Kalifornijski Applied Compute, spółka pomagająca firmom rozwijać, wdrażać i optymalizować otwarte modele AI o otwartych wagach, prowadzi podobno rozmowy z inwestorami w sprawie pozyskania finansowania przy wycenie około 3 mld USD, wynika z raportu The Information.

Jeśli runda zostanie zamknięta, nowa wycena ponad dwukrotnie przewyższy poprzednią wartość spółki na poziomie 1,3 mld USD, ustaloną zaledwie cztery miesiące temu — to skok, który pokazuje zmieniające się nastawienie inwestorów do infrastruktury AI. Applied Compute nie jest jedyną spółką przyciągającą kapitał do tego segmentu: Together AI, Fireworks AI i Anyscale również pozyskały istotne finansowanie na potrzeby ekosystemu modeli otwartych, odzwierciedlając szerszą tezę „pick and shovels”, w której inwestorzy szukają ekspozycji na infrastrukturę korzystającą niezależnie od tego, które pojedyncze modele zyskają adopcję.

Ruch ten odzwierciedla szerszy trend w całej branży AI. Wraz z rozwojem modeli otwartych przedsiębiorstwa coraz częściej poszukują systemów, które mogą dostosować i kontrolować, co napędza popyt na infrastrukturę zdolną do trenowania, wdrażania i ciągłego ulepszania takich modeli. Hugging Face, wiodąca platforma modeli otwartych, podała, że w 2025 roku osiągnęła 13 milionów użytkowników i ponad 2 miliony publicznych modeli, co pokazuje szybkie dojrzewanie ekosystemu open-source AI.

Ponowne podwojenie względem rundy Series B o wartości 1,3 mld USD

Applied Compute ujawnił w kwietniu rundę finansowania o wartości 80 mln USD, prowadzoną przez Kleiner Perkins przy wycenie post-money na poziomie 1,3 mld USD. Ta runda podniosła łączne finansowanie spółki do około 160 mln USD.

W ramach proponowanych nowych warunków wartość 3 mld USD oznacza około 2,3-krotność kwietniowej wyceny — osiągniętą w ciągu kilku miesięcy. Runda finansowania nadal jest otwarta, więc ostateczna wycena może jeszcze ulec zmianie.

Proponowana kwota stoi także w wyraźnym kontraście do danych finansowania z Epoch AI. Mistral AI, jeden z czołowych twórców modeli otwartych, zebrał do września 2025 roku 3 mld USD kapitału własnego przy wycenie 13,7 mld USD — wynika z bazy Epoch. Dla porównania Applied Compute pozyskał dotąd około 160 mln USD, co oznacza, że jego szacowana wycena 3 mld USD opiera się na znacznie mniejszym kapitale niż w przypadku Mistral.

Tych dwóch spółek nie da się bezpośrednio porównać: Mistral buduje modele bazowe, a Applied Compute dostarcza warstwę infrastrukturalną. Mimo to różnica podkreśla premię, jaką inwestorzy przypisują infrastrukturze dla open-source AI. Najnowsza runda Mistral była prawie 25 razy większa od łącznego finansowania Applied Compute, a wycena była około 4,6 razy wyższa — co daje kontekst dla wzrostu wyceny Applied Compute bez odwoływania się do niepewnych prognoz przychodów.

Co faktycznie sprzedaje Applied Compute

Applied Compute opisuje swoją platformę jako środowisko chmurowe do trenowania, inferencji i ciągłego ulepszania modeli otwartych. Jej Agent Cloud, znany jako AC2, umożliwia przedsiębiorstwom trenowanie modeli w oparciu o własne dane i przepływy pracy, a następnie wdrażanie ich w środowisku produkcyjnym.

Kluczowa koncepcja polega na bezpośrednim połączeniu trenowania modelu z wdrażaniem agentów. W odróżnieniu od tradycyjnego podejścia, które rozdziela trening i wdrożenie, Applied Compute pozwala organizacjom zachować istniejącą infrastrukturę agentową i podmieniać na niej nowo wytrenowany model dopasowany do ich potrzeb. W branżach regulowanych, takich jak opieka zdrowotna i usługi finansowe, taka architektura pomaga też w kwestiach ładu danych, ponieważ przedsiębiorstwa mogą dopracowywać modele w środowiskach, które kontrolują, zamiast wysyłać dane zastrzeżone do zewnętrznych dostawców API.

„The harness can stay where it already runs.” — Vinjai Vale, Applied Compute

Platforma wykorzystuje production traces, kontekst przedsiębiorstwa i uczenie ze wzmocnieniem do udoskonalania wyspecjalizowanych modeli — możliwości, które mogą stawać się coraz cenniejsze, gdy firmy odchodzą od ogólnych asystentów AI i oczekują wymiernych efektów swoich inwestycji w AI.

Własne badania Applied Compute pokazują to podejście. W niedawnym eksperymencie spółka wytrenowała router do rozdzielania zadań inżynierii oprogramowania między NVIDIA’s Nemotron 3 Ultra, GPT-5.5 i Claude Opus 4.7. Firma podała, że router osiągnął wydajność na poziomie GPT-5.5 przy kosztach niższych o około 25%, jednocześnie wykorzystując większość korzyści strategii oracle.

Leżąca u podstaw strategia traktuje modele AI jako wymienne komponenty. Zamiast kierować każde zadanie do najmocniejszego modelu, przedsiębiorstwa mogą równoważyć możliwości i koszty — a takie podejście staje się coraz bardziej istotne, gdy modele otwarte zmniejszają dystans do systemów zamkniętych oraz gdy łączne wydatki na API od dostawców zamkniętych stają się istotnym kosztem dla skalujących się organizacji. Cryptopolitan wcześniej opisywał rywalizację Kimi K3 z OpenAI i Anthropic, pokazując, jak chińskie modele open-weight coraz mocniej konkurują z systemami amerykańskimi pod względem możliwości i ceny.

Dlaczego moment sprzyja zakładowi na modele otwarte

Rozmowy finansowe Applied Compute mają miejsce w chwili, gdy wydatki na infrastrukturę AI przesuwają się w stronę obciążeń produkcyjnych. Gartner prognozuje, że inferencja będzie odpowiadać za 55% wydatków na AI-optimized infrastructure-as-a-service w 2026 roku, wraz z przechodzeniem AI do bardziej realnych zastosowań.

Ten trend dobrze pasuje do modelu Applied Compute. Spółka nie sprzedaje wyłącznie mocy obliczeniowej do treningu; buduje infrastrukturę zaprojektowaną tak, by modele mogły dalej się ulepszać po wdrożeniu.

Wzrost Hugging Face stanowi kolejne potwierdzenie powiększającego się rynku. Platforma osiągnęła 13 milionów użytkowników i ponad 2 miliony publicznych modeli w 2025 roku, ponieważ programiści coraz częściej budują modele dostrajane oraz aplikacje na istniejących systemach.

Dla przedsiębiorstw modele o otwartych wagach oferują także większą kontrolę. Firmy mogą dostosowywać je do własnych procesów i wdrażać, zachowując większą kontrolę nad danymi i zachowaniem modelu.

To stawia Applied Compute w potencjalnie istotnym punkcie zwrotnym. Jeśli firmy coraz częściej wolą budować AI wokół własnych danych, zamiast wynajmować inteligencję od zamkniętych dostawców, infrastruktura łącząca modele z zastrzeżonymi obciążeniami może stać się ważnym segmentem globalnego rynku AI. Proponowana wycena 3 mld USD jest więc czymś więcej niż zakładem na jeden startup. To zakład, że firmy będą coraz częściej używać, trenować, dostosowywać i stale ulepszać modele AI wokół własnych biznesów.