Plurai wykorzystuje techniki symulacji samochodów autonomicznych, aby zwiększyć niezawodność agentów AI

Image: TechCrunch · Source

Plurai stosuje metody symulacyjne inspirowane rozwojem pojazdów autonomicznych w celu poprawy wydajności agentów AI, wykorzystując cyfrowe bliźniaki i dane syntetyczne, aby radzić sobie z trudnymi zadaniami w sposób bardziej niezawodny i ekonomiczny.

Agenci AI zyskali znaczną uwagę ze względu na swój potencjał do automatyzacji złożonych zadań, jednak istniejące modele często mają problemy z niezawodnością i precyzją, zwłaszcza w rzeczywistych, nieprzewidywalnych środowiskach. Ostatnie badania porównawcze, takie jak LiveBench 2.0 oraz symulacje wewnętrzne w firmach, ujawniają, że nawet wiodące agenty AI zwykle wykonują poprawnie jedynie około 75-83% zadań, co podkreśla istniejące ograniczenia.

Plurai, startup kierowany przez byłych ekspertów Nexar ds. pojazdów autonomicznych, Ilana Kadara i Elada Leviego, dąży do rozwiązania tych problemów, stosując techniki symulacji podobne do tych, które umożliwiły pojazdom autonomicznym osiągnięcie zdolności poruszania się po drogach. Zainspirowani swoimi wcześniejszymi pracami nad modelami uczenia głębokiego end-to-end dla autonomicznej jazdy, założyciele dostrzegli podobieństwa w agentach AI, gdzie prezentowanie demonstracji jest proste, ale opracowanie niezawodnych i opłacalnych rozwiązań stanowi wyzwanie.

Ogłoszona 11 listopada 2026 roku runda finansowania seed w wysokości 13 milionów dolarów, wspierana przez Team8 i innych inwestorów, umożliwi Plurai rozwinięcie podejścia opartego na tworzeniu cyfrowych bliźniaków systemów elektronicznych firmy — w tym baz wiedzy i narzędzi operacyjnych. Ramy cyfrowego bliźniaka generują kompleksową mapę wszystkich możliwych przepływów interakcji agentów AI, pozwalając systemowi identyfikować i przygotowywać się na przypadki brzegowe przez oceny i ukierunkowane poprawki. Ich platforma została zaprojektowana tak, aby uzupełniać istniejące technologie agentów AI, takie jak Claude Code, Codex, GitHub Copilot i Cursor.

Znaczącą innowacją w ofercie Plurai jest dalsze szkolenie mniejszych, dostosowanych modeli o otwartych wagach na podstawie danych zbieranych poprzez symulacje. Współprace z Nvidia i Nebius wskazują, że te spersonalizowane modele mogą przewyższać modele standardowe klasy średniej, przy znacznie niższych kosztach obliczeniowych — często osiągając oszczędności rzędu jednej do dwóch wielkości porządkowych.

Badacz Google DeepMind i inwestor anioł Reah Miyara podkreśla wiedzę Plurai dotyczącą rozumienia trybów awarii AI w produkcji oraz generowania danych syntetycznych do dostrajania modeli. Ta zdolność jest szczególnie cenna, ponieważ firmy dążą do optymalizacji wdrożeń AI w obliczu rosnących kosztów związanych z dużymi modelami ogólnego przeznaczenia, które mogą nie być ściśle dopasowane do konkretnych danych i polityk organizacyjnych.

Podczas gdy szersza społeczność AI rozwija ogólną inteligencję, strategia Plurai kładzie nacisk na specjalizowanych agentów AI opartych na symulacjach, dostosowanych do specyficznych środowisk biznesowych. Odzwierciedla to trendy obserwowane w robotyce, gdzie systemy AI dedykowane dla konkretnych dziedzin obecnie osiągają bardziej spójne wyniki w rzeczywistych warunkach niż AI ogólnego przeznaczenia.

Według Kadara, mimo ciągłych ulepszeń głównych modeli AI, takich jak te od OpenAI i Anthropic, posiadanie własnej wiedzy o indywidualnych firmach i politykach pozostaje kluczowe dla skutecznego wdrożenia agentów AI — nisza, na którą Plurai kieruje swoje platformy poprzez integrację symulacji i treningu specyficznego dla danej dziedziny.

Podejście Plurai może stanowić ważny krok w skalowaniu niezawodnych i ekonomicznych rozwiązań agentów AI, które lepiej odpowiadają praktycznym potrzebom przedsiębiorstw, adaptując doświadczenia z technologii pojazdów autonomicznych.