Con una valoración de mil millones de dólares, Imbue recauda 200 millones de dólares en financiación para pasar a la siguiente etapa de Agent.

Fuente original: SenseAI

Fuente de la imagen: Generada por Unbounded AI‌

Los modelos grandes han estado estancados, pero la moda financiera en la dirección del Agente parece estar todavía en pleno apogeo. Imbue recibió recientemente 200 millones de dólares en financiación Serie B y su valoración ha superado los mil millones de dólares. El principal inversor es el Instituto Astera, una organización sin fines de lucro fundada por el multimillonario de las criptomonedas Jed McCaleb. Al mismo tiempo, Nvidia, Kyle Vogt, director ejecutivo de la empresa de vehículos autónomos Cruise de General Motors, y el cofundador de Notion, Simon Last, también son Los inversores en esta ronda de financiación han ayudado a Imbue a convertirse en un nuevo unicornio en el campo de la IA. Es posible que los modelos de lenguajes grandes no puedan competir con Open AI, pero cuando se trata de Agent, es difícil decir quién será el "OpenAI" en este campo.

Como empresa de nueva creación en el campo de AI Agent, Imbue se parece más a un laboratorio de investigación de inteligencia artificial orientado a la tecnología: comienza desde el escenario de programación y se compromete a entrenar las capacidades de razonamiento del modelo para que cualquiera pueda personalizar su propia inteligencia artificial. agente.

Aunque su valoración de mil millones de dólares ha llegado a la vanguardia, Imbue todavía se encuentra en una etapa muy temprana, con solo 20 empleados y aún sin productos maduros. Esto también está estrechamente relacionado con los valores de la empresa. Los fundadores dijeron que el camino de Imbue hacia la comercialización aún es largo. Durante el proceso de financiación, evitaron deliberadamente las reuniones con empresas de capital riesgo. Las organizaciones sin fines de lucro serán más pacientes con el crecimiento de la empresa.

El equipo de Imbue es pequeño, pero sus miembros tienen antecedentes muy diversos y una rica experiencia en inteligencia artificial, neurociencia, física del plasma y otras disciplinas.

El sentido dijo: Vale la pena señalar que Imbue es una de las pocas nuevas empresas de inteligencia artificial dirigidas por mujeres emprendedoras. El fundador Kanjun se centra en "personas", "cultura" y organizaciones sociales, y está comprometido a lograr la inteligencia general mediante la comprensión de la forma en que piensan las máquinas. Después de graduarse, Kanjun se unió a Dropbox como jefe de personal y hizo crecer la empresa de 300 a 1500 personas. Más tarde fundó The Archive y Sourceress, una plataforma de contratación de inteligencia artificial invertida por YC.

Su objetivo es la pista de agentes, basada en modelos de lenguaje de gran escala, mejorando constantemente las capacidades de razonamiento de la IA y enriqueciendo los escenarios de los agentes, con la esperanza de lograr una inteligencia de IA completa en las súper PC. Las personas pueden configurar agentes con diferentes funciones según sus propios objetivos. .Servicios y nuestro trabajo diario.

1. Un Agente eficiente necesita entrenar fuertes capacidades de razonamiento

Dicen que los sistemas de IA actuales tienen una capacidad muy limitada para completar tareas simples en nombre de los usuarios, y si bien se puede esperar un rápido progreso en los próximos años, no será hasta que los agentes de IA puedan lograr objetivos más complejos de una manera verdaderamente poderosa y poderosa. manera segura y utilizable. Aún queda mucho trabajo por hacer.

El razonamiento suele considerarse el principal obstáculo para completar un agente eficaz. Implica la capacidad de afrontar la incertidumbre, saber cuándo cambiar de método, hacer preguntas, recopilar nueva información y afrontar situaciones complejas y difíciles de la vida real. La capacidad de predecir problemas. Para crear un modelo de inferencia confiable, Imbue adopta un enfoque de "pila completa": entrenar el modelo básico, construir agentes e interfaces experimentales, invertir recursos en herramientas de infraestructura y aprender continuamente el mecanismo central de operación del modelo.

• **Capa de modelo. ** Los modelos muy grandes entrenados por Imbue tienen más de 100 mil millones de parámetros. Gracias a la inversión de NVIDIA, tienen ** alrededor de 10 000 clústeres H100 **, lo que les permite realizar rápidamente todo, desde datos de entrenamiento hasta arquitectura y mecanismos de inferencia. La misma cantidad de procesadores que OpenAI usó para entrenar GPT-3.

• **Capa de agente. ** Actualmente, Imbue desarrolla principalmente agentes para codificación interna y también está incubando más direcciones de agentes.

• **Capa de interfaz. **La interfaz de chat de IA actual es básicamente esqueuomorfa. El equipo cree que esta no es necesariamente la mejor manera de interactuar. La nueva interfaz interactiva puede abordar mejor la solidez, las capacidades de colaboración y el sentido de confianza del Agente. Pueden comprender el mundo y ser más realistas.

• **Capa de herramientas. ** Imbue invierte muchos recursos en sistemas internos, ya sea verificación de errores o páginas de visualización para agentes y modelos. Mejorar la construcción de herramientas de eficiencia puede hacer que todo el proceso sea más visual y, al mismo tiempo, inyectar nuevas ideas en productos externos. herramientas.

• **Nivel teórico. ** Los investigadores de Imbue han publicado artículos sobre la base teórica del aprendizaje autosupervisado y las leyes básicas del aprendizaje sistémico, como el control de las redes neuronales, y creen que solo comprendiendo profundamente la teoría del aprendizaje profundo podemos comprender mejor el mecanismo central detrás del proceso de aprendizaje. de grandes modelos de lenguaje.

Este enfoque de "pila completa" formó gradualmente un ciclo hacia adelante. Diseñar agentes y herramientas que se puedan usar internamente puede ayudar a Imbue a iterar en mejores modelos más rápido, desbloqueando así agentes más útiles y creando mejores modelos. La investigación de teorías puede promover la comprensión de las redes neuronales, lo que luego puede conducir a un mejor diseño de arquitecturas de modelos.

2. Desarrollar con el Agente de codificación como punto de entrada

Imbue eligió escenario de codificación como punto de entrada para Agent desde el principio, principalmente porque:

• **El uso es una condición necesaria para la innovación. **Cuando los productos desarrollados se utilizan frecuentemente en el trabajo diario, se puede prestar suficiente atención al producto y se puede obtener suficiente información para su posterior optimización.

• **Resolver problemas de codificación puede mejorar las capacidades de razonamiento del modelo. **Quizás porque el código es uno de los pocos ejemplos de inferencia explícita en Internet, el entrenamiento con código a menudo puede mejorar las capacidades de inferencia del modelo. Y debido a que los problemas de programación son muy objetivos (el código pasa la prueba o no), constituye un banco de pruebas ideal para comprender si se están realizando mejoras significativas en el sistema subyacente.

• **Las habilidades de codificación son importantes para la resolución final del problema. **Generar código es una forma eficaz para que el Agente resuelva problemas. Una mayor capacidad de codificación se traduce directamente en un agente que tiene más probabilidades de completar con éxito tareas complejas. (Por ejemplo, es más probable que un agente que escribe una consulta SQL para obtener información en una tabla satisfaga la solicitud de un usuario que un agente que intenta reunir la misma información sin utilizar ningún código).

• **El agente codificador tiene una importancia estratégica importante. ** A medida que los agentes mejoran y se hacen cargo de nuestro trabajo, también lo hace la velocidad de la investigación y la ingeniería en Imbue Corporation. Esto no sólo ayuda a construir el sistema de software, sino que también permite el siguiente paso de creación de prototipos con la ayuda de la capacidad de codificar el Agente.

Pero Imbue actualmente no planea abrir el agente de codificación, se convirtió en una forma de mejorarlo. A medida que el producto madure, las herramientas y modelos correspondientes se harán públicos.

Cuando construimos agentes de inteligencia artificial, en realidad estamos construyendo PC inteligentes que comprenden nuestros objetivos, se comunican de manera proactiva y trabajan para nosotros en segundo plano. Hoy en día no podemos vivir sin ordenadores porque es difícil hacer algo si no estamos delante de ellos. Los agentes de IA verdaderamente útiles cambiarán esto fundamentalmente, permitiéndonos centrarnos en las cosas que realmente nos importan.

Esta es la visión de Imbue: **Queremos construir verdaderas computadoras personales que nos brinden la libertad, la dignidad y la agencia para hacer lo que amamos. **

"Si construimos esta tecnología cuidadosamente, podemos vivir en un mundo donde ya no necesitamos estar pegados a una pantalla, y las computadoras pueden ayudarnos a eliminar las barreras entre las ideas y la ejecución. Seremos libres de explorar nuestras curiosidades y descubrir el rutina del universo, crear arte, conocerse más profundamente o simplemente tomarse el tiempo para disfrutar de la vida”.

Al mismo tiempo, Imbue también está prestando mucha atención a los riesgos de seguridad de la IA y ya ha trabajado en tres áreas:

• Diseñar agentes de IA para que razonen en lenguaje natural y estén totalmente condicionados a los objetivos del usuario final.

• Seguir los principios fundamentales del aprendizaje profundo para mejorar la comprensión de los sistemas de inteligencia artificial más importantes de la actualidad.

• Desarrollar herramientas para que los formuladores de políticas comprendan la amplia gama de recomendaciones regulatorias y las traduzcan en políticas que protejan a las personas.

Referencias