Plurai pasitelkia savarankiško vairavimo automobilių simuliacijos metodus, kad pagerintų AI agentų patikimumą

Vaizdas: TechCrunch · Šaltinis

Plurai taiko autonominių transporto priemonių kūrimo įkvėptus simuliacijos metodus, siekdama pagerinti AI agentų veikimą. Naudodama skaitmeninius dvynius ir sintetinę duomenų generaciją, sistema patikimiau ir ekonomiškiau atlieka sudėtingas užduotis.

Dirbtinio intelekto agentai sulaukė nemažo dėmesio dėl jų potencialo automatizuoti sudėtingas užduotis, tačiau esami modeliai dažnai susiduria su patikimumo ir tikslumo problemomis, ypač realioje, nenuspėjamoje aplinkoje. Naujausi lyginamieji testai, tokie kaip LiveBench 2.0, bei vidinės įmonių simuliacijos rodo, kad net geriausi AI agentai vidutiniškai tik apie 75–83 % užduočių atlieka tiksliai, atskleisdami neišspręstų trūkumų.

„Plurai“ – startuolis, vadovaujamas buvusių autonominių automobilių platformos „Nexar“ ekspertų Ilano Kadaro ir Elado Levio, siekia šias problemas spręsti pasitelkdamas simuliacijos metodus, kurie primena tuos, kurie leido savavaldžiams automobiliams tapti saugiai eksploatuojamais kelyje. Įkūrėjai, remdamiesi savo ankstesne patirtimi dirbant su end-to-end giluminio mokymosi modeliais autonominiam vairavimui, pastebėjo paraleles AI agentuose: būtų lengva parodyti demonstracijas, tačiau kurti patikimus ir ekonomiškus sprendimus yra sudėtinga.

2026 metų lapkričio 11 dieną paskelbtas 13 milijonų JAV dolerių pirmosios investicijų stadijos finansavimas, kurį itin palaikė „Team8“ ir kiti investuotojai, leis plėsti Plurai metodą – kurti skaitmeninius dvynius įmonės elektroninių sistemų – įskaitant žinių bazes ir veiklos įrankius – pagrindu. Ši skaitmeninių dvynių platforma generuoja išsamų visų galimų sąveikos srautų žemėlapį AI agentams, leidžiant sistemai nustatyti ir pasiruošti kraštutinėms situacijoms per vertinimus ir tikslingus pataisymus. Jų platforma skirta papildyti esamas agentines AI technologijas, tokias kaip Claude Code, Codex, GitHub Copilot ir Cursor.

Reikšminga inovacija Plurai pasiūlyme yra post-treniruotės procesas mažesniems, pritaikytiems atviro svorio modeliams, kurių mokymas grindžiamas duomenimis, surinktais per šias simuliacijas. Bendradarbiavimas su Nvidia ir Nebius rodo, kad šie pritaikyti modeliai gali pranokti vidutinio lygio pramonės standartų modelius, žymiai sumažinant skaičiavimo kaštus – dažnai taupant nuo vieno iki dviejų skalių.

„Google DeepMind“ tyrėja ir angelų investuotoja Reah Miyara pabrėžia Plurai gebėjimą analizuoti AI gedimų režimus gamyboje ir generuoti sintetinę duomenų bazę modelių tikslinimui. Ši galimybė ypač vertinga, nes įmonės siekia optimizuoti AI diegimą suvokiant augančias išlaidas, susijusias su dideliais generaliniais modeliais, kurie gali neatitikti specifinių organizacijos duomenų ir politikos.

Kol platesnė AI bendruomenė tobulina bendrąją intelektą, Plurai strategija akcentuoja specializuotus, pagal simuliaciją informuotus AI agentus, pritaikytus konkrečioms verslo aplinkoms. Tai atitinka robotikos tendencijas, kur konkrečioms sritims skirti AI sprendimai realiame pasaulyje dažnai pasiekia nuoseklesnių rezultatų nei bendrieji AI.

Pasak Kadaro, nepaisant nuolatinių didžiųjų AI modelių, tokių kaip „OpenAI“ ir „Anthropic“, patobulinimų, specifinės verslo žinios bei politikos išlaikymas lieka esminis efektyviam AI agentų panaudojimui – niša, kurią Plurai užpildo integruodama srities simuliacijas ir mokymą į savo platformą.

Plurai metodas gali būti reikšmingas žingsnis plečiant patikimų ir ekonomiškų AI agentų sprendimų mastą, kurie geriau atitinka praktinius verslo poreikius, pritaikant autonominių transporto technologijų pamokas.