Startupy4 lis 2026, 15:58 UTC·1 min czytania

Applied Compute z 350 mln dolarów od inwestorów przy wycenie 3,25 mld

Applied Compute, twórca modeli AI i chmury dla firm, pozyskał 350 mln dolarów przy wycenie 3,25 mld dolarów. Rundzie przewodził Elad Gil.

Rows of GPU servers in a data center, representing AI cloud infrastructure for enterprise model training. — Zdjęcie: Webrazzi

Amerykański startup Applied Compute, który tworzy modele sztucznej inteligencji dla przedsiębiorstw, pozyskał 350 mln dolarów w nowej rundzie finansowania. Prowadzącym inwestorem został Elad Gil, a wycena spółki wzrosła do 3,25 mld dolarów.

W rundzie uczestniczyli też między innymi Kleiner Perkins, Lux Capital, Hanabi Capital, NVIDIA, Blackstone, Shopify Ventures i HubSpot Ventures. Wśród inwestorów są również Diffusion, Definition, Timeless, Layer Global, Neo, Abstract, Nova, Quantum Light, First Harmonic oraz Swish.

Firma zapowiada, że przeznaczy środki na rozszerzenie obecności rynkowej oraz zakup większej ilości sprzętu, który wzmocni jej infrastrukturę AI. Applied Compute powstała w 2025 roku, a jej założycielami są Yash Patil, Rhythm Garg i Linden Li. W październiku 2025 roku spółka pozyskała 80 mln dolarów.

Co oferuje platforma

Applied Compute udostępnia chmurową infrastrukturę AI, która pozwala firmom trenować i uruchamiać duże modele językowe (LLM). Programiści mogą zarządzać treningiem oraz wnioskowaniem (inference) w jednym środowisku. Spółka wspiera klientów także w badaniach nad uczeniem maszynowym.

Jedną z wyróżniających cech jest asynchroniczne uczenie ze wzmocnieniem, które przyspiesza trening, ponieważ generowanie danych i aktualizacja wag modelu odbywają się równocześnie. Dzięki metodzie samodestylacji (self-distillation) firma chce też wyeliminować potrzebę stosowania modeli-nauczycieli.

Oferta obejmuje ponadto router modeli Shift-1. Kieruje on zapytania agentów programistycznych do najbardziej opłacalnego modelu AI i potrafi rozdzielać złożone zadania między kilka modeli. Platforma automatycznie skaluje zasoby sprzętowe w zależności od ruchu użytkowników, a regularne dostrajanie pozwala dopasowywać modele do potrzeb klientów.