$300 млн за 24 часа. Компания Decart из Сан-Франциско объявила о раунде с участием Radical Ventures, Nvidia, Amazon, Sequoia, Benchmark, Adobe и Toyota. Общий объём привлечённого финансирования превысил $450 млн. Но ключевое число не в сумме раунда, а в том, что стартап потратил меньше $10 млн из привлечённого капитала — остальное покрыто доходом от лицензирования DOS.
Три продукта — DOS (инференс- и тренировочный стек), Lucy (immersive world model для развлечений), Oasis (physical world model для робототехники и симуляции).
Конвергенция — AI-оптимизация на уровне хардвера и софта пересекается с развитием world-моделей, создавая новый инфраструктурный слой для real-time AI.
Компания — не типичный AI-лаборатория. Decart построена как вертикально интегрированный research lab: от оптимизации на уровне чипов (Nvidia GPU, Google TPU, Amazon Trainium) до пользовательских продуктов с миллионами юзеров. Эта связка — hardware-software co-optimization (совместная оптимизация hardware и software) — и есть основной актив. DOS 2.0 работает на всех трёх классах акселераторов, а не привязан к одному вендору.
Потрачено <$10 млн капитала
Decart профинансировал compute-затраты через revenue от лицензирования DOS, а не из капитала. Компания вышла на операционную самоокупаемость в течение трёх месяцев после первого раунда. · TNW / Alpha Partners, май 2026
DOS 2.0: новый слой инфраструктуры
Decart Optimization Stack — это не очередной компилятор для нейросетей. DOS работает на уровне hardware-software co-design: разработчик пишет собственные megakernels, которые позволяют запускать LLM, видеомодели и энкодеры одновременно на одном чипе с нулевой задержкой. На Trainium2 это дало >30% прироста производительности относительно GPU от Nvidia.
Ключевое отличие DOS 2.0 — поддержка агентных нагрузок. AI-агенты, работающие через DOS, показывают 1 600 токенов в секунду при восьмикратном отраслевом среднем. Для world-моделей — 100 кадров HD-видео в секунду. Это не бенчмарк в изоляции, а production-показатель на инфраструктуре Amazon, Google и чипмейкера.
Бизнес-модель DOS построена на лицензировании: облачные провайдеры и AI-лаборатории платят за доступ к стеку. Revenue от этих соглашений покрывает compute-затраты компании, что для AI-инфраструктурного стартапа на ранней стадии — аномалия. Большинство аналогов сжигают капитал на GPU-аренду, а не зарабатывают на ней.
«Мы не просто оптимизируем модели под чипы — мы перепроектируем то, как модель и чип работают как одна система. Разница между последовательным запуском трёх компонентов и параллельным на одном чипе — это не 30%, это смена категории»— Dean Leitersdorf, CEO и сооснователь Decart
World-модели: от игр к физическому AI
Decart развивает два класса world-моделей. Lucy 2.0 — immersive world model для real-time трансформации видео: замена объектов, персонажей, фонов в живом потоке. Oasis — physical world model для симуляции и робототехники: генерация интерактивных физически достоверных сред, которые реагируют на действия пользователя в реальном времени.
Архитектура Oasis принципиально отличается от традиционных game engines. В видеоигре мир хранится на диске — рендерер отрисовывает заранее построенные ассеты. Oasis генерирует каждый кадр с нуля как реакцию на ввод пользователя. Это не симуляция внутри движка, а AI, который строит мир «на лету».
Именно эта архитектура делает world-модели ключевыми для физического AI. Чтобы робот мог ориентироваться и действовать в физическом мире, ему нужно понимать и предсказывать, как этот мир работает — то есть иметь world model. Oasis — одна из первых реализаций этой идеи в production.
«World-модели станут одной из определяющих инфраструктур следующего десятилетия AI. Вместо генерации статичных выходных данных они создают среды, которые мгновенно реагируют на пользовательский ввод. Это открывает дверь к новым приложениям в гейминге, интерактивных медиа, робототехнике и physical AI»— Dean Leitersdorf, CEO Decart — Comcast+NVIDIA AI Grid demo, март 2026
Что будет с рынком AI-инфраструктуры через год?
Вероятность: 65% — Nvidia, AMD и Amazon уже инвестируют в co-design с инфраструктурными партнёрами; DOS 2.0 задаёт бенчмарк, который потребует ответа от конкурентов.
✅ Аргументы за
+ Ведущие чипмейкеры (чипмейкер, AWS, AMD) уже соинвестируют в компанию — это сигнал, что hardware-software co-optimisation становится частью их стратегии + DOS 2.0 показывает измеримый 8x прирост на стандартных бенчмарках — конкуренты (TensorRT, OpenXLA) не имеют сопоставимых результатов для агентных нагрузок + Модель revenue от лицензирования, а не от сжигания капитала на compute, доказывает, что инфраструктурный слой может быть самостоятельным бизнесом Критерии подтверждения: AWS или GCP анонсируют собственные оптимизационные стеки с hardware-level интеграцией в 2026–2027; хотя бы один hyperscaler заключит commercial license DOS
❌ Аргументы против
− Вендоры имеют собственные оптимизационные стеки — им невыгодно продвигать сторонний слой абстракции над своими чипами − DOS 2.0 оптимизирован под конкретные модели компании — перенос на произвольные архитектуры может потребовать значительной адаптации − Рынок AI-инфраструктуры фрагментирован: hyperscalers предпочитают проприетарные решения vendor lock-in Критерии опровержения: вендор выпускает существенное обновление своей платформы, нивелирующее преимущество DOS; hyperscalers не показывают интереса к licensed-стекам в течение 12 месяцев
Сценарии развития
🟢 Оптимистичный сценарий (25%)
DOS становится стандартом де-факто для hardware-agnostic AI-оптимизации. Один из hyperscalers заключает эксклюзивную лицензию. World-модели Decart (Oasis) используются как симуляционная среда для training embodied AI. Последствия: компания превращается в инфраструктурный слой, сопоставимый по значению, но hardware-agnostic. Рынок AI-инфраструктуры получает независимый оптимизационный уровень.
🟡 Базовый сценарий (55%)
DOS остаётся нишевым продуктом для компаний с высокими требованиями к latency (world-модели, агентные системы, real-time video). Основной revenue — от licensing узкому кругу cloud-провайдеров и AI-лабораторий. World-модели находят применение в гейминге и рекламе. Последствия: компания — успешная, но не доминирующая инфраструктурная компания. Технология world-моделей доказывает состоятельность в развлекательном секторе, но не становится стандартом для робототехники.
🔴 Пессимистичный сценарий (20%)
Чипмейкеры закрывают API, делая DOS несовместимым с новыми поколениями чипов. World-модели не находят product-market fit за пределами демо-версий. Конкуренты (Sora, Runway) догоняют по real-time генерации. Последствия: стартап остаётся исследовательской лабораторией с сильной engineering-командой, но без масштабируемого бизнеса. Поглощение одним из hyperscalers по цене значительно ниже текущей оценки.
DOS licensing deals — количество и типы клиентов DOS покажут, становится ли стек стандартом или остаётся проприетарным инструментом для внутренних нужд компании.
Интеграция world-моделей в робототехнику — появится ли хотя бы один production-пайплайн обучения embodied AI на Oasis: это конвертирует технологию из развлекательной в промышленную.
Обновления платформы чипмейкер — если следующая версия включает hardware-level оптимизации, сопоставимые с DOS, конкурентное преимущество компании сокращается.
Внедрение Trainium — чем больше AI-компаний используют чип от AWS (для которого DOS оптимизирован), тем шире рынок для компания.
Кто ещё играет в этой категории
компания не единственный, кто строит инфраструктурный слой между моделями и чипами. TensorRT от чипмейкер остаётся стандартом для экосистемы, но он привязан к одному вендору. OpenXLA (Google, AMD, Arm) — open-source альтернатива с поддержкой множества бэкендов, но без hardware-level co-design. PyTorch наращивает собственный compile-слой (torch.compile), но пока не показывает 8x прироста на агентных нагрузках.
Разница компания в том, что DOS строился не как компилятор общего назначения, а под конкретный класс low-latency нагрузок: world-модели, агентные системы, real-time video. Такая специализация даёт порядок прироста, недоступный универсальным решениям — но сужает TAM.
| Характеристика | DOS 2.0 (компания) | TensorRT (чипмейкер) | OpenXLA |
|---|---|---|---|
| Hardware | ✔ GPU/TPU/Trainium (agnostic) | ◐ Только чипмейкер GPU | ✔ GPU/TPU/CPU (agnostic) |
| Прирост на агентных нагрузках | ✔ 8x (1 600 tok/s) | ◐ 2–3x (generic inference) | ✗ 1.5–2x (generic) |
| Поддержка world-моделей | ✔ 100 fps HD video | ✗ Нет | ✗ Нет |
| Business model | ✔ Commercial license + SaaS | ✔ Free (vendor lock-in) | ✔ Open source |
Сравнение инфраструктурных стеков для AI-оптимизации. Источники: компания.ai, чипмейкер Developer, OpenXLA, май 2026
Основной источник — детальный разбор DOS 2.0 с конкретными бенчмарками и списком инвесторов.
Контекст раунда и стратегическая роль multi-hardware подхода Decart.
Первичный источник — официальные характеристики стека и road-mар продукта.
