Contexte et enjeux multimodaux
Le 17 novembre 2026, LanceDB Inc. a annoncé une levée de fonds de 57,5 millions de dollars en série B, portant son financement total à 98,5 millions de dollars. Cette injection de capital vise à répondre à un problème d’infrastructure identifié par le co‑fondateur Chang She : les équipes de recherche doivent souvent répartir leurs jeux de données sur plusieurs systèmes, ce qui retarde la préparation d’un jeu d’entraînement de plusieurs semaines, voire mois. Le volume de données multimodales – texte, images, vidéo, nuages de points lidar, séries temporelles – atteint typiquement 10 à 20 pétaoctets par table, avec des cas extrêmes approchant 80 à 100 pétaoctets. Ces chiffres illustrent la nécessité d’une couche de données unifiée capable de gérer à la fois la taille et la diversité des formats.
Architecture du lakehouse LanceDB
Le cœur technique repose sur Lance, un format de données open‑source spécialement conçu pour les charges de travail IA. Contrairement aux formats analytiques classiques, optimisés pour le scan complet de tables, Lance autorise la récupération et la modification rapides de records individuels. Cette caractéristique facilite les requêtes ad‑hoc et la génération de features sans devoir copier ou transformer les fichiers source. Le format intègre des colonnes structurées et des blobs (images, vidéos, fichiers audio) dans un même fichier, ce qui élimine le besoin de systèmes parallèles pour chaque type de donnée.
Sur le plan de l’infrastructure, LanceDB déploie un lakehouse qui combine la flexibilité d’un data lake – stockage natif dans le cloud du client – avec les capacités de requêtage d’une base de données. Les données restent « in‑place », c’est‑à‑dire qu’elles ne sont jamais déplacées ou dupliquées, ce qui réduit les coûts de bande passante et les risques de corruption. Le système se connecte directement aux buckets cloud existants (ex. S3, GCS) et distribue les charges de travail de lecture/écriture sur un cluster de nœuds capable de servir des milliers de GPU simultanément.
Analyse des performances et limites
Les premiers clients – Runway AI, Netflix et Microsoft – ont intégré le lakehouse pour des flux de travail à l’échelle du pétaoctet. Runway décrit un scénario où chaque exemple d’entraînement évolue (vidéo, prompt, métadonnées) et où le format Lance est le seul à supporter simultanément les colonnes d’append, les lectures distribuées et le SQL ad‑hoc. Microsoft l’utilise comme couche de données pour entraîner des modèles sur « des dizaines de milliards de lignes d’images et de code », ce qui indique que le moteur peut gérer des volumes bien supérieurs aux 100 PB cités comme limites théoriques.
Malgré ces succès, la solution dépend fortement d’une connectivité réseau stable entre le cluster de calcul et le stockage cloud. Toute latence accrue peut neutraliser les gains de performance obtenus par l’accès direct « in‑place ». De plus, le modèle de facturation n’est pas détaillé dans l’annonce, ce qui rend difficile d’évaluer le coût total de possession pour les petites équipes de recherche. Enfin, la prise en charge de nouveaux types de capteurs (ex. données 3D temps réel) reste en phase d’expansion, et les performances de requêtes complexes sur ces dimensions ne sont pas encore quantifiées publiquement.