Y Combinator 日本語図鑑

事業概要

プロダクト

• 投入前のジョブ定義と過去の実行履歴を入力として受け取る。
• 必要とするGPU数と実行時間を予測し、適正な資源量を返す。
• コードと設定の変更案を生成し、研究者が自分で適用できる形で示す。
• 失敗する可能性の高いジョブを投入前に検出して警告する。
• スケジューラーに渡す前の段階で補正済みの投入案を出力する。

技術アーキテクチャ（推定）

• 顧客の計算基盤からジョブ定義・実行履歴・資源使用ログを取得するとみられる。
• エージェント型の収集かAPI連携で、スケジューラーの手前に入り込む構成と推定される。
• ジョブ種別やコード特徴を正規化し、資源量と成否を予測するモデルに通す。
• マルチモーダルな資源予測器を中核に据え、公表基準を上回ったとされる。
• 予測結果と提案を既存の投入手順に返し、履歴を蓄積して精度を更新する。
• 保存形態や提供方式は非公開で、常時接続型か一時参照型かは未確認。

収益モデル

• 計算基盤を運用する組織が、遊休削減と失敗回避の対価を支払う形と推定される。
• 課金単位は月額か従量か案件単位かを含め、価格は非公開。
• 研究機関と民間の計算基盤運用者が主な支払い主体になるとみられる。

差別化

• 大規模な並列計算基盤の運用経験を設計に直接反映している。
• 投入前の予測という工程に位置取りし、実行後の監視と競合しない。
• 失敗予測と資源予測を同じ履歴基盤で扱う点が再現しにくい。
• 蓄積した実行履歴が増えるほど予測精度が上がる構造と推定される。

日本展開時のリスク

• 大学や研究機関の調達は年度予算と入札手続きに縛られ期間が長い。
• 既存のジョブ管理系や課金系との接続仕様が非公開で検証が要る。
• 研究データを外部に送る前提への学内規程の審査が必要になる。
• 計算基盤の運用内製志向が強く、外部ツール導入の優先度が上がりにくい。
• 為替と価格帯次第で、国内予算枠に対する費用対効果の説明が重くなる。

日本での競合

• 国内のGPU計算需要は研究機関と生成AI開発企業に集中している。
• 計算基盤はクラウド大手と国内事業者の提供が中心で、運用改善は利用者負担になっている。
• 資源予測と失敗予測を専業で提供する国内事業者は確認できない。
• 直接の同型はなく、参入余地は運用改善の工程に残る。
• 計算基盤事業者が同種機能を自社服務に組み込む可能性は否定できない。
• 導入の壁は既存スケジューラーとの接続とデータ持ち出しの規程対応にある。

主要プレイヤー

• さくらインターネット — 国内データセンターのクラウド。
• Amazon Web Services — クラウド基盤。国内リージョンで提供。
• Google Cloud — クラウド基盤とデータ分析。