زین اصغر، استاد مدعو استنفورد و بنیان گذاری که سابقه فروش موفق استارت آپ های قبلی اش رو داره، به تازگی 80 میلیون دلار در مرحله تامین سرمایه سری آ برای استارت آپی جذب کرده که مشکل گلوگاه استنتاج هوش مصنوعی رو به شکلی هوشمندانه حل می کنه. این تلاش ها در راستای افزایش کارایی هوش مصنوعی در سیستم های پیچیده است. رهبری این دور از جذب سرمایه بر عهده شرکت «منلو ونچرز» (Menlo Ventures) بوده.
گیملت لبز؛ راهکاری نوین برای افزایش کارایی هوش مصنوعی
این شرکت یعنی «گیملت لبز» (Gimlet Labs)، چیزی رو ساخته که ادعا می کنه اولین و تنها «ابر استنتاج چندسیلیکونی» در جهانه؛ نرم افزاری که اجازه می ده بار کاری هوش مصنوعی به طور هم زمان روی انواع مختلفی از سخت افزارها اجرا بشه. این سیستم برای افزایش کارایی هوش مصنوعی طراحی شده و می تونه کارهای یک اپلیکیشن هوش مصنوعی رو بین سی پی یوهای (CPU) معمولی، جی پی یوهای (GPU) بهینه شده برای هوش مصنوعی و همچنین سیستم هایی با حافظه بالا تقسیم کنه.
اصغر به کنفرانس تک کرانچ 2026 گفت: «ما در واقع روی هر سخت افزار متفاوتی که در دسترس باشه، کار رو اجرا می کنیم.»
تیم تالی، سرمایه گذار اصلی از شرکت منلو، در یک پست وبلاگی درباره این جذب سرمایه نوشت: «یک ایجنت واحد ممکنه چندین مرحله رو به هم زنجیر کنه و هر مرحله به سخت افزار متفاوتی نیاز داره؛ استنتاج به قدرت پردازش (compute-bound) نیاز داره، رمزگشایی به حافظه (memory-bound) وابسته ست و فراخوانی ابزارها هم به شبکه (network-bound) متکیه.»
هنوز هیچ تراشه ای وجود نداره که همه این کارها رو با هم انجام بده، اما با ورود سخت افزارهای جدید و استفاده مجدد از جی پی یوهای قدیمی، «ناوگان چندسیلیکونی آماده ست؛ فقط لایه نرم افزاری برای راه انداختنش کمه.» این لایه نرم افزاری، کلید افزایش کارایی هوش مصنوعی در این سیستم هاست و این همون چیزیه که تالی معتقده گیملت لبز ارائه می ده.
مکنزی تخمین می زنه که اگه روند فعلیِ افزایش استفاده از قدرت پردازش ادامه پیدا کنه، هزینه های دیتاسنترها تا سال 2030 (1409 شمسی) به نزدیک 7 تریلیون دلار می رسه. اصغر می گه اپلیکیشن ها در حال حاضر فقط از «15 تا 30 درصد» ظرفیت سخت افزارهای موجود استفاده می کنن.
اون گفت: «از یه زاویه دیگه اگه نگاه کنیم، شما دارید صدها میلیارد دلار رو هدر می دید چون منابع تون رو بدون استفاده رها کردید. هدف ما اساسا این بود که راهی پیدا کنیم تا بارهای کاری افزایش کارایی هوش مصنوعی همین امروز 10 برابر کارآمدتر از قبل بشن و از هدر رفت منابع جلوگیری کنیم.»
بنابراین اون و هم بنیان گذارانش، میشل نوین، امید عزیزی و ناتالی سرینو، شروع به ساخت نرم افزار ارکستراسیونی کردن که کارهای مربوط به ایجنت ها رو تکه تکه می کنه تا بشه اون ها رو به طور هم زمان روی انواع سخت افزارها پخش کرد.
گیملت لبز ادعا می کنه که با همون هزینه و مصرف انرژی، سرعت استنتاج هوش مصنوعی رو 3 تا 10 برابر بیشتر می کنه. این روش به افزایش کارایی هوش مصنوعی در مدل ها کمک شایانی می کند. گیملت می گه حتی می تونه مدل پایه رو جوری تقسیم کنه که روی معماری های مختلف اجرا بشه و برای هر بخش از مدل، از بهترین تراشه موجود استفاده کنه.
این شرکت تا الان با تراشه سازهایی مثل انویدیا (NVIDIA)، ای ام دی (AMD)، اینتل (Intel)، آرم (ARM)، سربرس (Cerebras) و دی-ماتریکس (d-Matrix) همکاری کرده است.
محصول گیملت که هم به صورت نرم افزار و هم از طریق API در سرویس ابری خودشون (Gimlet Cloud) ارائه می شه، برای توسعه دهنده های معمولیِ اپلیکیشن های هوش مصنوعی نیست؛ بلکه برای بزرگ ترین آزمایشگاه های مدل سازی و برای افزایش کارایی هوش مصنوعی در دیتاسنترها ساخته شده.
این شرکت در ماه اکتبر (مهر ماه) به طور عمومی فعالیتش رو شروع کرد و اعلام کرد که از همون بدو ورود، درآمدی هشت رقمی (حداقل 10 میلیون دلار) داشته. اصغر گفت که تعداد مشتری هاشون در چهار ماه گذشته بیش از دو برابر شده و الان شامل یک سازنده بزرگ مدل های هوش مصنوعی و یک شرکت خیلی بزرگ در حوزه رایانش ابری می شه که همگی به دنبال افزایش کارایی هوش مصنوعی در عملیات خود هستند، هرچند از آوردن اسم اون ها خودداری کرد.
بنیان گذاران این شرکت قبلا در «پیکسی» (Pixie) با هم همکار بودن؛ استارت آپی که یک ابزار متن باز برای نظارت بر کوبرنتیز (Kubernetes) ساخته بود. پیکسی در سال 2020 (1399 شمسی)، درست دو ماه بعد از شروع به کار با جذب سرمایه 9 میلیون دلاری سری آ به رهبری بنچمارک (Benchmark)، توسط شرکت «نیو رلیک» (New Relic) خریداری شد. (تکنولوژی پیکسی الان بخشی از سازمان متن بازی است که بر کوبرنتیز نظارت می کنه.)
بعد از اینکه اصغر حدود یک سال پیش به طور اتفاقی با تالی روبرو شد و سرمایه های اولیه ای هم از اساتید استنفورد گرفت، شرکت های سرمایه گذاری خطرپذیر (VC) شروع به تماس گرفتن کردن. بعد از شروع به کار رسمی، پیشنهادات سرمایه گذاری روی میز اصغر قرار گرفت. اون گفت وقتی سرمایه گذارها شنیدن که اصغر داره پیشنهادها رو بررسی می کنه، «هجوم زیادی برای سرمایه گذاری شکل گرفت» و ظرفیت این دور از جذب سرمایه خیلی سریع پر شد.
با احتساب سرمایه گذاری اولیه (seed)، این استارت آپ حالا در مجموع 92 میلیون دلار جذب کرده که شامل سرمایه گذارانی مثل بیل کاگران از سکویا، پروفسور نیک مک کیون از استنفورد، راگو راگورام مدیرعامل سابق وی ام ویر (VMware) و لیپ-بو تان مدیرعامل اینتل می شه. این سرمایه گذاری ها نشان دهنده پتانسیل بالای این شرکت در افزایش کارایی هوش مصنوعی در مقیاس بزرگ است. این شرکت در حال حاضر 30 نفر کارمند داره.
از دیگر سرمایه گذاران می شه به فکتوری (Factory) که رهبری دور اولیه رو بر عهده داشت، اکلیپس ونچرز (Eclipse Ventures)، پراسپریتی7 (Prosperity7) و ترایاتومیک (Triatomic) اشاره کرد.
تلاش های گیملت لبز در دنیای امروز که تقاضا برای پردازش های سنگین هوش مصنوعی به شدت افزایش یافته، اهمیت حیاتی دارد. با بهینه سازی لایه نرم افزاری و استفاده هوشمندانه از سخت افزارهای متنوع، می توان امیدوار بود که چالش های هزینه ای و مصرف انرژی در مسیر توسعه هوش مصنوعی کمرنگ تر شده و کارایی کلی سیستم ها به سطحی کاملا جدید ارتقا یابد.
Startup Gimlet Labs is solving the AI inference bottleneck in a surprisingly elegant way
