اولاما ۶۵ میلیون دلار در سری B جذب کرد؛ ابزار متنباز اجرای مدلهای هوش مصنوعی روی دسکتاپ توسعه یافت
اولاما (Ollama)، ابزار متنباز محبوب برای اجرای مدلهای هوش مصنوعی با وزن باز (open-weight) روی رایانههای شخصی، دور سرمایهگذاری سری B خود را به رهبری Theory Ventures و حضور سرمایهگذاران دیگر به ارزش ۶۵ میلیون دلار بسته است. طبق اعلام جف مورگان، بنیانگذار و مدیرعامل اولاما، این سرمایهگذاری در ادامه سری A پانزده میلیون دلاری به رهبری پیتر فنتون از Benchmark انجام شده و مجموع سرمایه جذبشده شرکت را به ۸۸ میلیون دلار میرساند.
چرا اولاما مهم است؟
اولاما که در ۲۰۲۳ راهاندازی شد، برای توسعهدهندگان امکان میدهد مدلهای هوش مصنوعی متنباز را بهسرعت و در چند دقیقه روی دستگاه شخصی خود اجرا کنند. این پروژه بهسرعت در جامعه توسعهدهندگان محبوب شد و در گیتهاب بیش از ۱۷۶ هزار ستاره و نزدیک به ۱۷ هزار فورک کسب کرده است. مورگان میگوید اکنون بیش از ۸.۹ میلیون توسعهدهنده ماهانه از اولاما استفاده میکنند و این ابزار در ۸۵٪ شرکتهای فهرست Fortune 500 حضور دارد—همگی با تیمی متشکل از تنها ۱۴ نفر.
ویژگیها و مدل تجاری
اولاما علاوهبر اجرای محلی مدلها، مجموعهای از مدلهای بزرگتر را روی «نئوکلود» خود میزبانی میکند که در چند سطح اشتراک از رایگان تا ۱۰۰ دلار در ماه در دسترس است. نکته مهم فنی این است که محاسبه هزینه استفاده بر اساس زمان مصرف GPU انجام میشود، نه بر پایه محدودیت توکن—امری که برای شرکتها و توسعهدهندگانی که هزینههای استقرار و استنتاج (inference) را مدیریت میکنند، جذاب است.
ریشهها در داکر؛ تشابه راهحلها
جف مورگان و شریکش مایکل چیانگ پیش از این در ساخت Docker Desktop نقش داشتند؛ شرکتی که پس از خرید استارتاپ قبلی آنها، Kitematic، رشد کرد. همانطور که داکر با انتزاع پیکربندی سختافزاری، انتقال برنامهها بین ابرها و دسکتاپ را آسان کرد، اولاما تلاش میکند نقش مشابهی را برای اکوسیستم هوش مصنوعی ایفا کند: سادهسازی اجرای مدلهای متنباز برای توسعهدهندگان معمولی، نه فقط پژوهشگران.
بازتابهای صنعت و مسیر پیش رو
نقطه اوج اثبات کسبوکار اولاما، به گفته مورگان، زمانی بود که مدلهای باز بزرگتر مانند OpenClaw تواناییهای عاملمحور (agentic) مانند کدنویسی را نشان دادند؛ اتفاقی که رسانهها و بازار را متحول کرد و نشان داد مدلهای متنباز میتوانند در کارهای واقعی مفید باشند. سرمایهگذاران از جمله پیتر فنتون معتقدند که ترکیب تجربه تیم موسس در ایجاد محصولی فراگیر برای توسعهدهندگان، عاملی کلیدی در جذابیت اولاما بوده است.
فنتون همچنین تاکید میکند که رقابت بین مدلهای باز و بسته نباید به صورت «یا–یا» دیده شود؛ هر دو دسته بازار و کاربردهای خود را خواهند داشت، اما شرکتهایی که هزینههای استنتاج بالایی دارند، انگیزه شدیدی برای مهاجرت به مدلهای متنباز و مقرونبهصرفهتر خواهند داشت.
اولاما در منظری بزرگتر: تولد استارتاپها از متنباز
اولاما نمونهای از نسلی جدید از پروژههای متنباز مرتبط با هوش مصنوعی است که به شرکتهایی مورد توجه سرمایهگذاران تبدیل میشوند. بازیگران دیگری در این فضا ظاهر شدهاند، از ارائهدهندگان استنتاج متنباز مانند Inferact (سازنده vLLM) و RadixArk (سازنده SGLang) تا مدلها و جایگزینهایی مانند OpenClaw، NanoClaw و حتی استارتاپهایی که مدلهای متنباز خود را از صفر میسازند مانند Arcee.
واکنش جامعه و پاسخ تیم اولاما
همزمان با رشد و تجاریسازی، بخشی از جامعه کاربران نسبت به جهتگیری تجاری اولاما ابراز نارضایتی کردند و استدلال کردند که تمرکز بر سرویس ابری ممکن است به پروژه متنباز آسیب بزند—منتقدان این روند را با اصطلاحی که در فضای توسعه رایج شده «Enshittification» توصیف کردند (یعنی تبدیل محصولات بهدلیل تلاشهای تجاری به تجربهای نامطلوب برای کاربران). مورگان این انتقادات را پاسخ داده و سرویس ابری را ادامهای از ماموریت متنباز اولاما میداند: کمک به یافتن منابع محاسباتی برای اجرای مدلهای بسیار بزرگ که «اغلب برای اجرای محلی روی رایانه معمولی بیش از حد بزرگ هستند».
جمعبندی
با سرمایهگذاری جدید ۶۵ میلیون دلاری و پشتوانه تجربه تیم موسس، اولاما موقعیت خود را بهعنوان یک پل بین اکوسیستم متنباز مدلهای هوش مصنوعی و نیازهای عملی توسعهدهندگان و شرکتها تقویت کرده است. رشد این پروژه و واکنش بازار نشان میدهد که تقاضا برای ابزارهایی که اجرای محلی و مدیریت هزینهها را ساده میکنند، در حال افزایش است؛ روندی که احتمالا همچنان زمینهساز ظهور بازیگران جدید و سرمایهگذاریهای بیشتر در لبه متنباز هوش مصنوعی خواهد بود.