AI News
Alle Meldungen
Berichtet

Applied Compute sammelt nach 100 Mio. Dollar ARR 350 Mio. Dollar bei 3,25 Mrd. Dollar Bewertung ein

Der Full-Stack-KI-Cloud-Anbieter Applied Compute hat 350 Mio. Dollar bei einer Bewertung von 3,25 Mrd. Dollar aufgenommen und nach eigenen Angaben in 18 Monaten 100 Mio. Dollar ARR erreicht.

Wirtschaft und Finanzierung · · 3 Min. Lesezeit

Applied Compute hat nach eigenen Angaben 350 Millionen Dollar bei einer Bewertung von 3,25 Milliarden Dollar aufgenommen. Zudem habe das Unternehmen weniger als 18 Monate nach der Gründung eine annualisierte Umsatz-Run-Rate von 100 Millionen Dollar erreicht. Bekanntgegeben wurde die Finanzierung am Montag, 2. November. Laut dem eigenen Beitrag des Unternehmens führte Elad Gil die Runde an.

Der Beitrag nennt Kleiner Perkins, Lux Capital, Hanabi Capital, NVIDIA, Blackstone, Shopify Ventures und HubSpot Ventures als Beteiligte, gefolgt von einer längeren Liste weiterer Investoren. SiliconANGLE, das über den Deal berichtete, nannte Nvidia, Shopify Ventures und HubSpot Ventures als Beteiligte neben Gil und schrieb, dass sich mehr als ein Dutzend weitere Geldgeber beteiligt hätten. Das Produkt des Unternehmens ist eine Cloud, in der Kunden eigene Large Language Models trainieren und anschließend betreiben.

Das technische Versprechen beruht darauf, wie das Training organisiert wird. Wie SiliconANGLE erklärte, besteht ein typischer LLM-Trainings-Stack aus zwei Teilen. Der eine erzeugt mehrere Kopien des Modells, die an unterschiedlichen Aufgaben arbeiten, und macht aus den Ergebnissen Trainingsdaten. Der andere passt mit diesen Daten die Gewichte des Modells an. Üblicherweise laufen beide Teile synchron, sodass jeder auf den Abschluss des anderen wartet. Die Plattform von Applied Compute setzt auf asynchrones Reinforcement Learning, wodurch beide gleichzeitig laufen können. Außerdem unterstützt sie Self-Distillation, die Teacher-Modelle überflüssig macht, also jene spezialisierten Netze, mit denen Forscher Trainingsläufe überwachen.

Auf der Inferenzseite beschreibt SiliconANGLE eine Autoscaling-Engine, die die einem Modell zugewiesene Hardware an den Nutzer-Traffic anpasst. Dazu kommt eine Online-RL-Funktion, die anhand der Prompts, die ein Modell erhält, dessen Gewichte regelmäßig per Fine-Tuning anpasst. Ein Modell-Router namens Shift-1 leitet jede Anfrage an jenes LLM weiter, das sie am günstigsten bearbeiten kann, und kann komplexe Aufgaben auf mehrere Modelle aufteilen. Laut SiliconANGLE zielt das auf Coding-Agenten ab. Zudem berichtet das Medium, dass die Forscher des Unternehmens Kunden bei Aufgaben wie dem Aufbau von Qualitätsevaluierungen für neue Modelle unterstützen können.

Die Nutzungszahlen stammen vom Unternehmen selbst. Laut seinem Beitrag haben Kunden seit Juli mehr als 1.700 Trainingsläufe auf der Plattform durchgeführt. Das Produkt AC Inference verarbeite mehr als 1 Billion Token pro Tag, und 40 % der Kunden nutzten es sowohl für Training als auch für Inferenz. Das Team habe sich seit Jänner verdreifacht, 85 % der Belegschaft seien Forscher und Ingenieure. Auch die beiden Fallstudien beruhen auf Angaben des Unternehmens. Für Harvey habe man ein Modell für das Produkt Review Table trainiert, das die Qualität von Antworten und Quellenangaben verbessert habe, und das bei weniger als der Hälfte der Inferenzkosten einer Frontier-Alternative. Für Clay habe ein maßgeschneiderter Router die Inferenzkosten im Produktivbetrieb um bis zu 47 % gesenkt, ohne Abstriche bei der Qualität. Welches Frontier-Modell als Vergleich diente und wie die Qualität gemessen wurde, geht aus dem Beitrag nicht hervor. Als Kunden werden Microsoft, Shopify, Mercor, Harvey, DoorDash, Cognition, Clay und Decagon genannt. Wie sich die Run-Rate von 100 Millionen Dollar auf sie verteilt oder wie das Unternehmen die Run-Rate berechnet, bleibt offen. SiliconANGLE verwendete für dieselbe Zahl den Begriff „annualisierter wiederkehrender Umsatz“.

Das Unternehmen will die Mittel nach eigenen Angaben in den Ausbau der Rechenkapazität, das Wachstum des Teams und ein schnelleres Deployment bei Unternehmenskunden stecken. In einem Blogbeitrag schrieben die Gründer Rhythm Garg, Yash Patil und Linden Li: „Training, Inferenz und Routing sind die ersten Bausteine eines viel größeren Stacks.“ Sie beschrieben den Aufbau jener Infrastruktur, die Unternehmen brauchen werden, „von den Modellen selbst bis zu den Systemen, die sie betreiben, überwachen und absichern“.

Warum es wichtig ist

Das rasche Umsatzwachstum von Cloud-Anbietern mit Fokus auf Inferenz deutet darauf hin, dass Unternehmen KI-Workloads in den Produktivbetrieb überführen.

Originalquelle

Weitere Berichte

Wo wir es gesehen haben

1 Quelle

The AI Report

Applied ComputeNvidia

KI hat diese Zusammenfassung aus den genannten Quellen geschrieben und ins Deutsche übersetzt. Niemand hat sie vor der Veröffentlichung einzeln geprüft. Bitte prüfen Sie die Originalquelle, bevor Sie sich darauf verlassen. So funktioniert es