💡 站外导读:大模型与多模态训练长期深陷“Blob 存原图、Parquet 存元数据、向量库再抄一份”的分裂泥潭。AI 湖仓数据库 LanceDB 宣布完成 5750 万美元 B 轮融资,自去年 A 轮以来营收同比暴增超 10 倍、开源下载突破 1.2 亿次。从微软数十亿行训练到英伟达 Cosmos 万卡直训,一份多模态湖仓底座正在取代传统数仓堆栈。

一、 资本与增长双爆发:5750 万美元 B 轮背后的 10 倍营收与 1.2 亿下载
Theory Ventures 合伙人 Tomasz Tunguz 最新披露,AI 原生多模态湖仓数据库 LanceDB 已正式完成 5750 万美元 B 轮融资,使其历史累计融资总额攀升至 9850 万美元。本轮融资由 Bessemer Venture Partners 与 Innovation Endeavors 联合领投,曾在种子轮下注并领投其 3000 万美元 A 轮的 Theory Ventures,以及 Dimension、Swift Ventures、CRV 和 Y Combinator 共同参投。
真正让顶级基础设施投资人重仓的,是其过去一年多在头部 AI 实验室中跑出的硬核增速:自去年 6 月完成 A 轮融资以来,LanceDB 的商业化营收实现了超过 10 倍的同比增长(>10x YoY),付费与深度使用版图已覆盖 Netflix、Microsoft AI、Runway、Luma AI 与 Midjourney 等一线玩家;与此同时,其底层开源格式与工具链的下载量同比激增 6 倍,累计正式突破 1.2 亿次。
二、 架构范式转移:用单份多模态湖仓终结“Blob + Parquet + 向量库”三套拷贝
在传统的 AI 工程堆栈中,非结构化视频/图像往往躺在对象存储(Blob)里,标签与元信息写在 Parquet 表中,而语义检索又需要额外抽取并同步进独立的向量数据库。数据团队不仅要承担多份冗余存储与昂贵的 ETL 搬运开销,更致命的是在增量标注、特征回填与大规模分布式读取时极易出现数据版本撕裂。
Lance 与 LanceDB 的核心突破在于构建了统一的多模态 AI 湖仓(Multimodal Lakehouse),将原始非结构化媒体、结构化列式属性、高维向量索引与训练/推理读取通道整合在同一份底层数据契约之内。目前在生产环境中,这套架构已经经受住了 1000 亿行级别数据表、400 亿+ 向量规模以及超过 8000 块 GPU 并行训练的极端负载考验。
三、 五大巨头生产级实证:从 Exa 35PB 网页索引到 NVIDIA Cosmos 万卡直训
在 2026 年 11 月举办的 Reverie Summit 峰会上,五家顶尖机构的一线技术负责人集中公开了各自在生产环境运行 Lance 与 LanceDB 的真实工程指标:
- Exa 索引负责人 Jan van der Vegt 强调,列级回填能力让百亿级网页索引无需全量重写即可完成新特征列上线。
- Runway CTO Kamil Sindi 指出,早在 2024 年选用 Lance 时,它就是业界唯一能将非结构化媒体、列追加、分布式读取和即席 SQL 融为一体的格式。
- Microsoft AI 数据平台负责人 Suqiang “Jack” Song 与 NVIDIA Cosmos 技术负责人 Max Li 则共同印证了“训推一体直读”与“万卡级直训”在大模型基础设施中的决定性价值。
| 生产落地企业 | 核心业务与数据规模 | 关键工程特性与架构痛点解决 | 实测性能与生产收益 |
|---|---|---|---|
| Exa | 35 PB Lance 表,覆盖 1000 亿(100B)语义网页 | 借助列级回填(Column Backfills)原地保留旧数据,仅增量写入新增特征列 | 实现全网抓取到可检索(crawl-to-search)端到端延迟压至 5 分钟以内 |
| Runway | 视频生成全栈数据筛选与管理(2024 年起上线) | 单一格式同时兼容非结构化视频、列追加(Column Appends)、分布式读与即席 SQL | 消除多套存储格式割裂,直接支撑视频大模型高吞吐数据筛选(Data Curation) |
| Microsoft AI | 数十亿行图像与代码多模态训练数据层 | 运行于微软自有租户与安全边界内,训练与分布式推理共享同一存储格式 | 支撑数千个计算节点直接对 LanceDB 执行高并发分布式推理读取 |
| Adobe | 40–50 PB 总量、80 万张表、日均 2200 亿次事件 | 坚持“AI 原生数据与常规数据共用同一湖仓与数据契约”,已向上游贡献 20+ PR | 在超大规模企业多租户治理解耦下,统一非结构化创意资产与分析管线 |
| NVIDIA Cosmos | 物理 AI(Physical AI)全模态世界模型 | 突破传统数据预处理瓶颈,打通大规模 GPU 集群与 Lance 数据表的直接挂载通道 | 史上首次实现在数千至数万块 GPU 规模上直接基于 Lance 表开展训练 |
四、 产业终局研判:存储层正在从“静态冷归档”进化为“算力直连引擎”
过去十年的数据湖架构(如 Iceberg/Delta Lake)本质上是为 BI 报表与批处理 SQL 设计的;但在生成式 AI 与物理世界模型时代,存储层必须直接面对高频随机读取(Random Access)、多模态张量加载、向量检索以及跨万卡集群的 I/O 饥饿问题。
当 Adobe 将 40–50 PB 的海量资产与每天 2200 亿次事件纳入同一个多模态契约,当英伟达 Cosmos 直接让数万块 GPU 咬住 Lance 表全速吞吐,这意味着下一代 AI 基础设施的竞争重心正从单纯的“向量检索引擎”全面升维至“训推一体的 AI 原生数据湖仓”。
📝 站长洞察 (Editor’s Insight)
过去两年向量数据库赛道一度陷入“同质化内卷”,但 LanceDB 用一年 10 倍营收增长与 1.2 亿次下载证明:大模型时代的真刚需不是再造一个只存 Embedding 的外挂库,而是重构多模态数据底座。以前做视觉或视频训练,一份数据要在对象存储、Parquet 和向量库之间倒腾三遍,算力卡天天在等 I/O。现在 Exa 把 35PB 网页压到 5 分钟可搜、微软和英伟达直接用万卡集群直读 Lance 表,等于把清洗、特征回填、检索与训练压进同一个零拷贝格式里。对国内基础设施团队而言,如何在存储层同时搞定列追加与高并发随机读取,才是 AI Infra 的核心护城河。
LanceDB 为什么能替代传统向量库?
因为它不是只做向量检索,而是把原始媒体、列式元数据、向量索引和训练/推理读取统一到同一份多模态湖仓里,减少多套存储拷贝与同步成本,避免版本撕裂,适合大规模 AI 数据管线。
LanceDB 适合哪些 AI 场景?
文章显示它主要适用于多模态训练、数据清洗、特征工程、向量检索和分布式推理读取,尤其适合视频、图像、网页索引与物理 AI 等需要统一数据底座的场景。
LanceDB 在生产环境有哪些验证?
文中提到 Exa、Runway、Microsoft AI、Adobe 和 NVIDIA Cosmos 都在生产中使用或验证了 Lance/LanceDB,覆盖 35PB、40–50PB、数十亿行数据、400 亿+向量以及数千到数万 GPU 规模。
百亿级多模态数据怎么迁移最稳?
先按数据域分批迁移,保留原 Blob/Parquet 作为回滚底座;优先把高频检索和训练样本接入统一湖仓,再做 schema、索引和权限映射,最后用双写与校验对齐一致性,避免一次性全量切换风险过高。
万卡直训场景如何避免向量索引拖慢训练?
把索引构建与训练解耦,采用异步预计算、分层缓存和冷热分离;训练侧只读稳定快照,索引侧独立扩缩容,并用批量写入和分片路由降低抖动,确保训练吞吐不被在线更新干扰。
