Plurai nutzt Simulationstechniken für selbstfahrende Autos, um die Zuverlässigkeit von KI-Agenten zu verbessern

Image: TechCrunch · Source

Plurai setzt Simulationsmethoden ein, die vom autonomen Fahrzeugbau inspiriert sind, um die Leistung von KI-Agenten zu verbessern, und verwendet digitale Zwillinge und synthetische Daten, um komplexe Aufgaben zuverlässiger und kostengünstiger zu bewältigen.

KI-Agenten haben erhebliche Aufmerksamkeit für ihr Potenzial zur Automatisierung komplexer Aufgaben erlangt, doch bestehende Modelle kämpfen oft mit Zuverlässigkeit und Präzision, insbesondere in realen, unvorhersehbaren Umgebungen. Jüngste Benchmarking-Initiativen wie LiveBench 2.0 und unternehmensinterne Simulationen zeigen, dass selbst führende KI-Agenten typischerweise nur rund 75 bis 83 % der Aufgaben korrekt abschließen, was weiterhin bestehende Einschränkungen unterstreicht.

Plurai, ein Startup unter der Leitung ehemaliger Nexar-Spezialisten für autonome Fahrzeuge Ilan Kadar und Elad Levi, will diese Schwächen durch den Einsatz von Simulationstechniken beheben, die denen ähneln, die selbstfahrende Autos straßentauglich gemacht haben. Inspiriert von ihrer früheren Arbeit mit end-to-end Deep-Learning-Modellen für autonomes Fahren stellten die Gründer Parallelen bei KI-Agenten fest, bei denen Demos einfach zu zeigen sind, die Entwicklung verlässlicher, kosteneffizienter Lösungen jedoch eine Herausforderung darstellt.

Am 11. November 2026 angekündigt, wird Plurais Seed-Finanzierungsrunde in Höhe von 13 Millionen US-Dollar, unterstützt von Team8 und weiteren Investoren, den Ansatz fördern, digitale Zwillinge der elektronischen Systeme eines Unternehmens zu erstellen – einschließlich Wissensdatenbanken und Betriebsmitteln. Dieses digitale Zwillings-Framework erzeugt eine umfassende Karte aller potenziellen Interaktionsflüsse für KI-Agenten, was dem System ermöglicht, Randfälle durch Bewertungen und gezielte Korrekturen zu identifizieren und vorzubereiten. Die Plattform ist so konzipiert, dass sie existierende agentische KI-Technologien wie Claude Code, Codex, GitHub Copilot und Cursor ergänzt.

Eine bedeutende Innovation in Plurais Angebot ist das Nachtraining kleinerer, kundenspezifischer Open-Weight-Modelle, die auf Daten basieren, die durch diese Simulationen gesammelt wurden. Kooperationen mit Nvidia und Nebius zeigen, dass diese maßgeschneiderten Modelle Standardmodelle der mittleren Industrieklasse mit deutlich reduzierten Rechenkosten übertreffen können – oft werden Einsparungen von einer bis zwei Größenordnungen erreicht.

Die Google DeepMind-Forscherin und Angel-Investorin Reah Miyara hebt Plurais Expertise hervor, KI-Ausfallmodi in der Produktion zu verstehen und synthetische Daten zu erzeugen, um Modelle feinzujustieren. Diese Fähigkeit ist besonders wertvoll, da Unternehmen bestrebt sind, KI-Bereitstellungen angesichts steigender Kosten großer, allgemein einsetzbarer Modelle zu optimieren, die möglicherweise nicht eng mit spezifischen Unternehmensdaten und Richtlinien übereinstimmen.

Während die breitere KI-Gemeinschaft an allgemeiner Intelligenz arbeitet, setzt Plurai verstärkt auf spezialisierte, simulationsinformierte KI-Agenten, die auf spezifische Geschäftsumgebungen zugeschnitten sind. Dies spiegelt Trends wider, die in der Robotik beobachtet werden, wo domänenspezifische KI-Systeme derzeit konsistentere reale Ergebnisse als generalisierte KI erzielen.

Laut Kadar bleibt trotz fortlaufender Verbesserungen großer KI-Modelle wie denen von OpenAI und Anthropic das firmeneigene Wissen über individuelle Geschäftsrichtlinien entscheidend für den effektiven Einsatz von KI-Agenten – eine Nische, die Plurai durch Integration domänenspezifischer Simulationen und Trainings in seine Plattform adressiert.

Plurais Ansatz könnte einen wichtigen Schritt darstellen, um skalierbare, zuverlässige und kosteneffiziente KI-Agentenlösungen bereitzustellen, die praktische Unternehmensanforderungen besser erfüllen, indem Lehren aus der Technologie autonomer Fahrzeuge adaptiert werden.