سه سال پیش، «جو فیوتی» یکی از بنیان‌گذاران Luminal، هنگام کار روی طراحی تراشه در شرکت Intel به یک نکته اساسی رسید؛ او دریافت که مهم‌ترین گلوگاه پیشرفت، سخت‌افزار نیست بلکه نرم‌افزار و نحوه استفاده توسعه‌دهندگان از آن است. به گفته او:
«حتی اگر بهترین سخت‌افزار دنیا را بسازید، اما توسعه‌دهندگان نتوانند به‌راحتی از آن استفاده کنند، ارزش چندانی نخواهد داشت.»
همین نگاه باعث شد او همراه با دو متخصص دیگر از Apple و Amazon یعنی «جیک استیونز» و «متیو گانتون»، استارتاپ Luminal را راه‌اندازی کند. این مجموعه در تابستان ۲۰۲۵ وارد برنامه Y Combinator شد و اخیراً توانست ۵.۳ میلیون دلار سرمایه اولیه از Felicis Ventures و چند سرمایه‌گذار فرشته از جمله پل گراهام جذب کند.
مدل کسب‌وکار Luminal؛ فروش پردازش با تمرکز بر بهینه‌سازی
Luminal همانند شرکت‌های نوابرانه‌ای مثل Coreweave و Lambda Labs، خدمات محاسباتی ارائه می‌کند. اما تفاوت اصلی آن در تمرکز بر بهینه‌سازی سطح کامپایلر است؛ یعنی همان لایه‌ای که میان کد نوشته‌شده و اجرای آن روی GPU قرار دارد.
بخش زیادی از موفقیت Nvidia در سلطه بر بازار GPU از سیستم CUDA می‌آید؛ کامپایلری قدرتمند که توسعه‌دهندگان را به اکوسیستم این شرکت وابسته کرده است. با این حال، بسیاری از اجزای CUDA متن‌باز هستند و Luminal معتقد است که فضای بزرگی برای توسعه نسخه‌های کارآمدتر وجود دارد؛ به‌ویژه حالا که شرکت‌ها برای به‌دست آوردن GPU رقابت شدیدی دارند.
رشد استارتاپ‌های بهینه‌سازی پردازش (Inference Optimization)
Luminal بخشی از موج جدید شرکت‌هایی است که روی بهینه‌سازی اجرای مدل‌های هوش مصنوعی تمرکز کرده‌اند. این بازار به دلیل هزینه بالای اجرای مدل‌ها و کمبود پردازنده‌های گرافیکی، به‌شدت در حال رشد است.
شرکت‌های دیگری مثل Baseten و Together AI نیز مدت‌هاست روی این حوزه فعالیت دارند. در کنار آنها نام‌های جدیدی مانند Tensormesh و Clarifai نیز با ارائه راهکارهای تخصصی وارد فضای رقابتی شده‌اند.
چالش اصلی Luminal؛ رقابت با غول‌های فناوری
البته Luminal در برابر تیم‌های بهینه‌سازی شرکت‌های بزرگ مثل OpenAI، Google و Meta با چالشی جدی مواجه است. این شرکت‌ها معمولاً روی یک خانواده مشخص از مدل‌ها کار می‌کنند و به همین دلیل به بهینه‌سازی‌های عمیق‌تری دست پیدا می‌کنند.
اما Luminal باید با مدل‌های مختلف کاربران کار کند و همین موضوع رقابت را پیچیده‌تر می‌کند.
با این حال، فیوتی نگران نیست. او معتقد است که سرعت رشد بازار آن‌قدر زیاد است که فضای کافی برای راهکارهای عمومی‌تر وجود دارد:
«شما همیشه می‌توانید شش ماه وقت بگذارید و یک مدل را برای یک سخت‌افزار خاص به‌صورت دستی بهینه کنید. اما در اکثر موارد، یک کامپایلر قدرتمند و همه‌منظوره از نظر اقتصادی بسیار ارزشمند است.»
جمع‌بندی و لینک‌دهی داخلی
رونق استارتاپ‌هایی مانند Luminal نشان می‌دهد که بهینه‌سازی پردازش به یکی از اولویت‌های اصلی صنعت هوش مصنوعی تبدیل شده است. در شرایطی که هزینه تأمین GPU سرسام‌آور است، شرکت‌هایی که بتوانند از سخت‌افزار موجود بیشترین کارایی را استخراج کنند، نقش مهمی در آینده این صنعت خواهند داشت.
برای آشنایی با تحلیل روندهای مالی و سرمایه‌گذاری در حوزه هوش مصنوعی می‌توانید مقاله زیر را نیز مطالعه کنید:
بررسی فشارهای مالی بر OpenAI و پیامدهای آن بر آینده هوش مصنوعی
