य विलंब हार्डवेयर मिश्रण का परिणाम बदल सकते हैं। बड़ी मात्रा में अनुरोध संसाधित करने के लिए उपयोगी विन्यास संवादात्मक AI में प्रत्येक उत्तर का विलंब घटाने के लिए सर्वोत्तम हो, यह आवश्यक नहीं है।
नई पूंजी के बाद उत्पादन-स्तर के आंकड़े निर्णायक होंगे
अब तक पुष्ट घटना वित्तपोषण, उससे जुड़ा मूल्यांकन और बहु-सिलिकॉन उत्पाद का घोषित वास्तुशिल्प है। तकनीक का आर्थिक दावा तभी परखा जा सकेगा जब अलग चिप संयोजनों के लिए प्रति टोकन लागत, विलंब, बिजली उपयोग, उपलब्धता और उपकरणों के बीच डेटा भेजने का अतिरिक्त खर्च प्रकाशित हो।
व्यावसायिक पक्ष में मान्यता-प्राप्त राजस्व, अनुबंध अवधि और वास्तव में चालू प्रबंधित क्षमता की जानकारी अभी बाकी है। यही आंकड़े स्पष्ट करेंगे कि Gimlet Labs का मॉडल अनुमान की लागत और चिप-विक्रेता पर निर्भरता वास्तव में घटाता है या निर्भरता को हार्डवेयर से एक नई सॉफ्टवेयर परत में स्थानांतरित करता है।
यह भी पढ़ें:
हमारे न्यूज़लेटर की सदस्यता लें
Web3, AI और क्रिप्टो की नवीनतम खबरें सीधे अपने इनबॉक्स में पाएँ।