Plurai använder simuleringsteknik från självkörande bilar för att förbättra AI-agenters tillförlitlighet

Bild: TechCrunch · Källa

Plurai tillämpar simuleringsmetoder inspirerade av utvecklingen av autonoma fordon för att förbättra AI-agenters prestanda, genom att använda digitala tvillingar och syntetisk data för att hantera komplexa uppgifter mer tillförlitligt och kostnadseffektivt.

AI-agenter har fått stor uppmärksamhet för sin potential att automatisera komplexa uppgifter, men befintliga modeller har ofta svårt med tillförlitlighet och precision, särskilt i verkliga, oförutsägbara miljöer. Nyliga benchmarktester som LiveBench 2.0 och interna företagsimuleringar visar att även ledande AI-agenter vanligtvis endast genomför cirka 75–83 % av uppgifterna korrekt, vilket understryker pågående begränsningar.

Plurai, en startup ledd av tidigare Nexar-experter på autonoma fordon, Ilan Kadar och Elad Levi, siktar på att åtgärda dessa brister genom att använda simuleringsmetoder som liknar dem som gjorde självkörande bilar trafiksäkra. Inspirerade av sitt tidigare arbete med end-to-end djupinlärningsmodeller för autonom körning, observerade grundarna paralleller i AI-agenter där det är enkelt att visa demos, men svårt att utveckla pålitliga och kostnadseffektiva lösningar.

Tillkännagivet den 11 november 2026, kommer Plurais finansieringsrunda på 13 miljoner dollar i såddkapital, stödd av Team8 och andra investerare, att driva deras metod att bygga digitala tvillingar av ett företags elektroniska system—inklusive kunskapsbaser och operativa verktyg. Denna ram för digital tvilling genererar en omfattande karta över alla potentiella interaktionsflöden för AI-agenter, vilket gör det möjligt för systemet att identifiera och förbereda sig för sällsynta fall via utvärderingar och riktade korrigeringar. Deras plattform är utformad för att komplettera befintliga agentbaserade AI-teknologier såsom Claude Code, Codex, GitHub Copilot och Cursor.

En betydande innovation i Plurais erbjudande är efterutbildning av mindre, anpassade modeller med öppna vikter baserade på data insamlade via dessa simuleringar. Samarbeten med Nvidia och Nebius visar att dessa skräddarsydda modeller kan prestera bättre än branschstandardmodeller i mellanskiktet med avsevärt lägre beräkningskostnader—ofta med en till två storleksordningars besparing.

Google DeepMind-forskaren och affärsängeln Reah Miyara framhäver Plurais expertis i att förstå AI:s felbeteenden i produktion och i att generera syntetisk data för finjustering av modeller. Denna förmåga är särskilt värdefull eftersom företag söker optimera AI-implementationer mot stigande kostnader för stora allmänna modeller, som kanske inte ligger nära företagsspecifik data och policyer.

Medan den bredare AI-gemenskapen avancerar mot generell intelligens, betonar Plurai strategi specialiserade, simuleringsstödda AI-agenter skräddarsydda för specifika företagsmiljöer. Detta speglar trender inom robotik, där domänspecifika AI-system för närvarande uppnår mer konsekventa resultat i verkliga miljöer än generaliserad AI.

Enligt Kadar, trots pågående förbättringar i stora AI-modeller som de från OpenAI och Anthropic, är företagsunika kunskaper och policyer avgörande för effektiv AI-agentimplementering—en nisch som Plurai adresserar genom att integrera domänspecifika simuleringar och träning i sin plattform.

Plurais tillvägagångssätt kan representera ett viktigt steg i att skala pålitliga och kostnadseffektiva AI-agentlösningar som bättre uppfyller praktiska företagsbehov genom att ta tillvara erfarenheter från teknik för autonoma fordon.