Gimlet Labs کی قدر $3 ارب، مگر اصل داؤ مختلف chips کو ایک cloud بنانا ہے
Gimlet Labs نے 4 ستمبر 2026 کو $300 ملین کی Series B حاصل کی، جس سے سان فرانسسکو کی اس AI infrastructure کمپنی کی قدر $3 ارب ہوگئی۔ Bloomberg News کی رپورٹ کے مطابق راؤنڈ کی قیادت Andreessen Horowitz نے کی، جبکہ Arm Holdings اور Microsoft کا venture fund M12 نئے سرمایہ کاروں میں شامل ہوئے۔
اس راؤنڈ کا مرکزی کاروباری مفروضہ یہ ہے کہ AI inference کو ایک ہی قسم کے accelerator پر چلانے کے بجائے workload کے مختلف حصے مختلف chips کو دیے جاسکتے ہیں۔ Gimlet Labs اسے ایک multi-silicon cloud کی شکل دے رہی ہے، لیکن محدود بجلی اور hardware سے واقعی کتنا اضافی output ملے گا، اس کا موجودہ ثبوت زیادہ تر کمپنی کے اپنے اعداد پر مبنی ہے۔
$3 ارب کی قدر کس مفروضے پر کھڑی ہے
سرمایہ کار صرف مزید GPU capacity نہیں خرید رہے؛ وہ ایسے software layer پر داؤ لگا رہے ہیں جو مختلف vendors اور architectures کی compute capacity کو ایک قابلِ انتظام inference نظام میں جوڑ سکے۔ اگر scheduler ہر کام کو اس کے لیے موزوں chip پر منتقل کرے تو غیر استعمال شدہ capacity کام میں آسکتی ہے، مہنگے accelerators پر دباؤ کم ہوسکتا ہے اور فی watt زیادہ مفید tokens حاصل کیے جاسکتے ہیں۔ یہ فوائد ابھی مشروط امکانات ہیں، تمام workloads کے لیے ثابت شدہ نتیجہ نہیں۔
Arm کی شرکت کے ساتھ ایک عملی تعلق بھی موجود ہے: Bloomberg کے مطابق دونوں کمپنیاں Gimlet کے software کو Arm کی مختلف chip technologies کے ساتھ compatible بنانے پر کام کر رہی ہیں۔ M12 کی شمولیت cloud بازار کے لیے ایک اہم تجارتی اشارہ ہے، مگر کسی معروف chip designer یا venture fund کی سرمایہ کاری بذاتِ خود platform کی رفتار، لاگت یا reliability کا benchmark نہیں بنتی۔
دستیاب اعلانات یہ نہیں بتاتے کہ valuation pre-money ہے یا post-money، ہر سرمایہ کار نے کتنی رقم دی یا ترجیحی حصص کی مکمل شرائط کیا ہیں۔ اس لیے $3 ارب کو تازہ نجی funding round سے منسلک valuation سمجھنا چاہیے، نہ کہ audited آمدنی، منافع یا ممکنہ فروخت کی یقینی قیمت۔
مختلف chips ایک inference کام کیسے بانٹتے ہیں
Gimlet کے طریقے کی بنیاد heterogeneous disaggregation ہے۔ LLM inference میں prompt کو process کرنے والا prefill مرحلہ عموماً compute پر زیادہ منحصر ہوتا ہے، جبکہ یکے بعد دیگرے tokens بنانے والا decode مرحلہ memory bandwidth سے زیادہ محدود ہوسکتا ہے۔ دونوں کو لازماً ایک ہی accelerator architecture پر چلانے کے بجائے الگ hardware pools کو دیا جاسکتا ہے۔
SiliconANGLE کی تکنیکی تفصیل کے مطابق Gimlet کا software ماڈل کو modules میں تقسیم کرکے ہر module کو موزوں chip architecture پر deploy کرتا اور AI agents و custom compiler سے code optimize کرتا ہے۔ کمپنی platform کو serverless cloud کے طور پر اور خریدار کے اپنے infrastructure میں managed service کی صورت میں پیش کرتی ہے؛ اسی رپورٹ کے مطابق نئی Series B کے بعد اس کی مجموعی بیرونی funding $392 ملین ہوگئی۔
ممکنہ بچت کا دارومدار scheduling سے آگے پورے نظام پر ہے۔ chips یا servers کے درمیان data منتقل کرنے سے latency اور networking overhead بڑھ سکتا ہے، جبکہ model support، compiler maturity اور capacity کی حقیقی دستیابی طے کرے گی کہ نظریاتی فائدہ production میں باقی رہتا ہے یا نہیں۔ compatible hardware کی لمبی فہرست اپنے آپ میں کم قیمت یا بہتر user experience کی ضمانت نہیں۔
رفتار اور contracted revenue کے دعووں کی حد
Gimlet Labs کے 4 ستمبر کے اعلان میں homogeneous infrastructure کے مقابلے میں بعض frontier workloads کے لیے 3–10 گنا تیز performance کا دعویٰ کیا گیا ہے۔ کمپنی یہ بھی کہتی ہے کہ ماڈل کو مختلف accelerators میں تقسیم کرنے سے یکساں power footprint پر 5–10 گنا speedup یا یکساں latency پر ملتی جلتی throughput بہتری حاصل ہوسکتی ہے؛ اسی اعلان میں مارچ کے بعد اربوں ڈالر کی contracted revenue، gigawatts کی data-center pipeline اور سینکڑوں megawatts کی طرف بڑھتی managed capacity کا دعویٰ بھی شامل ہے۔
یہ اعداد company-reported metrics ہیں۔ شائع شدہ مواد ہر نتیجے کے لیے model، quantization، input اور output length، batch size، concurrency، chips کا درست mix، network topology، software versions اور مکمل لاگت ایک یکساں جدول میں نہیں دیتا۔ کوئی نامزد آزاد فریق بھی انہی configurations پر بالائی performance range دوبارہ چلا کر تصدیق کرتا دکھائی نہیں دیتا۔
اسی طرح contracted revenue کو وصول شدہ نقد رقم یا accounting revenue نہیں سمجھا جاسکتا۔ کمپنی نے ان معاہدوں کی مدت، revenue-recognition schedule، منسوخی کی شرائط، gross margin یا customer concentration ظاہر نہیں کی۔ یہ demand اور مستقبل کی capacity commitments کا اشارہ ہوسکتا ہے، لیکن اس سے موجودہ منافع یا مستقل آمدنی اخذ نہیں کی جاسکتی۔
پاکستانی cloud خریدار کے لیے فیصلہ کن benchmark
پاکستان سے inference خریدنے والی ٹیم کے لیے headline speedup تبھی معنی رکھتا ہے جب comparison ایک ہی model، output quality اور service-level target پر ہو۔ دور data center، متعدد accelerator pools کے درمیان traffic یا محدود regional availability بنیادی token price کی بچت کو network cost اور end-user latency میں واپس لے سکتی ہے۔ موجودہ اعلانات پاکستان میں region، مقامی قیمت یا مخصوص capacity کی دستیابی کی ضمانت نہیں دیتے۔
قابلِ موازنہ pilot میں کم از کم یہ معلومات درکار ہوں گی:
- model، quantization، context length، batch size اور concurrent-user load کیا تھا، اور baseline نے کون سا hardware اور serving stack استعمال کیا؟
- time to first token، inter-token latency اور p95 یا p99 latency کے ساتھ فی سیکنڈ کتنے قابلِ استعمال output tokens ملے؟
- networking اور data movement سمیت فی دس لاکھ output tokens لاگت اور tokens-per-kilowatt-hour کیا رہے؟
- نتیجہ کس chip mix سے حاصل ہوا، اور کیا production خریدار کو وہی mix، capacity اور software version ملے گا؟
- کسی hardware pool کی قلت یا failure پر workload منتقل کرنے سے latency، throughput اور output quality پر کیا اثر پڑا؟
یہ پیمائشیں multi-silicon تصور کو رد یا قبول کرنے کا عمومی نسخہ نہیں، بلکہ کمپنی کے دعوے کو مخصوص workload کی خریداری کے قابل عدد میں بدلتی ہیں۔ ایک compute-bound model اور memory-bound workload پر نتیجہ مختلف ہوسکتا ہے؛ اسی لیے ایک منتخب configuration میں بڑا فائدہ پورے platform کی عمومی رفتار ثابت نہیں کرتا۔
راؤنڈ ثابت ہے، معاشی برتری ابھی ثابت ہونا باقی ہے
فی الحال مضبوطی سے تصدیق شدہ حصہ funding event ہے: $300 ملین کی Series B، $3 ارب valuation، Andreessen Horowitz کی قیادت اور Arm و M12 کی شرکت۔ یہ بھی واضح ہے کہ Gimlet کا تجارتی منصوبہ مختلف silicon architectures پر inference کے حصے schedule کرنے اور انہیں ایک managed cloud experience میں جوڑنے کا ہے۔
نامکمل حصہ اس منصوبے کی عمومی معاشی برتری ہے۔ اگلا فیصلہ کن ثبوت مزید بڑی valuation نہیں، بلکہ ایسے آزاد اور reproducible benchmarks ہوں گے جو ایک ہی workload پر latency، throughput، output quality، بجلی اور مکمل cost کو ساتھ دکھائیں۔ تبھی معلوم ہوگا کہ مختلف chips کو ایک cloud بنانا فی ڈالر اور فی watt زیادہ مفید output دیتا ہے یا نمایاں speedup مخصوص vendor configurations تک محدود ہے۔
یہ بھی پڑھیں:
ہمارا نیوز لیٹر سبسکرائب کریں
ویب 3، AI اور کرپٹو کی تازہ خبریں براہ راست اپنے اِن باکس میں پائیں۔