Together AI、$800M調達でopen-source AIのinference基盤を再構成

Vipul Ved Prakashは「Four years ago, my co-founders and I started Together AI because we saw generative AI as a turning point for human progress」と書いている。出典

研究をproductionへ運ぶ出発点

Together AIは、生成AIを一部の企業だけが管理するものにせず、openで広く使えるようにするという信念から始まった。

Founder & CEOのVipul Ved Prakash、Founder & CTOのCe Zhang、研究者のChris Ré、Tri Dao、Percy Liangというチーム構成は、事業と研究を近い距離に置く設計だった。出典

モデルではなくfull stackへ

初期のopen model支援は、単にendpointを並べるだけでは終わらなかった。

RedPajamaのようなデータ・研究活動から、fine-tuning、serverless inference、GPU clustersへと範囲を広げ、開発者がモデルを選び、運用へ持ち込むまでの段差を減らした。出典

性能をkernelから積み上げる

Togetherはモデル名の競争だけでなく、FlashAttention系のkernel、量子化、speculative decodingなど、推論の裏側へ踏み込んだ。

公式発表ではleading open-source modelsで最大2倍のserverless inference速度を掲げている。出典

$800Mでcomputeを先に押さえる

2026年7月、Series Cで$800Mを調達し、500MW超のcompute capacity commitmentsを確保した。

これはAPI企業から、計算資源そのものを含むAI Native Cloudへ移る意思表示である。出典

結び

Together AIの道のりは、open-source AIを掲げる理念を、価格、latency、capacityという運用上の価値へ翻訳する過程だった。

今後の勝負は、研究の新しさだけでなく、顧客が本番で安心して使い続けられる経済性にある。

Together AIのPMFは、モデルをゼロから学習する企業ではなく、open-weight modelをproductionへ載せたいAI-native企業にある。

モデル選択、fine-tuning、推論、GPU運用を別々に組み合わせる負担を、APIとmanaged computeへ翻訳する。出典

Series C発表では、CognitionやCursorなど数千の顧客に使われるproduction platformだと説明されている。

品質だけでなく、コスト・性能・モデルの選択肢を同時に欲しいチームへ刺さる。出典

moatは単一モデルではなく、kernel最適化、推論runtime、GPU調達、モデル運用の組み合わせにある。

Together KernelsやFlashAttention系の研究をproductionへ接続する蓄積は、APIだけの競合には模倣コストを生む。出典

network effectは中程度。

顧客が増えるほどモデルの利用データやbenchmark知見が運用改善へ返るが、SNSのような直接的な参加者間ネットワークではない。

open-source communityとの接点が間接的な増幅器になる。出典

主な顧客は、AI agent、voice、image、searchなどを本番運用するAI-native企業と、open-weight modelをfine-tuneしたい開発チームである。

単にチャットを試す個人より、SLO・コスト・GPU容量を管理する技術組織に向く。出典

第一は、研究成果をAPI・kernel・推論engineへ連続的に出荷するresearch-to-productionの流れである。出典

第二は、open modelsの品ぞろえと推論最適化を同じplatformで扱うこと。

Togetherはleading open-source modelsで最大2倍のserverless inference速度を掲げる。出典

GPU・電力・半導体への依存は、AI infrastructure事業の構造的なリスクである。

Series Cと500MW超のcompute commitmentは成長余地を示す一方、資本負担と供給制約も大きくする。出典

また、モデル提供者やhyperscalerが同じopen-model hostingを内製化する可能性がある。

性能差が縮むほど、価格競争と顧客のマルチクラウド化が強まる。

成長はdeveloper self-serveとenterprise salesの二層構造である。

pricingとdocsでAPI利用を始めさせ、dedicated inferenceやGPU clustersへ拡張する。

Series C発表が示すcompute投資は、単なるtoken APIからfull-stack infrastructureへの移行を支える。出典

一方で、安価なserverlessだけを競争軸にするとmarginが削られるため、性能・信頼性・controlをenterprise価値として売る必要がある。

主要チャネル: content, community, github, enterprise, research

AI platformでは「モデルを持つ」だけでなく、性能を引き出すkernel、routing、capacityを一つの体験へまとめることが差別化になる。

Togetherの事例は、researchを論文で終わらせず、価格とlatencyへ翻訳する重要性を示す。出典

日本では、GPUを自社調達できない企業がopen-weight modelを業務へ組み込む際、従量課金APIから始めてdedicated capacityへ移る段階設計が現実的である。

日本語モデル・音声・画像の評価を国内データで行えるかが導入の分かれ目になる。

Together型の示唆は、モデルの国産性だけでなく、推論コスト、監査、データ所在を含む運用面を比較軸にすることだ。