Plurai izmanto pašbraucošo automašīnu simulācijas paņēmienus, lai uzlabotu AI aģentu uzticamību

Attēls: TechCrunch · Avots

Plurai izmanto simulācijas metodes, kuras iedvesmojuši autonomo transportlīdzekļu izstrāde, lai uzlabotu AI aģentu veiktspēju, izmantojot digitālos dubultniekus un sintētiskos datus, lai uzticamāk un izmaksu ziņā efektīvāk risinātu sarežģītus uzdevumus.

AI aģenti ir guvuši ievērojamu uzmanību to potenciāla dēļ automatizēt sarežģītus uzdevumus, taču esošie modeļi bieži cīnās ar uzticamību un precizitāti, īpaši reālās pasaules neparedzamās vidēs. Pēdējie salīdzinošie testi, piemēram, LiveBench 2.0 un iekšējās uzņēmumu simulācijas, atklāj, ka pat vadošie AI aģenti parasti precīzi veic tikai aptuveni 75–83% uzdevumu, uzsverot pastāvošos ierobežojumus.

Plurai, jaunuzņēmums, ko vada bijušie Nexar autonomo transportlīdzekļu eksperti Ilan Kadars un Elads Levi, cenšas risināt šīs nepilnības, izmantojot simulācijas tehnikas, kas atgādina tās, kas ļāva pašbraucošajām automašīnām kļūt piemērotām braukšanai pa ceļiem. Iedvesmojoties no viņu iepriekšējā darba ar dziļās mācīšanās modeļiem pilnīgai autonomai braukšanai, dibinātāji ievēroja paralēles AI aģentos, kur demonstrāciju rādīšana ir viegla, bet uzticamu un izmaksu ziņā efektīvu risinājumu izstrāde - izaicinoša.

2026. gada 11. novembrī tika paziņots par Plurai 13 miljonu dolāru sākuma finansējuma kārtu, ko atbalsta Team8 un citi investori, ar mērķi virzīt uz priekšu pieeju, veidojot uzņēmuma elektronisko sistēmu digitālos dubultniekus – tostarp zināšanu bāzes un darbības rīkus. Šī digitālā dubultnieka sistēma ģenerē visaptverošu kartējumu par visām iespējām mijiedarbībām AI aģentiem, ļaujot sistēmai identificēt un sagatavoties malu gadījumiem, izmantojot novērtējumus un mērķtiecīgas labojumus. Viņu platforma ir veidota, lai papildinātu esošās aģentētās AI tehnoloģijas, piemēram, Claude Code, Codex, GitHub Copilot un Cursor.

Svarīga inovācija Plurai piedāvājumā ir mazāku, pielāgotu atvērtā koda modeļu pēcapmācība, balstoties uz datiem, kas iegūti šo simulāciju procesā. Sadarbība ar Nvidia un Nebius liek domāt, ka šie pielāgotie modeļi var pārspēt vidējā līmeņa nozares standartmodeļus ar būtiski samazinātām aprēķinu izmaksām – bieži vien ietaupījot no viena līdz diviem lieluma pakāpieniem.

Google DeepMind pētnieks un eņģeļa investors Reah Miyara izceļ Plurai ekspertīzi, izprotot AI neveiksmju veidus ražošanā un ģenerējot sintētiskus datus modeļu precizēšanai. Šī spēja ir īpaši vērtīga, jo uzņēmumi meklē risinājumus AI izvietošanas optimizēšanai pie augošām izmaksām saistībā ar lieliem vispārējiem modeļiem, kuri var nebūt cieši saistīti ar konkrēto organizācijas datiem un politiku.

Kamēr plašāka AI kopiena attīsta vispārēju inteliģenci, Plurai stratēģija uzsver specializētus, simulācijās balstītus AI aģentus, kas pielāgoti konkrētām biznesa vidēm. Tas atbilst robotikas tendencēm, kur nozares specifiski AI risinājumi pašlaik sasniedz konsekventākus reālās pasaules rezultātus nekā vispārējie AI modeļi.

Kadars norāda, ka, neskatoties uz turpmākiem uzlabojumiem lielajos AI modeļos, piemēram, no OpenAI un Anthropic, individuālo uzņēmumu zināšanas un politikas ir kritiski svarīgas AI aģentu efektīvai izvietošanai – niša, ko Plurai mērķē, integrējot specifiskas nozares simulācijas un apmācību savā platformā.

Plurai pieeja var būt nozīmīgs solis uzticamu un izmaksu ziņā efektīvu AI aģentu risinājumu mērogošanā, kas labāk atbilst praktiskajām uzņēmumu vajadzībām, pielietojot autonomo transportlīdzekļu tehnoloģijā gūtās mācības.