Gimlet Labs تجمع 80 مليون دولار لتنفيذ موحد لاستدلال الذكاء الاصطناعي على معالجات NVIDIA و AMD و Intel وغيرها

حققت شركة Gimlet Labs تمويلاً بقيمة 80 مليون دولار في جولة تمويل من النوع Series A لتطوير تكنولوجيا تحل إحدى المشاكل الرئيسية في الذكاء الاصطناعي الحديث — الاعتماد على معدات متخصصة معينة. طورت الشركة طبقة برمجية تتيح تشغيل الاستدلال للشبكات العصبية بشكل متزامن على رقاقات من ستة مصنعين: NVIDIA و AMD و Intel و ARM و Cerebras و d-Matrix. المشكلة التي تحلها Gimlet Labs معروفة جيداً لأي شخص نشر الذكاء الاصطناعي في الإنتاج.

كل مصنع رقاقات يوفر مكدسه البرمجي الخاص — CUDA لـ NVIDIA و ROCm لـ AMD و oneAPI لـ Intel. الانتقال من معدات إلى أخرى يتطلب إعادة كتابة الأكواد والاختبار والتصحيح المطول. تصبح الشركات رهينة لدى الموردين: حتى لو قدمت AMD سعراً أفضل أو قدمت Cerebras أداءً أفضل لمهمة معينة، فإن الهجرة مكلفة جداً.

تقدم Gimlet Labs واجهة برمجية موحدة لجميع المنصات المدعومة. بشكل أساسي، هذه طبقة تجريد بين النموذج والمعدات — مماثلة لما فعله POSIX للأنظمة الأساسية. يكتب المطور الأكواد مرة واحدة، والمنصة تحسّن تلقائياً التنفيذ للمعدات المتاحة.

إدراج d-Matrix و Cerebras في القائمة أمر ذو دلالة خاصة — لاعبون متخصصون في مجال محدود في الاستدلال. يرسل هذا إشارة إلى السوق: Gimlet Labs لا تقتصر نفسها على التيار الرئيسي. 80 مليون دولار رهان جاد على أن مشكلة تجزئة سوق الرقاقات لن تحل نفسها بنفسها.

من الواضح أن المستثمرين يعتقدون أن مصنعي المعدات لن يتوصلوا إلى اتفاق فيما بينهم، مما يعني أن السوق حقاً يحتاج إلى طبقة تجريد محايدة على المدى الطويل. تؤكد جولة التمويل أن مستوى البنية التحتية في مكدس الذكاء الاصطناعي يصبح مهماً استراتيجياً مثل النماذج نفسها. بالنسبة لمشتري الذكاء الاصطناعي من الشركات، تعني هذه التكنولوجيا قوة تفاوضية حقيقية.

اليوم، تذهب نسبة ضخمة من نفقات البنية التحتية للذكاء الاصطناعي إلى NVIDIA — ليس لأن البدائل غير موجودة، بل لأن التحول مؤلم جداً. إذا تمكنت Gimlet Labs من تقليل تكلفة الهجرة إلى مستويات مقبولة حقاً، فستحصل الشركات على رافعة: يمكنها الشراء من أي شخص يقدم أفضل سعر في أي وقت معين، بدلاً من البقاء مرتبطة بمن ترتبط قاعدة أكوادها به بالفعل. لا تكمن أناقة الحل في فكرة طبقة التجريد نفسها (وهي معروفة منذ وقت طويل)، بل في حقيقة أن الفريق تمكن من تطبيقها دون فقدان كارثي للأداء.

هنا عادة ما تفشل مشاريع مماثلة: العمومية لا تتماشى بشكل جيد مع التحسين. سيظهر في الإنتاج مدى جودة تعامل Gimlet Labs مع هذا التناقض.