$480M Series DのLambda、GPU instanceから2,000台clusterへAI computeを調達する

一人に一枚のGPUという出発点

Lambdaは2012年、ML engineersが自らのscaling problemを解くために始めた。

公式about pageは創業時の発想を「One person, one GPU」と表現し、最初のofficeをSan FranciscoのNoisebridge hackerspaceだったと振り返る。出典

創業者が残した技術起点

公式leadership pageでStephen BalabanとMichael Balabanはfounderとして掲載され、それぞれCTO、CPOを務める。

Stephen Balabanらの出発点は、ML engineerがGPU clusterの運用ではなくmodelづくりに集中できる状態だったと読める。出典 出典

資本をhardwareとcloudへ振り向ける

2021年、Lambdaは$24.5Mのfinancingを発表し、GPU Cloudとon-prem AI infrastructureを拡大すると述べた。

2023年には$44M Series BでH100 capacityとtraining cloudの機能へ投資する方針を示した。出典 出典

1 GPUから大規模clusterへ

2024年の$320M Series Cを経て、Lambdaは数千台のNVIDIA GPUとQuantum-2 InfiniBandを備えるcloudを掲げた。

同年には16〜512 H100 GPUの1-Click Clustersを発表し、短期予約でもlarge-scale trainingを扱う設計を打ち出した。出典 出典

今のLambda

2025年の$480M Series Dは、infrastructureだけでなくsoftwareも拡張するための資金として発表された。

Lambdaの歩みは、GPUを時間貸しするだけでなく、AI teamが大規模computeを調達・運用する経路そのものを短くしようとする試みだと言える。出典

Lambdaが解くのは、ML teamがGPU、network、storage、driver、schedulerを別々に調達・運用しなければならない痛みだ。

公式cloud pageは1〜8 GPU instance、UI/API/CLI、minute billingを提示し、cluster pageは16〜2,000+ GPUへ連続的に拡張できるとする。出典 出典

研究用の単発実験から本番trainingまで同じproviderへ寄せられるため、調達と環境差分の摩擦を減らす価値がある。

一方、価格比較だけではなく、必要なGPUが必要な期間に確保できるかがPMFの中心だと考えられる。

Lambdaの参入障壁は単なるGPU在庫ではなく、AI専用のnetwork、storage、managed Kubernetes/Slurm、運用チームを組み合わせたdelivery能力にある。

Superclustersはsingle-tenant、shared-nothing、4,000〜165,000+ GPUを掲げ、規模と運用実績の蓄積が必要になる。出典

直接的な利用者間network effectは弱い。

顧客が増えても他の顧客のjobが価値を増やすわけではないからだ。

ただしGPU vendor、server vendor、data center、運用人材とのecosystemが厚くなるほど供給・support・新hardware投入を改善できる間接効果はある。出典

主対象は、training、fine-tuning、inferenceを実行し、GPU利用を開発速度の制約にしたくないAI startup、研究組織、enterprise ML teamである。

短時間の実験だけを低コストで回す用途より、複数GPUや高速interconnect、managed orchestrationの価値を使えるteamに適合しやすい。出典

第一に、GPU instance、cluster、single-tenant superclusterを同じAI workload軸で階層化したこと。

第二に、PyTorch、CUDA等をpreinstallするLambda Stackで環境構築を削ったこと。出典

さらに2024年の$320M Series C、2025年の$480M Series Dでcapacityとsoftwareへの投資方針を公式に示した。

GPU供給そのものがproduct experienceを左右する市場で、資本と運用の両方を積み上げる設計である。出典 出典

最大のリスクはGPU調達、電力、data center capacityを先に抱えるcapital intensityだ。

需要やhardware世代の変動が速いので、稼働率が低下すれば固定費が重くなる。

Lambda自身も拡張のために複数の資金調達を行っている。出典

またGPU cloudはAWS、Azure、CoreWeave等との比較を避けられず、価格だけで差別化するとhardware供給の優位が薄れた局面で競争が厳しくなる。

managed operationsとnetwork品質を継続して証明する必要がある。

self-serve instanceとdocsでindividual developer・研究者を入口にし、workloadが大きくなれば1-Click Clusters、さらに専有Superclustersへ拡張するland-and-expand型だ。

cloud pageがUI/API/CLIを、cluster pageがshort-termとlong-term contractを併記しているため、PLGとenterprise salesを製品階層で分担していると読める。出典 出典

主要チャネル: developer_docs, self_serve_cloud, content_marketing, enterprise_sales, partner_ecosystem

GPU cloudを比較するとき、GPU単価だけでは判断できない。

instanceからclusterへ伸びる際の予約条件、network、storage、software image、operations supportまでを一つの購買単位として見る必要がある。

Lambdaのように価格表とmanaged orchestrationを同時に出す設計は、technical buyerとprocurementの会話をつなぐ。出典 出典

日本で同様の事業を展開するなら、GPU供給の確保だけでは足りない。

国内のdata residency、調達リードタイム、日本語でのML運用支援をbundleし、大学・研究機関とAI startupが短期clusterを共同で使える予約設計が有効だと考えられる。

Lambdaの短期clusterとmanaged orchestrationは、その設計の比較材料になる。出典