Plurai использует методы симуляции автономных автомобилей для повышения надежности агентов ИИ

Image: TechCrunch · Source

Plurai применяет методы симуляции, вдохновленные разработкой автономных транспортных средств, для улучшения работы агентов ИИ, используя цифровые двойники и синтетические данные для более надежного и экономичного выполнения сложных задач.

Агенты искусственного интеллекта привлекают значительное внимание благодаря потенциалу автоматизации сложных задач, но существующие модели часто испытывают трудности с надежностью и точностью, особенно в реальных, непредсказуемых условиях. Недавние сравнительные тестирования, такие как LiveBench 2.0, и внутренние корпоративные симуляции показывают, что даже ведущие агенты ИИ обычно успешно выполняют лишь около 75-83% задач, что подчеркивает сохраняющиеся ограничения.

Компания Plurai, основанная бывшими экспертами Nexar по автономным автомобилям Илaном Кадаром и Элaдом Леви, стремится преодолеть эти недостатки, используя методы симуляции, аналогичные тем, что позволили автономным автомобилям выйти на дороги. Вдохновленные своим предыдущим опытом с моделями глубокого обучения от начала до конца для автономного вождения, основатели заметили параллели с агентами ИИ: демонстрации показывать легко, но разработка надежных и экономичных решений представляет сложность.

Объявленный 11 ноября 2026 года раунд посевного финансирования в размере 13 миллионов долларов, поддержанный Team8 и другими инвесторами, позволит Plurai развивать подход по созданию цифровых двойников электронных систем компании — включая базы знаний и операционные инструменты. Эта система цифровых двойников создает полноценную карту всех возможных потоков взаимодействия агентов ИИ, позволяя системе выявлять и готовиться к крайним случаям посредством оценок и целевых исправлений. Платформа предназначена для дополнения существующих агентских технологий ИИ, таких как Claude Code, Codex, GitHub Copilot и Cursor.

Значительным новшеством в предложении Plurai является дополнительная дообучаемость меньших, индивидуальных моделей с открытыми весами на основе данных, собранных через симуляции. Сотрудничество с Nvidia и Nebius показывает, что такие кастомизированные модели могут превосходить стандартные модели среднего уровня при существенно сниженных вычислительных затратах — часто достигая экономии в один-два порядка.

Исследователь Google DeepMind и ангельский инвестор Рэх Мияра отмечает экспертизу Plurai в понимании причин сбоев ИИ в промышленной эксплуатации и генерации синтетических данных для тонкой настройки моделей. Эта способность особенно ценна в условиях стремления компаний оптимизировать внедрение ИИ на фоне роста затрат, связанных с большими универсальными моделями, которые могут не соответствовать конкретным организационным данным и политикам.

Пока широкое сообщество ИИ продвигает общую искусственную интеллигенцию, стратегия Plurai акцентирует внимание на специализированных, основанных на симуляциях агентах ИИ, адаптированных к конкретным бизнес-средам. Это совпадает с наблюдаемыми тенденциями в робототехнике, где доменно-специфические ИИ-системы сейчас показывают более стабильные результаты в реальных условиях, чем универсальные ИИ.

По словам Кадара, несмотря на продолжающееся улучшение крупных моделей ИИ, таких как OpenAI и Anthropic, обладание собственными знаниями о конкретных компаниях и их политиках остается критически важным для эффективного внедрения агентов ИИ — ниша, на которую Plurai ориентируется, интегрируя доменно-специфические симуляции и обучение в свою платформу.

Подход Plurai может стать важным шагом к масштабированию надежных и экономичных решений агентов ИИ, которые лучше соответствуют практическим потребностям предприятий, применяя уроки, извлеченные из технологий автономных транспортных средств.