Terça-feira, 15 de setembro de 2026

O AGENTICO

o futuro da IA, todo dia, num clique

Voltarver como story →

a16z lidera rodada de US$ 300 mi na Gimlet Labs

2 fontesdesde 04 de setembro de 20262 artigos

A Gimlet Labs, startup de cloud de inferência multi-silício, levantou US$ 300 milhões em uma rodada Série B liderada pela Andreessen Horowitz, com participação da Arm Holdings, Samsung Ventures e Microsoft's M12 fundo. A empresa, avaliada em US$ ​​3 bilhões, desenvolveu uma plataforma que divide modelos de linguagem em módulos e os executa em chips otimizados para cada parte, prometendo ganhos de eficiência por watt. A rodada ocorre em meio ao aumento dos gastos de capital dos hyperscalers, que se aproximam de US$ ​​1 trilhão.

Resumo

  • A Gimlet Labs levantou US$ 300 milhões em uma rodada Série B liderada pela Andreessen Horowitz, com participação da Arm Holdings, Samsung Ventures e Microsoft's M12 fundo.

    Esse financiamento robusto indica forte confiança do mercado na abordagem da Gimlet Labs para otimizar inferência de IA em diferentes chips.

  • A Gimlet Labs desenvolveu uma plataforma que divide modelos de linguagem em módulos e os executa em chips otimizados para cada parte, prometendo ganhos de eficiência por watt.

    Essa tecnologia pode reduzir custos e melhorar o desempenho de aplicações de IA, tornando-as mais acessíveis.

  • A rodada ocorre em meio ao aumento dos gastos de capital dos hyperscalers, que se aproximam de US$ 1 trilhão, e à expectativa de que a NVIDIA invista mais de US$ 500 bilhões em fábricas de IA.

    O investimento na Gimlet Labs reflete a crescente demanda por soluções eficientes de inferência, em um cenário de expansão massiva da infraestrutura de IA.

  • A Gimlet Labs oferece uma API unificada que roteia cargas de trabalho heterogêneas entre CPUs, GPUs e chips de propósito específico.

    Isso simplifica o desenvolvimento de aplicações de IA que exigem diferentes tipos de processamento, aumentando a flexibilidade e eficiência.

  • A Gimlet Labs apoia abordagens de desagregação mais granulares, como dividir o fluxo de inferência em fases de prefill e decode executadas em chips separados.

    Isso permite otimizar cada etapa do processamento de IA, reduzindo gargalos e melhorando o desempenho geral.

Todo dia, só o que dois veículos independentes confirmaram — no seu feed.

Siga @oagentico →