Plurai utnytter simuleringsteknik fra selvkjørende biler for å forbedre AI-agenters pålitelighet

Bilde: TechCrunch · Kilde

Plurai anvender simuleringsmetoder inspirert av utviklingen av autonome kjøretøy for å forbedre AI-agenters ytelse, ved bruk av digitale tvillinger og syntetiske data for å håndtere komplekse oppgaver mer pålitelig og kostnadseffektivt.

AI-agenter har fått betydelig oppmerksomhet for sitt potensial til å automatisere komplekse oppgaver, men eksisterende modeller sliter ofte med pålitelighet og presisjon, særlig i virkelige og uforutsigbare miljøer. Nyere benchmarktester som LiveBench 2.0 og interne bedriftsimuleringer viser at selv ledende AI-agenter vanligvis kun fullfører rundt 75–83 % av oppgavene nøyaktig, noe som fremhever vedvarende begrensninger.

Plurai, en oppstart ledet av tidligere Nexar-eksperter på selvkjørende biler, Ilan Kadar og Elad Levi, har som mål å løse disse manglene ved å benytte simuleringsmetoder som likner dem som gjorde selvkjørende biler trafikktrygge. Inspirert av deres tidligere arbeid med ende-til-ende dyp læringsmodeller for autonom kjøring, observerte grunnleggerne paralleller i AI-agenter hvor det er lett å vise frem demoer, men utfordrende å utvikle pålitelige og kostnadseffektive løsninger.

Annonsert 11. november 2026, vil Plurais finansieringsrunde på 13 millioner dollar i såkornkapital, støttet av Team8 og andre investorer, fremme deres tilnærming med å bygge digitale tvillinger av et selskaps elektroniske systemer—inkludert kunnskapsbaser og operative verktøy. Denne digitale tvilling-rammeverket genererer et omfattende kart over alle mulige samhandlingsflyter for AI-agentene, slik at systemet kan identifisere og forberede seg på sjeldne hendelser gjennom evalueringer og målrettede rettelser. Plattformen deres er designet for å komplementere eksisterende agentiske AI-teknologier som Claude Code, Codex, GitHub Copilot og Cursor.

En betydelig innovasjon i Plurais tilbud er ettertrening av mindre, kundetilpassede modeller med åpne vekter basert på data samlet inn gjennom disse simuleringene. Samarbeid med Nvidia og Nebius indikerer at disse skreddersydde modellene kan prestere bedre enn industristandardmodeller på mellomnivå med betydelig lavere beregningskostnader—ofte med én til to størrelsesordners besparelse.

Google DeepMind-forsker og engleinvestor Reah Miyara fremhever Plurais ekspertise i å forstå AI-feilmodi i produksjon og i å generere syntetiske data for finjustering av modeller. Denne evnen er spesielt verdifull ettersom bedrifter søker å optimalisere AI-implementeringer mot økende kostnader knyttet til store generelle modeller, som kanskje ikke er tett knyttet til spesifikk organisatorisk data og policyer.

Mens det bredere AI-samfunnet gjør fremskritt mot generell intelligens, legger Plurai sin strategi vekt på spesialiserte, simulering-informerte AI-agenter skreddersydd for spesifikke forretningsmiljøer. Dette speiler trender observert i robotikk, hvor domene-spesifikke AI-systemer for øyeblikket oppnår mer konsistente resultater i virkelige miljøer enn generelle AI-løsninger.

Ifølge Kadar, til tross for kontinuerlige forbedringer i store AI-modeller som de fra OpenAI og Anthropic, forblir proprietær kunnskap om individuelle bedrifter og policies kritisk for effektiv implementering av AI-agenter—et nisjeområde Plurai retter seg mot ved å integrere domene-spesifikke simuleringer og trening i sin plattform.

Plurais tilnærming kan representere et viktig steg i å skalere pålitelige, kostnadseffektive AI-agentløsninger som bedre møter praktiske forretningsbehov ved å ta i bruk lærdom fra teknologi for selvkjørende biler.