دیتابریکس با عبور از ارزش ۱۸۸ میلیارد دلاری، نماد تحول هوش مصنوعی سازمانی
دیتابریکس با اعلام دور جدید سرمایهگذاری، ارزش خود را به ۱۸۸ میلیارد دلار رساند و نشان داد چگونه از یک شرکت کلانداده به بازیگر اصلی هوش مصنوعی تبدیل شده است. این شرکت با تأکید بر مدلهای متنباز و کاهش هزینهها، مسیر تازهای برای کسبوکارها ترسیم کرده است.
به گزارش TechCrunch، شرکت دیتابریکس (Databricks) پنجشنبه از دور جدید تأمین مالی به رهبری کوتو (Coatue) خبر داد که ارزش آن را به ۱۸۸ میلیارد دلار میرساند. اگرچه این شرکت مبلغ دقیق جذبشده را فاش نکرده، منابع نزدیک به موضوع رقم حدود ۳ میلیارد دلار را تأیید کردهاند. نکته جالب اینکه دیتابریکس این افزایش سرمایه را پیش از دریافت کامل پول اعلام کرد؛ نشانهای از تقاضای بالای سرمایهگذاران که حاضر نیستند فرصت حضور در این دور را از دست بدهند.
این جدیدترین جهش در یک سال و نیم رویایی برای دیتابریکس است. این شرکت که در دسامبر ۲۰۲۴ با جذب ۱۰ میلیارد دلار به ارزش ۶۲ میلیارد دلار رسیده بود، تنها پنج ماه پیش در فوریه ۲۰۲۶ ارزش خود را ۱۳۴ میلیارد دلار اعلام کرد و حالا رکورد ۱۸۸ میلیارد را ثبت کرده است. رشد سریع ارزشگذاریها نشاندهنده بازسازی موفق تصویر دیتابریکس از یک شرکت نرمافزاری قدیمی حوزه کلانداده به یک بازیگر پیشرو در عرصه هوش مصنوعی سازمانی است.
اما این تحول تصادفی نیست. دیتابریکس که از سال ۲۰۱۳ با ارائه پلتفرمی برای ذخیره و تحلیل سریع حجم عظیم دادههای سازمانی در فضای ابری شروع کرد، اکنون با تکیه بر همان زیرساخت، به سراغ نیاز تازه بازار آمده است: هوش مصنوعی ایمن، تحت حاکمیت و منطبق با استانداردهای سازمانی. محصولاتی مانند Lakebase (پایگاه داده ویژه عاملهای هوش مصنوعی)، Unity (دروازه مدیریت هوش مصنوعی) و Omnigent (مهار (harness) چندعاملی) نشاندهنده این تغییر مسیر هستند.
یکی از برگهای برنده دیتابریکس در این مسیر، ترویج مدلهای متنباز یا وزنباز (open-weight models) برای کنترل هزینهها بوده است. این شرکت بهویژه مدل GLM 5.2 از آزمایشگاه Z.ai را برای کدنویسی توصیه میکند. اخیراً علی قدسی، مدیرعامل دیتابریکس، نتایج یک آزمون داخلی روی ۳۰۰۰ مهندس نرمافزار خود را منتشر کرد. در این آزمایش، مدلهای باز، علیالخصوص GLM 5.2، در پیچیدهترین وظایف برنامهنویسی عملکردی رقابتی با مدلهای انحصاری شرکتهایی چون Anthropic و OpenAI داشتند، درحالیکه هزینه کلی آنها کمتر بود.
اما نکته کلیدی در این تحقیق، نقش ابزارهای مهار (harness) بود. مهارها همان چارچوبهای هوشمند کدنویسی مانند Codex یا Claude Code هستند که مدل را احاطه کرده، دستورالعملها و زمینه (context) را مدیریت میکنند. نتایج نشان داد که انتخاب مهار مناسب میتواند به اندازه انتخاب مدل در کاهش هزینهها مؤثر باشد. برای مثال، مهار متنباز Pi با مدیریت دقیقتر زمینه، یکی از کمهزینهترین گزینهها بدون افت کیفیت از آب درآمد. بهگفته دیتابریکس: «درس اینجا این نیست که یک مهار همیشه ارزانتر است، بلکه انتخاب مدل تنها یک تکه از پازل است.»
این رویکرد عملی برای استارتاپها و سازمانهای ایرانی که با چالشهای بودجهای و محدودیتهای دسترسی به فناوریهای روز روبرو هستند، بسیار آموزنده است. ترکیب مدلهای وزنباز قدرتمند مانند GLM 5.2 با مهارهای متنباز میتواند راهی مقرونبهصرفه برای ارائه خدمات هوش مصنوعی در مقیاس سازمانی باشد. همچنین، تأکید دیتابریکس بر استفاده از مدلهای قابل سفارشیسازی و شفافتر، به نگرانیهای امنیتی و نیاز به حاکمیت داده پاسخ میدهد. به نظر میرسد دیتابریکس نهتنها غول فناوری بعدی است، بلکه الگویی برای دموکراتیزه کردن هوش مصنوعی سازمانی ارائه میکند.