AI-სტარტაპმა Inception, რომელიც კოდისთვის დიფუზიურ მოდელებს ქმნის, 50 მილიონი დოლარი მოიზიდა

ხელოვნური ინტელექტის სფეროში მორიგი მსხვილი ინვესტიცია განხორციელდა. სტარტაპმა Inception, რომელიც კოდისა და ტექსტისთვის დიფუზიურ AI მოდელებს ავითარებს, საწყის ეტაპზე 50 მილიონი დოლარის დაფინანსება მიიღო. საინვესტიციო რაუნდს Menlo Ventures ხელმძღვანელობდა, მასში მონაწილეობა კი ისეთმა გიგანტებმა მიიღეს, როგორებიცაა Mayfield, Innovation Endeavors, Nvidia-ს NVentures, Microsoft-ის M12 ფონდი, Snowflake Ventures და Databricks Investment. პროექტს დამატებით მხარი დაუჭირეს ცნობილმა მკვლევრებმა, ენდრიუ ნგმა და ანდრეი კარპატიმ.

პროექტის ლიდერი სტენფორდის პროფესორი სტეფანო ერმონია, რომლის კვლევის მთავარი მიმართულება სწორედ დიფუზიური მოდელებია. ეს ტექნოლოგია შედეგს არა სიტყვა-სიტყვით, არამედ განმეორებითი დახვეწის გზით აგენერირებს. სწორედ ამ პრინციპზე მუშაობს გამოსახულების გენერირების ისეთი პოპულარული სისტემები, როგორებიცაა Stable Diffusion, Midjourney და Sora. ერმონი, რომელიც ამ სისტემებზე AI-ბუმამდეც მუშაობდა, Inception-ის მეშვეობით იმავე მოდელების უფრო ფართო ამოცანებისთვის გამოყენებას ცდილობს.

დაფინანსების მოპოვებასთან ერთად, კომპანიამ თავისი მოდელის, Mercury-ის ახალი ვერსია გამოუშვა, რომელიც სპეციალურად პროგრამული უზრუნველყოფის შემუშავებისთვისაა შექმნილი. Mercury უკვე ინტეგრირებულია რამდენიმე დეველოპერულ ინსტრუმენტში, მათ შორისაა ProxyAI, Buildglare და Kilo Code. ერმონის თქმით, დიფუზიური მიდგომა Inception-ის მოდელებს ორ უმნიშვნელოვანეს მეტრიკაში დაეხმარება: შეყოვნების დროისა (latency) და გამოთვლითი ხარჯების შემცირებაში.

„ეს დიფუზიაზე დაფუძნებული დიდი ენობრივი მოდელები ბევრად უფრო სწრაფი და ეფექტიანია, ვიდრე ის, რასაც დღეს სხვები ქმნიან“, — ამბობს ერმონი. „ეს სრულიად განსხვავებული მიდგომაა, სადაც ჯერ კიდევ ბევრი ინოვაციის შემოტანაა შესაძლებელი“.

ტექნიკური განსხვავების გასაგებად უნდა აღინიშნოს, რომ დიფუზიური მოდელები სტრუქტურულად განსხვავდება ავტორეგრესიული მოდელებისგან, რომლებიც ტექსტზე დაფუძნებულ AI სერვისებში დომინირებს. ავტორეგრესიული მოდელები, როგორიცაა GPT-5 და Gemini, მუშაობს თანმიმდევრულად — ისინი ყოველ მომდევნო სიტყვას ან ფრაგმენტს წინა მასალაზე დაყრდნობით პროგნოზირებენ. დიფუზიური მოდელები კი უფრო ჰოლისტურ მიდგომას იყენებენ და პასუხის საერთო სტრუქტურას ეტაპობრივად ცვლიან, სანამ ის სასურველ შედეგს არ დაემთხვევა.

მიუხედავად იმისა, რომ ტექსტური ამოცანებისთვის ავტორეგრესიული მოდელების გამოყენება საყოველთაოდ მიღებული და წარმატებული პრაქტიკაა, კვლევების მზარდი რაოდენობა აჩვენებს, რომ დიფუზიურ მოდელებს შეუძლიათ უკეთესი შედეგი აჩვენონ დიდი მოცულობის ტექსტის დამუშავებისას. ერმონის თქმით, ეს თვისებები რეალურ უპირატესობად იქცევა დიდი კოდბაზებთან მუშაობისას. დიფუზიურ მოდელებს ასევე მეტი მოქნილობა აქვთ აპარატურის გამოყენების თვალსაზრისით, რაც AI-ის ინფრასტრუქტურული მოთხოვნების ზრდის ფონზე განსაკუთრებით მნიშვნელოვანია.

ავტორეგრესიული მოდელებისგან განსხვავებით, რომლებსაც ოპერაციების ერთმანეთის მიყოლებით შესრულება უწევთ, დიფუზიურ მოდელებს ბევრი ოპერაციის ერთდროულად დამუშავება შეუძლიათ. ეს კი რთულ ამოცანებში შეყოვნების დროს მნიშვნელოვნად ამცირებს. „ჩვენმა ტესტირებამ წამში 1000-ზე მეტი ტოკენის დამუშავება აჩვენა, რაც ბევრად აღემატება არსებული ავტორეგრესიული ტექნოლოგიების შესაძლებლობებს, რადგან ჩვენი სისტემა პარალელური მუშაობისთვისაა შექმნილი. ის შექმნილია იმისთვის, რომ იყოს ძალიან, ძალიან სწრაფი“, — აღნიშნავს ერმონი.