Exa Labs: ارزش‌گذاری ۲.۲ میلیارد دلاری با یک میلیارد پرس‌وجوی ماهانه

تصور کنید دنیایی را که در آن میلیاردها عامل هوشمند به‌جای انسان، در هر ثانیه هزاران صفحه وب را برای یافتن پاسخ‌های دقیق می‌کاوند. اگر توسعه‌دهنده‌ای هستید که برای کاهش توکن‌های مصرفی و حذف توهمات مدل‌ها در تلاشید، زیرساخت جدید Exa دقیقاً برای شما طراحی شده است.

Exa Labs، شرکت مستقر در سان‌فرانسیسکو، اکنون با ارزشی معادل ۲.۲ میلیارد دلار، خود را به‌عنوان لایه‌ی زیربنایی وب عامل‌محور (Agentic Web) معرفی می‌کند. در حالی که جست‌وجوهای سنتی بر روی کلیک‌های انسانی تمرکز دارند، Exa برای مصرف ماشین‌ها مهندسی شده است تا داده‌های ساختاریافته‌ای را فراهم کند که عامل‌ها (Agents) — مانند دستیارهای هوشمندی که می‌توانند به‌طور مستقل کارهای پیچیده را انجام دهند — بتوانند در لحظه آن‌ها را تحلیل کرده و بر اساس آن‌ها عمل کنند. در واقع، این شرکت در حال ساخت موتور جست‌وجویی است که به‌طور ویژه برای عصر هوش مصنوعی متناسب شده است.

همان‌طور که در تحلیل‌های قبلی ما درباره‌ی امنیت مدل‌های بازمتن و زیرساخت‌های استنتاج اشاره کردیم، نیاز به داده‌های پاک و سریع، گلوگاه اصلی مقیاس‌پذیری است. این تغییر در حالی رخ می‌دهد که صنعت از بازی با کلمات کلیدی ساده به سمت درک عصبی (Neural Understanding) حرکت می‌کند. ویلیام بریک، مدیرعامل Exa و یکی از بنیان‌گذاران سابق توییتر، معتقد است وب در حال یک چرخش بنیادین است. او پیش‌بینی می‌کند که سال ۲۰۲۶ یک نقطه عطف تاریخی خواهد بود؛ جایی که برای نخستین بار، تعداد جست‌وجوهای انجام شده توسط عامل‌های هوش مصنوعی از جست‌وجوهای انسانی پیشی می‌گیرد. این گذار به‌طور مؤثر اینترنت را به یک پایگاه داده عظیم و ساختاریافته برای میلیاردها سیستم خودگردان تبدیل می‌کند.

به گزارش وب‌سایت dev.to در تاریخ ۳ آگوست ۲۰۲۶، مقیاس این پلتفرم به‌شدت رشد کرده است. تعداد پرس‌وجوهای مشتریان از حدود ۱۰۰ میلیون در آوریل ۲۰۲۵ به یک میلیارد پرس‌وجو در آوریل ۲۰۲۶ رسیده است. این رشد ۱۰ برابری نشان‌دهنده پذیرش سریع جست‌وجوی عصبی توسط توسعه‌دهندگانی است که در حال ساخت گردش‌های کاری خودگردان هستند. در این میان، چالش‌های تجاری مربوط به مدل‌های درآمدی برای دسترسی به وب زنده همچنان پابرجاست، همان‌طور که تجربه توسعه‌دهندگان NexusAI در مواجهه با دشواری‌های منطق پرداخت برای جست‌وجوهای زنده نشان می‌دهد.

موتور مالی و گسترش جهانی

در ۲۰ می ۲۰۲۶، طبق اعلام رسمی شرکت، Exa Labs مبلغ ۲۵۰ میلیون دلار در دور سری C جذب کرد که توسط Andreessen Horowitz (a16z) رهبری شد. این تزریق سرمایه، که در تاریخ ۲۰ می ۲۰۲۶ اعلام شد، ارزش شرکت را از ۷۰۰ میلیون دلار (که پس از دور سری B با جذب ۸۵ میلیون دلار در پاییز گذشته به دست آمده بود) به بیش از ۲ میلیارد دلار رساند. این بودجه به‌طور مشخص برای دو برابر کردن نیروی کار و گسترش زیرساخت‌های محاسباتی جهت پاسخ به تقاضای شدید مبتنی بر عامل‌ها اختصاص یافته است.

برای پشتیبانی از این رشد، شرکت footprint جهانی خود را با افتتاح دفاتر جدیدی در زوریخ و سنگاپور گسترش داد. هدف از این توسعه بین‌المللی، جذب پژوهشگران و مهندسان تراز اول AI است. Exa در حال حاضر با تیمی چابک شامل حدود ۱۰۰ نفر فعالیت می‌کند و برای جذب استعدادهای شرکت‌های بزرگ تکنولوژی مانند گوگل، دسترسی به منابع محاسباتی عظیم، از جمله یک خوشه GPU اختصاصی ۵ میلیون دلاری و استفاده گسترده از خدمات AWS (Amazon Web Services) را پیشنهاد می‌دهد. این تمرکز بر زیرساخت‌های قدرتمند، هم‌سو با استراتژی‌های گسترده‌تر سخت‌افزاری در صنعت است، مانند هدف‌گذاری کوالکام برای کسب درآمد ۵ میلیارد دلاری از مراکز داده هوش مصنوعی تا سال ۲۰۲۷.

معماری عصبی و عملکرد فنی

تکنولوژی محوری Exa، تطبیق کلمات کلیدی را با شبکه‌های عصبی (Neural Network) — شبکه‌ای از سلول‌های کوچک، شبیه نقشهٔ مترو، که سیگنال را از ورودی به جواب می‌رساند — جایگزین کرده است. در حالی که رقبا از خزنده‌هایی استفاده می‌کنند که گشت‌وگذار انسانی را تقلید می‌کنند، Exa خزنده‌های خود را برای استخراج نقاط داده ساختاریافته، متاداده‌ها و بردارهای معنایی (Embedding) بهینه کرده است. این رویکرد به سیستم اجازه می‌دهد تا روابط بین اسناد، مخازن کد و مقالات آکادمیک را با دقت بسیار بالایی نقشه‌برداری کند.

در این سیستم، هر سند در فهرست (Index) به یک بردار با ابعاد بالا تبدیل می‌شود. هنگام ارسال یک پرس‌وجو، خودِ پرس‌وجو نیز تبدیل به بردار (Embedded) می‌شود و سپس سیستم یک جست‌وجوی شباهت برداری را برای یافتن مرتبط‌ترین محتوا بر اساس قصد (Intent) و زمینه (Context) انجام می‌دهد، نه صرفاً تطابق متنی ساده.

سازه فنی آن‌ها بر سه ستون استوار است:

• بردارهای معنایی (Semantic Embeddings): نقشه‌برداری ابعادی بالا که رابطه بین انواع محتواهای پراکنده، مانند مقالات علمی و کدهای برنامه‌نویسی را شناسایی می‌کند.
• استخراج محتوای پاک (Clean Content Extraction): حذف تبلیغات، منوهای ناوبری و کدهای تکراری HTML برای ارائه متن خام. این کار برای کاهش مصرف توکن (Token) — تکه‌های کوچکی از متن، مثل برش‌های یک کیک طولانی که مدل تکه‌تکه می‌خورد — در مدل‌های زبانی بزرگ (LLM) و بهبود دقت پاسخ‌ها ضروری است.
• تأیید منبع (Source Verification): پیوست کردن متاداده درباره منبع، تاریخ انتشار و اعتبار منبع به هر نتیجه برای به حداقل رساندن توهم (Hallucination) — وقتی مدل با اطمینان چیزی می‌گوید که وجود ندارد، شبیه دوستی که خاطره‌ای را اشتباه تعریف می‌کند — و اجازه دادن به کاربران برای بررسی منشأ اطلاعات.

Exa Instant و جنگ تأخیر

در گردش‌های کاری عامل‌محور، سرعت یک معیار بقاست. جست‌وجوهای متوالی توسط یک AI می‌تواند ثانیه‌های تأخیر را به دقایق انتظار برای کاربر تبدیل کند. برای حل این مشکل، Exa سرویس Exa Instant را معرفی کرد که یک موتور جست‌وجوی عصبی با زمان پاسخ زیر ۲۰۰ میلی‌ثانیه است.

Exa Instant این عملکرد را از طریق بهینه‌سازی خط لوله استنتاج (Inference) — لحظه‌ای که مدل واقعاً جواب تولید می‌کند، مثل خودِ آشپزی و نه دوره آموزش آشپز — و بهره‌گیری از استراتژی‌های حافظه پنهان توزیع‌شده (Distributed Caching) به دست آورده است. هزینه این سرویس ۵ دلار به ازای هر ۱۰۰۰ درخواست است و به همان فهرست عظیم داده‌های API استاندارد دسترسی دارد. این امر تضمین می‌کند که لایه جست‌وجو در طول تعاملات سیار و محاوره‌ای AI نامرئی بماند و عامل‌ها بتوانند مسائل پیچیده را بدون مختل کردن جریان تعامل حل کنند.

API دانش و ابزارهای تخصصی

پلتفرم Exa علاوه بر جست‌وجوی عمومی، مجموعه‌ای از ابزارها را برای استخراج عمیق از طریق Knowledge API ارائه می‌دهد:

• Answer Endpoint: ارائه پاسخ کوتاه، مستقیم و موجز به یک سؤال، که با استناد به منابع (Citations) پشتیبانی می‌شود. این ابزار برای چت‌بات‌هایی که به حقایق سریع نیاز دارند، ایده‌آل است. این قابلیت تبدیل دستیارهای ساده به ابزارهای پژوهشی را ممکن می‌کند، مشابه آنچه در تبدیل دستیار Attie در پلتفرم Bluesky به یک ابزار تحلیل شبکه‌های غیرمتمرکز شاهد بودیم.
• Contents Endpoint: ارائه متن کامل استخراج‌شده از یک URL، که برای وظایفی مانند خلاصه‌سازی یا تحلیل‌های دقیق بسیار مفید است.
• Websets: به کاربران اجازه می‌دهد مجموعه‌های سفارشی از وب‌سایت‌ها را برای جست‌وجو در دامنه‌های خاص تعریف کنند. برای مثال، می‌توان جست‌وجو را به «تمام پست‌های HackerNews در سال ۲۰۲۶» یا «تمام مخازن گیت‌هاب با تگ rust» محدود کرد.

یکپارچگی و اکوسیستم

Exa به‌گونه‌ای طراحی شده است که مستقل از چارچوب (Framework-agnostic) باشد. این پلتفرم پشتیبانی بومی از Vercel AI SDK، LangChain، LangGraph و CrewAI را فراهم می‌کند. استراتژی یکپارچگی آن‌ها تضمین می‌کند که توسعه‌دهندگان در یک پشته (Stack) خاص محبوس نشوند.

به‌طور حیاتی، آن‌ها یک سرور پروتکل زمینهٔ مدل (Model Context Protocol - MCP) را پیاده کرده‌اند. این امکان را به هر کلاینت سازگار با MCP، مانند Claude Desktop، می‌دهد تا بدون نیاز به نوشتن کدهای یکپارچگی سفارشی، به ابزارهای جست‌وجو و خزش وب (مانند web_search و web_crawl) دسترسی داشته باشند.

حضور آن‌ها در گیت‌هاب (تحت سازمان exa-labs) بسیار فعال است و بیش از ۱۰۶ مخزن دارد. ابزارهای کلیدی عبارتند از:

• exa-py: SDK رسمی پایتون که رابط‌های ایمن از نظر نوع (Type-safe) را برای جست‌وجو، محتوا و پاسخ‌ها فراهم کرده و محدودیت نرخ (Rate limiting) و احراز هویت را مدیریت می‌کند. این کتابخانه به‌طور منظم برای Websets و Exa Instant به‌روزرسانی می‌شود.
• agent-skills: مجموعه‌ای از مهارت‌های رسمی حاوی پرامپت‌ها و منطق‌های پیش‌ساخته برای پژوهش، لیست‌سازی و غنی‌سازی داده‌ها.
• ai-sdk: یک ابزار جست‌وجوی وب تخصصی برای Vercel AI SDK جهت استفاده در اپلیکیشن‌های مبتنی بر TypeScript.
• exa-mcp-server: پیاده‌سازی خاصی که ابزارها را مستقیماً در اختیار مجموعه ابزار عامل قرار می‌دهد بدون اینکه نیاز به کدنویسی دستی باشد.

نمونه‌های جامعه‌محور نیز اکوسیستم را گسترش داده‌اند؛ مانند مخزن alejandro-ao/exa-crewai برای تولید خبرنامه‌ها و تحلیل رقبا، و strands-agents/samples برای چارچوب‌های عامل مبتنی بر پایتون.

جایگاه راهبردی در بازار

در آوریل ۲۰۲۶، Exa مشارکتی استراتژیک را اعلام کرد که به مدل Gemini گوگل اجازه می‌دهد به موتور جست‌وجوی Exa دسترسی داشته باشد. اگرچه شرایط مالی این قرارداد فاش نشده است، اما این مشارکت نشان می‌دهد که حتی غول مسلط در جست‌وجوی انسانی نیز Exa را به‌عنوان یک بک‌اند ترجیحی برای بازیابی داده‌های بومی-عامل (Agent-native retrieval) می‌بیند.

این شرکت هزاران مشتری سازمانی، از جمله Cursor، Cognition و HubSpot را جذب کرده است. این یکپارچگی‌ها کاربرد Exa را در دستیارهای کدنویسی، عامل‌های خودگردان و پلتفرم‌های CRM اثبات می‌کند.

در مقایسه با رقبایی مانند Tavily، مزیت Exa در سرعت مطلق از طریق Exa Instant و granularity یا دانه‌بندی دقیق در Websets است. در حالی که APIهای گوگل و بینگ فهرست‌های عظیمی دارند، اما از معماری‌های قدیمی رنج می‌برند که برای عامل‌ها بهینه نشده‌اند. قیمت‌گذاری Exa شفاف است: ۵ دلار برای هر ۱۰۰۰ درخواست در نسخه Instant و یک سطح رایگان شامل ۲۰,۰۰۰ درخواست ماهانه برای توسعه‌دهندگانی که در حال ساخت نمونه اولیه هستند.

خلاصه مقایسه بازار

برای درک جایگاه Exa، باید قابلیت‌های آن در مقابل سایر ارائه‌دهندگان دیده شود:

• Exa در مقابل Tavily: هر دو از جست‌وجوی عصبی/معنایی استفاده می‌کنند، اما Exa در سرعت (زیر ۲۰۰ میلی‌ثانیه) پیشتاز است و ویژگی‌های ساختاریافته‌تری مانند Websets ارائه می‌دهد.
• Exa در مقابل گوگل/بینگ: APIهای سنتی بر روی جست‌وجوی کلمات کلیدی + معنایی برای عموم مردم تمرکز دارند. Exa منحصراً بر روی توسعه‌دهندگان و عامل‌ها با استخراج متن پاک و باکیفیت تمرکز کرده است.
• نقطه قوت کلیدی: مزیت اصلی Exa توانایی ارائه داده‌های ساختاریافته‌ای است که اتلاف توکن‌های LLM و توهمات مدل را کاهش می‌دهد.

تحلیل: اقتصاد جدید اطلاعات

این تحول نشان‌دهنده جدایی دائمی جست‌وجوی انسانی از جست‌وجوی ماشینی است. برای یک صاحب کسب‌وکار یا توسعه‌دهنده، این یعنی هزینه اتصال یک AI به واقعیت‌های لحظه‌ای در حال سقوط و قابلیت اطمینان آن داده‌ها در حال افزایش است.

با بهینه‌سازی برای عامل‌ها، Exa در واقع «API وب» را می‌سازد. اگر قرار باشد عامل‌ها جایگزین مرور وب توسط انسان شوند، لایه‌ای که اینترنت را فیلتر و ساختار می‌کند، ارزشمندتر از خودِ مرورگر می‌شود. ارزش ۲.۲ میلیارد دلاری این شرکت، در واقع شرط‌بندی روی این موضوع است که ترافیک عامل‌محور به‌زودی ترافیک انسانی را می‌بلعد.

نمونه‌های پیاده‌سازی

ادغام Exa در اپلیکیشن‌ها با چند خط کد انجام می‌شود. یک جست‌وجوی ساده پایتونی با استفاده از exa-py به توسعه‌دهنده اجازه می‌دهد با تنظیم use_autoprompt=True یک جست‌وجوی معنایی انجام دهد. برای نیازهای پیشرفته، توسعه‌دهندگان می‌توانند از search_and_contents استفاده کنند تا بازیابی را با استخراج بدنه اصلی صفحه ترکیب کنند که در نهایت امتیاز مرتبط بودن (Relevance score) و متن خام را برمی‌گرداند.

در محیط‌های TypeScript، استفاده از createExaTool از @ai-sdk/exa اجازه می‌دهد توسعه‌دهندگان Exa را مستقیماً به مدل gpt-4o از طریق Vercel AI SDK متصل کنند. این کار یک LLM استاندارد را به عاملی تبدیل می‌کند که قادر است به سؤالات مربوط به وقایع جاری با دقت بالا پاسخ دهد.

گام بعدی شما

• توسعه‌دهندگان باید برای یکپارچه‌سازی سریع قابلیت‌های جست‌وجو در دستیارهای فعلی خود، مخزن exa-mcp-server را در گیت‌هاب بررسی کنند.
• بررسی قابلیت‌های Websets برای ایجاد دیتابیس‌های تخصصی از منابع مورد اعتماد در حوزه‌های خاص.
• تست سرعت Exa Instant در گردش‌های کاری متوالی برای کاهش زمان انتظار کاربر نهایی.
• دنبال کردن روند توسعه Multimodal Search برای تحلیل تصاویر و ویدیوهای وب.
• بررسی پیاده‌سازی‌های امنیتی سازمانی مانند SSO و Audit logs برای سازمان‌های بزرگ.
• بهره‌گیری از دفاتر زوریخ و سنگاپور برای پوشش بهتر زبان‌های غیرانگلیسی و منابع منطقه‌ای.
• استفاده از ابزارهای پیشرفته MCP برای عملیات‌های پیچیده «جست‌وجو و خلاصه‌سازی» یا «مقایسه قیمت بین‌سایتی» در یک فراخوان واحد.

اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است — به تحلیل ما درباره‌ی تراشه‌های Blackwell مراجعه کنید.