Сектор искусственного интеллекта: последние достижения в области технологий и инвестиционные возможности

Источник: Бюро переводов 36Kr God.

Источник изображения: Создано Unbounded AI‌

Примечание редактора: технологии искусственного интеллекта развиваются быстрыми темпами, и существует множество начинающих компаний в области искусственного интеллекта, которые выделились. В этой статье давайте посмотрим, какие многообещающие стартапы в области искусственного интеллекта были подхвачены такими инвесторами, как Sequoia Capital и Kleiner Perkins Caufield & Byers. Эта статья взята из сборника, и я надеюсь, что она вдохновит вас.

Если у вас есть всего несколько свободных минут, вот самые интересные стартапы в области искусственного интеллекта, о которых следует знать инвесторам, операторам и основателям.

• Улучшить здоровье человека. Стартапы используют технологии искусственного интеллекта для улучшения медицинских результатов и разработки новых методов лечения. Например, компания Alife использует искусственный интеллект, чтобы улучшить методы экстракорпорального оплодотворения и повысить шансы пациентов на зачатие. Со временем подход компании может фундаментально изменить структуру затрат отрасли. NewLimit — еще один стартап в сфере здравоохранения, использующий технологию искусственного интеллекта. Команда компании ищет лучшие способы лечения упорных заболеваний, которые раньше было трудно лечить.
• Пусть искусственный интеллект служит предприятиям. Большая часть продуктов генеративного ИИ предназначена для потребителей. Обычные пользователи Интернета теперь могут играть со сложными моделями и создавать текст и изображения. Несколько многообещающих компаний более непосредственно удовлетворяют потребности предприятий, создавая продукты, включающие внутренние данные в соответствии с руководящими принципами предприятия. Глин, Ламини, Даст и Лэнс — представители этого направления.
• Используйте ИИ, чтобы ограничить ИИ. Революция искусственного интеллекта может принести много новых возможностей, но она также принесет и много угроз. В частности, генеративный ИИ позволяет легко создавать реалистичные письменные сообщения, увеличивая количество и изощренность мошеннических атак «целевого фишинга», которые предназначены для получения личной информации от получателей. Такие компании, как Abnormal Security, могут использовать искусственный интеллект для обнаружения вредоносных сообщений ИИ и предотвращения таких атак. *Стартапы в области искусственного интеллекта распространены по всему миру. В то время как в Соединенных Штатах расположены многие отраслевые гиганты, такие как OpenAI и Google, по всему миру появляются многообещающие стартапы. Mistral создает крупномасштабную языковую модель с открытым исходным кодом в своей парижской штаб-квартире, и один из ее основателей считает, что они будут конкурировать с OpenAI. Немецкая компания Sereact также разработала впечатляющие роботы с искусственным интеллектом и подписала контракты с промышленными гигантами.

Искусственный интеллект — главная тема технологической истории этого года. Со времени выхода последней серии «Что смотреть в области искусственного интеллекта» эта область продолжает привлекать капитал, таланты и внимание. Конечно, не все внимание позитивно. Несмотря на всеобщее волнение по поводу возможностей этой технологии, за последние четыре месяца тяжеловесы отрасли выразили свою обеспокоенность, и регулирующие органы начали разрабатывать некоторые меры безопасности. В ближайшие месяцы и годы искусственный интеллект окажет огромное влияние на нашу жизнь и создаст новых победителей и проигравших по всему миру.

Наша серия «Что посмотреть» призвана помочь читателям подготовиться к грядущим временам и более четко представить себе будущее. Это отличная отправная точка для тех, кто хочет понять технологии, возникающие на переднем крае искусственного интеллекта, и воспользоваться происходящими изменениями. Для этого мы пригласили самых влиятельных инвесторов и основателей в области искусственного интеллекта, чтобы представить стартапы, которые они считают наиболее перспективными.

1. Жизнь

Использование искусственного интеллекта для улучшения технологии ЭКО

В любом репродуктивном процессе есть моменты, требующие принятия решений человеком, и двумя наиболее важными звеньями ЭКО являются «стимуляция яичников» и «отбор эмбрионов».

«Стимуляция яичников» означает определение дозы лекарства, которое получает пациентка для стимуляции роста фолликулов в яичниках, а также того, когда следует делать триггерную инъекцию, чтобы стимулировать фолликулы к выделению яйцеклеток. Время срабатывания триггера имеет решающее значение; если это слишком рано, вы можете получить незрелые яйца; если слишком поздно, вы можете получить слишком зрелые яйца или вы можете не получить как можно больше яиц.

«Выбор эмбриона» означает выбор того, какую оплодотворенную яйцеклетку использовать и имплантировать. В настоящее время клиницисты и эмбриологи, как и большинство медицинских работников, основывают свои решения на сочетании собственного опыта и подготовки, систем морфологической классификации, а также метода проб и ошибок. Если доза или время приема не подходят в одном цикле, они скорректируют их в следующем цикле. Это требует очень высокой профессиональной компетентности врачей, а на данный момент врачи имеют разный уровень квалификации, и их навыки очень важны для результатов. Для рождаемости, рынка с сильными ограничениями предложения, это означает высокую цену, особенно если вы хотите увидеть оптимальные результаты.

Alife создает инструменты искусственного интеллекта для улучшения результатов экстракорпорального оплодотворения (ЭКО). Компания использует инструменты искусственного интеллекта, чтобы предоставить практикам «сверхспособности» для повышения точности принятия решений за счет использования огромных наборов входных и конечных данных. Теперь с помощью простого интерфейса врачи могут ввести характеристики пациентки и получить точные рекомендации в ключевые моменты пути к зачатию, основанные на результатах тысяч предыдущих циклов. Эти наборы данных основаны на огромных объемах уже существующей информации о пациентах, и они становятся лучше по мере того, как каждый пациент использует продукты Alife.

Эти инструменты изменят природу индустрии рождаемости. Исследования Alife показывают, что их модель машинного обучения может помочь врачам оптимизировать 50% времени запуска и помочь получить в среднем три более зрелые яйцеклетки, две оплодотворенные яйцеклетки и еще один эмбрион. Продукты Alife могут значительно расширить доступ к лечению бесплодия, снизить затраты на одного пациента за счет уменьшения дозировки необходимых лекарств и повысить вероятность успеха циклов ЭКО. Это также уравняет правила игры для врачей, предоставив тем, у кого нет непосредственного опыта, доступ к более широкому спектру знаний и информации.

В конечном счете, вы можете себе представить, что инструменты Alife предоставляют всю информацию для критических моментов процесса и позволяют работать не только врачам, но и практикующим специалистам, что значительно меняет структуру затрат и доступность отрасли. Более того, точная медицина, основанная на данных, которая дополняет (или в конечном итоге заменяет) суждения человека персонализированными рекомендациями, не уникальна для мира ЭКО. В медицине бывают тысячи подобных моментов, когда у нас есть возможность использовать данные, чтобы кардинально изменить результаты и получить доступ к важнейшим процедурам и методам лечения.

—Ребекка Кейден, генеральный партнер Union Square Ventures

2. Подборка

Корпоративный поиск

На работе поиск именно той информации, которая вам нужна, тогда, когда она вам нужна, должен быть быстрым и легким. Поскольку каждый использует множество приложений для выполнения своей работы и в результате генерирует много данных и документов, это не всегда так. Поскольку «знание» растет в геометрической прогрессии, а характер работы становится все более распределенным, поиск существующих знаний занимает все больше и больше времени. Другими словами, на работе «искать вещи» довольно сложно.

Чтобы помочь работодателям решить эту проблему, Арвинд Джайн и его команда создали Glean, единую платформу поиска рабочих мест на базе искусственного интеллекта. Он предоставляет сотрудникам интуитивно понятного рабочего помощника, который помогает им найти именно то, что им нужно, и заранее узнать, что им следует знать.

Миссия компании с самого начала была проста: помогать людям быстрее находить ответы на все вопросы, возникающие на рабочем месте, с меньшим разочарованием и потерей времени. Но позже результаты компании расширились далеко за пределы поиска. Например, Glean не только выполняет поиск по всем рабочим приложениям и базам знаний (Slack, Teams, Google Drive, Figma, Dropbox, Coda и т. д.), но также понимает естественный язык и контекст, основываясь на ролях людей и внутренней/внешней компании. Отношения персонализируют пользователя. взаимодействия. Он интеллектуально отображает самую популярную и проверенную информацию вашей компании, помогая вам узнать, что знает ваша команда, и оставаться последовательным, и все это разрешенным способом.

Поскольку организации становятся все более распределенными, а знания — более фрагментированными, интуитивно понятные помощники по работе, такие как Glean, больше не являются приятным инструментом, а являются важнейшим инструментом для повышения производительности сотрудников. Рост компании разрушит барьеры, препятствующие прогрессу, и создаст более позитивный и продуктивный опыт работы.

Кроме того, технология поиска Glean позволяет использовать генеративный искусственный интеллект на рабочем месте, соблюдая при этом строгие требования предприятия к разрешениям и управлению данными. Сегодня одним из главных препятствий, мешающих компаниям внедрить приложения ИИ в производство, является их неспособность внедрить надлежащий контроль управления. Внедряя права доступа к данным в режиме реального времени в локальную среду предприятия, Glean стал идеальным решением, помогающим предприятиям решать проблемы управления в масштабе и позволяющим предприятиям уверенно использовать свои внутренние данные для обучения моделей и получения логических выводов, тем самым используя систему корпоративного уровня. Платформа данных искусственного интеллекта /Роль векторного хранилища.

Мы верим, что со временем у каждой компании появится своя версия ИИ, понимающая нюансы бизнеса и его сотрудников. Мы считаем, что Glean воспользуется этой возможностью. — Джош Койн, партнер, Kleiner Perkins

3. Лэнс

Хранение и управление мультимодальными данными

Мы все играли в Midjourney, и большинство из нас видели демо-версию GPT-4. Midjourney (текст в изображение) и GPT-4 (изображение в текст/код) иллюстрируют возможности, когда модели становятся мультимодальными, соединяя различные формы мультимедиа, такие как текст, изображения и аудио. В то время как большая часть нынешнего увлечения искусственным интеллектом вращается вокруг текстовых моделей, мультимодальные модели являются ключом к созданию более точных представлений о мире.

По мере того, как мы приступаем к следующей волне приложений ИИ в таких отраслях, как робототехника, здравоохранение, производство, развлечения и реклама, все больше и больше компаний будут опираться на мультимодальные модели. Такие компании, как Runway и Flair.ai, являются хорошими примерами новых лидеров в своих областях, которые увидели огромный спрос со стороны пользователей на свои продукты, в то время как существующие компании, такие как Google, начали внедрять аналогичные мультимодальные возможности.

Однако использование мультимодальных моделей ставит проблему: как хранить данные и управлять ими? Традиционные форматы хранения, такие как Parquet, не оптимизированы для неструктурированных данных, поэтому большие группы разработчиков языковых моделей сталкиваются с низкой производительностью при загрузке, анализе, оценке и отладке данных. Кроме того, рабочие процессы с большими языковыми моделями более склонны к тонким ошибкам из-за отсутствия единого источника истины. Lance — последняя компания, которая решила эту проблему. Такие компании, как Midjourney и WeRide, конвертируют наборы данных размером в петабайты в формат Lance, что обеспечивает значительное повышение производительности и на порядок снижение дополнительных затрат на хранение по сравнению с традиционными форматами, такими как Parquet и TFRecords.

Лэнс не останавливается на хранении: они осознали необходимость перестроить весь свой стек управления данными, чтобы лучше соответствовать миру, к которому мы движемся, где неструктурированные мультимодальные данные станут самым ценным активом предприятия. Их первый платформенный продукт, LanceDB (в настоящее время находится в закрытой бета-версии), предоставляет разработчикам, стремящимся встроить мультимодальную функциональность в свои приложения, удобные встроенные возможности.

Лэнс — лишь один пример того, как компании приводят разработчиков в мультимодальное будущее, и я очень рад видеть появление других технологий для продвижения мультимодальных приложений. С развитием искусственного интеллекта такое будущее вскоре станет реальностью. ——Саар Гур, генеральный партнер CRV

4. Ненормальная безопасность

Сдерживание волны кибератак с использованием искусственного интеллекта

Я беззастенчивый оптимист, когда дело касается генеративного ИИ, но я не наивен в этом вопросе. Например, меня беспокоит распространение атак «социальной инженерии», таких как целевой фишинг, которые часто используют электронную почту для извлечения конфиденциальной информации. С тех пор, как ChatGPT стал популярным в прошлом году, количество таких атак резко возросло.

По данным Abnormal Security, за последний год количество атак на 1000 человек выросло с менее чем 500 до более чем 2500. Сложность атак также резко возрастает. Точно так же, как любой студент может использовать ChatGPT для написания идеального эссе, ChatGPT также можно использовать для отправки грамматически правильных, опасно персонализированных мошеннических сообщений.

По данным ФБР, с 2013 года такие целенаправленные атаки «компрометации деловой электронной почты» принесли убытки на сумму более 50 миллиардов долларов. И будет еще хуже. Каждый день бесчисленное количество киберпреступников и других злоумышленников используют инструменты «черной шляпы», такие как «WormGPT», чат-бот, предназначенный для сбора данных о вредоносных программах с целью организации наиболее убедительных и масштабных мошеннических кампаний для проведения мошеннических действий.

К счастью, соучредители Abnormal Эван Райзер и Санджай Джеякумар усердно работают над использованием искусственного интеллекта для борьбы с этой угрозой. Вы можете думать об этом как об использовании ИИ для борьбы с ИИ. Исторически сложилось так, что системы безопасности электронной почты сканировали признаки известного плохого поведения, такие как определенные IP-адреса или попытки доступа к личной информации (PII).

Используя силу искусственного интеллекта, Abnormal ниспровергает все это. Поскольку многие атаки кажутся законными благодаря искусственному интеллекту, подход Abnormal заключается в том, чтобы полностью понять известное хорошее поведение, чтобы можно было заметить даже незначительные отклонения. Компания использует крупномасштабные языковые модели для создания детальных представлений о своей цифровой внутренней и внешней работе, например, о том, кто обычно разговаривает друг с другом и с каким контентом они могут взаимодействовать. Если бы мой партнер Рид Хоффман прислал мне электронное письмо и сказал: «Эй, пришлите мне, пожалуйста, самую свежую информацию об Inflection.AI». Механизм искусственного интеллекта Abnormal быстро это выяснит. Рид редко начинает с «привет», редко отправляет одно предложение, и он никогда не просил меня прислать ему файл об Inflection.AI. (Как соучредитель и член правления компании, он имел больший доступ к этим документам, чем я!).

Неудивительно, что поскольку проблемы безопасности, связанные с генеративным искусственным интеллектом, продолжают расти, спрос корпоративных клиентов Abnormal ускорился. Я думаю, что успех Abnormal очень отраден, потому что компания смогла так быстро использовать ИИ для решения проблем, которые он усугубляет. В периоды разрушительных технологических изменений злоумышленники часто пользуются длительными преимуществами первопроходца. В конце концов, они могут воспользоваться преимуществами инноваций, не беспокоясь о качестве продукции, безопасности или регулирующих органах, которые еще не приняли новые законы.

В то же время технологические стартапы по понятным причинам сосредотачиваются на разработке новых мощных вариантов использования своих инноваций, а не на блокировании незаконных или подрывных инноваций. Но, как и все проблемы, связанные с искусственным интеллектом, киберущерб, который может нанести неправильное использование искусственного интеллекта, ошеломляет. Благодаря дальновидности команды Abnormal, новая норма киберпреступности может, по крайней мере, стать менее вероятной. —Сэм Мотамеди, партнер Greylock

5. Пыль

Расширьте возможности работников умственного труда

Очевидно, что большие языковые модели повысят эффективность работников умственного труда. Но неясно, как именно это будет сделано. Даст пытается это понять. Менеджеры по знаниям мало чем могут помочь на предприятии, если они не имеют доступа к внутренним данным. Поэтому Dust создал платформу, которая индексирует, внедряет и обновляет в режиме реального времени внутренние данные предприятия (Notion, Slack, Drive, GitHub) и предоставляет их продуктам, основанным на больших языковых моделях.

Соучредители Dust Габриэль Хуберт и Станислас Полу продали компанию Stripe и проработали там пять лет. Они своими глазами видели, как быстрорастущие компании борются с масштабами. Они своими глазами увидели то, что называется «информационным долгом», и теперь сосредоточены на применении больших языковых моделей для решения некоторых основных проблем, связанных с ним. В настоящее время Dust изучает следующие приложения на своей платформе:

• Механизм ответов. Акцент делается на фактах, поскольку это ключ к широкому внедрению.
• Создать помощника. Предоставляет шаблонную помощь при создании контента. Например, сгенерировать недостающие абзацы на основе внутренних данных. *Документы обновляются автоматически. Всякий раз, когда внутри компании появляется информация, требующая обновления документа, владелец документа получает уведомления и предложения.
• Структурированное извлечение событий. Пользователи могут генерировать структурированные события из неструктурированных данных (например, потоков Slack) на основе предопределенных шаблонов.
• Внутренний мониторинг данных. Контролируйте корпоративные данные с помощью интеллектуальных правил. Например, получите оповещение, если личная информация (PII) случайно окажется там, где ее не должно быть.

Хотя контента много, основатели Dust полагают, что большая часть этих потоков данных в конечном итоге сольется в единый продукт. Они все еще находятся на ранних стадиях исследования и формируют окончательную картину Даста. Основываясь на первоначальных итерациях, они считают, что подтвердили свою основную гипотезу: возможности работников умственного труда могут быть расширены (а не заменены) крупномасштабными языковыми моделями и что новая «командная операционная система» может быть построена на основе этот. ——Константин Бюлер, партнер Sequoia Capital

6. Поле для ярлыков

Опубликовать бизнес-данные

«Рост больших данных» продолжается уже более 20 лет, и хотя компании постоянно поглощают больше данных, чем когда-либо прежде, многим компаниям все еще трудно использовать эти данные для получения информации с помощью моделей искусственного интеллекта. Обработка и интерпретация данных остаются наиболее утомительным и дорогостоящим этапом процесса ИИ, но также и наиболее важным для получения качественных результатов. Даже несмотря на увеличение количества предварительно обученных больших языковых моделей, компаниям по-прежнему придется сосредоточиться на использовании собственных данных (в различных модальностях) для создания уникального генеративного ИИ для предоставления дифференцированных услуг и анализа, а также повышения операционной эффективности.

Labelbox решает эту проблему, упрощая процесс передачи наборов данных в модели искусственного интеллекта. Он помогает командам, занимающимся данными и машинным обучением, находить нужные данные, обрабатывать и интерпретировать их, передавать модели в приложения, а также постоянно измерять и улучшать производительность.

Новая платформа Labelbox использует преимущества генеративного искусственного интеллекта. Model Foundry позволяет командам быстро экспериментировать с базовыми моделями ИИ от всех основных поставщиков с закрытым и открытым исходным кодом, что позволяет им предварительно маркировать данные и быстро экспериментировать с помощью всего нескольких щелчков мыши. Таким образом, они смогут понять, какая модель лучше всего работает с их данными. Model Foundry автоматически генерирует подробные показатели производительности для каждого проведенного эксперимента при одновременном управлении версиями результатов.

Воздействие может оказаться далеко идущим. Традиционно люди тратили дни на выполнение простой, но трудоемкой задачи, например, на классификацию списка электронной коммерции, содержащего несколько абзацев текста. С GPT-4 эту задачу можно выполнить за несколько часов. Model Foundry позволяет компаниям открыть для себя эти эффективные способы.

Это не единственный пример. Первые результаты показывают, что более 88% задач по маркировке можно ускорить с помощью одной или нескольких базовых моделей. Labelbox позволяет любому предварительно пометить данные всего несколькими щелчками мыши без необходимости кодирования и ввода данных в модель. Этот инструмент предназначен для того, чтобы дать командам возможность работать совместно и использовать межфункциональный опыт для ручного контроля качества данных. Эта возможность демократизирует доступ к искусственному интеллекту, позволяя экспертам по языковым моделям и малым и средним предприятиям легко оценивать модели, обогащать наборы данных и сотрудничать для создания интеллектуальных приложений.

Доказано, что Labelbox значительно снижает затраты и улучшает качество моделей крупнейших компаний мира, включая Walmart, Procter & Gamble, Genentech и Adobe.

Сейчас идет соревнование между предприятиями за возможность раскрыть мощь этих базовых моделей на своих собственных данных для решения бизнес-задач. Мы с нетерпением ждем возможности увидеть, как Labelbox поможет предприятиям разблокировать данные для предоставления более качественных продуктов и большей эффективности. —— Роберт Каплан, партнер, SoftBank

7. Взлетно-посадочная полоса

Новый творческий люкс

Искусственный интеллект присутствует повсюду и все чаще становится товаром. В большинстве случаев компании используют ИИ в качестве чат-ботов для улучшения существующих приложений. Немногие приложения искусственного интеллекта заново изобретают опыт использования продуктов, используя эту технологию, чтобы фундаментально изменить то, как мы взаимодействуем с продуктами, точно так же, как поисковая система Google изменила то, как мы просматриваем Интернет, или Instagram изменил то, как мы делимся фотографиями с наших телефонов. Эти приложения искусственного интеллекта требуют глубокого понимания существующего пользовательского опыта, дальновидного мышления о продукте и передовых технологий.

Runway — яркий пример компании, использующей прикладные исследования в области искусственного интеллекта для переосмысления творческого опыта и создания совершенно нового творческого набора.

• Глубокое понимание пользовательского опыта. Основатели Кристобаль Валенсуэла, Анастасис Германидис и Алехандро Матамара-Ортис Алехандро Матамала-Ортис — исследователь, специализирующийся на интерактивных телекоммуникациях в Нью-Йоркском университете и обладающий многолетним опытом проектирования. Команда Runway понимает экосистему творческих инструментов на собственном опыте и препятствия на пути массового внедрения. Например, производство творческих фильмов часто требует дорогостоящего оборудования, программного обеспечения и высокого уровня подготовки. В результате творческое кинопроизводство исторически концентрировалось в крупных студиях. Подиум увидел возможность расширить и улучшить доступность необходимых творческих инструментов.
• Дальновидное продуктовое мышление. Компания Runway сразу осознала, что переломный момент в развитии искусственного интеллекта может значительно улучшить пользовательский опыт, не только улучшив существующие творческие инструменты, но и фундаментально изменив способ их работы. Например, пользователи могут создавать совершенно новый видеоконтент с нуля, используя простые текстовые подсказки. Важно отметить, что это видео профессионального уровня, и им можно поделиться через настольный компьютер или мобильное устройство. Независимо от уровня квалификации, опыта или ресурсов, Runway может сэкономить часы или дни труда по редактированию. Это дальновидный продукт, который превращает простые напоминания в яркую и трогательную жизнь.
• Ведущий эксперт в области технологий искусственного интеллекта. Компания Runway не просто решила проблему с помощью дальновидного продукта, они переосмыслили лежащую в ее основе исследовательскую и технологическую инфраструктуру. Собственная исследовательская организация Runway лидирует в области глубоких нейронных сетей для синтеза изображений и видео. Компания разработала Gen-2, мультимодальную видеомодель искусственного интеллекта, которая более мощна, чем все, что сейчас представлено на рынке. Это первая публичная модель, способная конвертировать текст в видео. До этого Runway выпустила Gen-1, модель, которая приводит к смене парадигмы в инструментах генерации видео, обеспечивающих высококачественный результат. Исследователи подиума также впервые разработали модель преобразования текста в изображение Stable Diffusion.

С октября 2022 года Runway разработала более 30 «волшебных инструментов» искусственного интеллекта, охватывающих видео, изображения, 3D и текст, обслуживающих все аспекты творческого процесса, от подготовки к производству до постпроизводства. В их клиентскую базу входят компании из списка Fortune 500 и Global 2000, такие как CBS The Late Show with Stephen Colbert, New Balance, Harbour Picture Video, Publicis) и Google. Платформа также использовалась для монтажа фильмов, номинированных на «Оскар», таких как голливудский хит «Все повсюду и сразу».

Самые интересные приложения искусственного интеллекта преобразуют существующие впечатления от продуктов и переосмысливают то, как пользователи взаимодействуют с продуктами. С помощью Runway пользователи могут создавать новые видеоролики за считанные секунды, независимо от того, снимают ли они видео впервые или профессионально работают в студии. Это революционный сдвиг и пример того, как искусственный интеллект меняет различные отрасли. — Грейс Исфорд, партнер Lux Capital

8. Новый лимит

Изменение судьбы клеток

Клетки — самые сложные компьютерные системы на Земле. Подобно компьютерным чипам, ДНК состоит из основных единиц, выполняющих сложные функции. В отличие от битовых кодов, атомарные коды являются случайными и иерархическими. Одна система зависит от другой, которая, в свою очередь, зависит от других физических систем, на каждую из которых влияют тепло, кислотность и молекулы микроокружения клетки.

Несмотря на эти взаимозависимости, клеточный машинный код (ДНК) может эффективно запускать различные программы. Хотя клетки печени и клетки кожи содержат один и тот же геном, эти типы клеток выглядят, ощущаются и функционируют по-разному. Почему? Потому что они выполняют разные эпигенетические программы.

В 2006 году Такахаши и др. использовали комбинацию четырех белков транскрипционных факторов (TF) для перепрограммирования зрелых клеток в стволовые клетки, став пионерами в области эпигенетического перепрограммирования. Факторы транскрипции — это белки, которые регулируют гены, существенно изменяя выполняющуюся «программу». Открытие Такахаши и Яманаки привело к созданию индуцированных плюрипотентных стволовых клеток (ИПСК) и принесло им Нобелевскую премию. С тех пор многие исследовательские группы начали применять уникальные комбинации ТФ для изменения состояния клеток, омоложения поврежденных клеток и восстановления фенотипа молодых клеток.

Хотя эпигенетическое перепрограммирование становится все более осуществимым, это по-прежнему нетривиальный вопрос. Команде нужно было выяснить, какая комбинация ТФ эффективна для перевода клеток из состояния А в желаемое состояние Б. Например, будущие комбинации ТФ могут позволить нам превращать больные клетки в здоровые, тем самым разрабатывая новый класс лекарств. Нам нужны очень масштабные экраны перепрограммирования, поскольку для многих областей применения точная комбинация TF неизвестна. Существует более 1500 местных человеческих ТФ, поэтому необходим более эффективный метод поиска. Мы считаем, что NewLimit разрабатывает именно такой подход.

Благодаря достижениям в области секвенирования одиночных клеток и технологий машинного обучения, NewLimit превращает ранее ручную дисциплину в науку, основанную на данных. В компании существует здоровое разделение труда между молекулярными биологами и компьютерными биологами, что закладывает культурный фундамент, необходимый для создания все более эффективной платформы с замкнутым циклом. Сочетая опыт и мультимодальные данные (scRNA-Seq, scATAC-Seq и т. д.), NewLimit стремится найти терапевтические ремоделеры для лечения ранее трудноизлечимых заболеваний.

В каждом раунде экспериментов NewLimit использует технологию машинного языка, чтобы:

• Объедините и сжимайте несколько показаний обнаружения в низкоразмерное пространство оптимизации, содержащее текущее состояние A и желаемое состояние B ячейки.
• Перечислите новые комбинации TF в пространстве оптимизации, которые могут привести устройство в желаемое состояние.
• Рекомендовать, какие типы данных помогут улучшить модели и когда и где применять более дорогие экспериментальные методы с меньшей производительностью.
• Предложите изменения, которые следует внести в платформу, чтобы максимизировать полезную информацию, генерируемую на каждый потраченный доллар.

Помимо выдающейся команды, технического мастерства и амбициозного видения, мы также восхищаемся прагматичным духом NewLimit. Хотя компания не поделилась публично подробностями своей первоначальной бизнес-стратегии, мы считаем, что этот подход является творческим, разумно снижает риски и потенциально может изменить человечество. Команда основателей согласна с тем, что платформенные биотехнологии можно сравнить с дорогостоящими научными проектами, не создающими краткосрочных активов. С этой целью NewLimit была прозрачной и каталогизировала свой технологический прогресс с момента своего создания.

Мы должны смиряться перед сложностью природы. Конечно, биологию труднее программировать, чем кремниевые устройства, которые мы разрабатываем сами. Цель Dimension — дать возможность пионерам предпринимательства, таким как NewLimit, исследовать границы возможностей на стыке технологий и биологии. — Саймон Барнетт, директор по исследованиям, Dimension

9. У бассейна

Базовый искусственный интеллект для разработки программного обеспечения

OpenAI фокусируется на общем искусственном интеллекте, DeepMind фокусируется на научных открытиях, а третий фундаментальный вариант использования искусственного интеллекта — понимание и создание программного обеспечения.

GPT-4 прочно укоренился в рабочих процессах как опытных, так и начинающих разработчиков. Но этот сдвиг парадигмы все еще находится в зачаточном состоянии. Экстраполируя опыт последних нескольких месяцев, можно сказать, что программирование с помощью ИИ скоро станет повсеместным. По мере дальнейшего развития этой тенденции естественный язык станет абстрактной основой, на которой будет построено программное обеспечение.

Хотя другие компании выпустили крупномасштабные модели чистого кода, такие как StarCoder, ни один метод пока не приблизился к производительности GPT-4. Я думаю, это потому, что модель, обученная только на коде, не может обеспечить надежных возможностей разработки программного обеспечения. Так я познакомился с Пулсайдом. Компания была основана Джейсоном Уорнером, бывшим техническим директором GitHub, и Эйсо Кантом, бывшим основателем source{d}, первой в мире компании, занимающейся исследованиями кода в области искусственного интеллекта.

Poolside уникален тем, что использует подход базовой модели OpenAI, но сосредотачивается только на одной функции: генерации кода. Их технологическая стратегия основана на том факте, что код может быть выполнен, что обеспечивает немедленную и автоматическую обратную связь в процессе обучения. Это обеспечивает обучение с подкреплением посредством выполнения кода, что является привлекательной альтернативой обучению с подкреплением, основанному на обратной связи с человеком (RLHF). Это то, что Esso начала изучать еще в 2017 году.

Хотя потенциал общего искусственного интеллекта (AGI) на благо человечества неоспорим, до его реализации еще далеко. Так зачем ждать AGI? Сосредоточив внимание на конкретных областях развития ИИ, таких как разработка программного обеспечения, мы можем устранить больше барьеров на пути творчества. Я с нетерпением жду того дня, когда команда Poolside реализует свое видение создания модели специализированной программной инфраструктуры. ——Матан Гринберг, соучредитель и генеральный директор Factory

##10. Мистраль

Конкуренты OpenAI во Франции

В последнее время Париж озарился взрывом проектов в области генеративного искусственного интеллекта. Может быть, вы спросите, почему? Я думаю, что в Париже находится самый большой пул талантов мирового уровня в области генеративного искусственного интеллекта, который находится за пределами горизонта событий OpenAI. Из этих проектов самым смелым, несомненно, является «Мистраль». Компания Mistral была основана Гийомом Ламплем, Артуром Меншем и Тимотом Лакруа с целью создания лучших моделей языков с открытым исходным кодом и создания процветающей экосистемы вокруг этих моделей.

Я знаю Гийома четыре года, и мы оба активно занимались применением больших языковых моделей в областях математики, особенно формальной математики. Работая в OpenAI и Meta, у нас сложились дружеские конкурентные отношения. Гийом — один из самых талантливых исследователей, с которыми мне когда-либо приходилось работать, и мне выпала честь наблюдать, как он прошел путь от исследований в «Мете» до основания компании «Мистраль». В процессе я также встретил Артура Менша. Меня всегда впечатляли его работы, особенно Chinchilla, которая по-новому определила, что значит эффективно обучать большие языковые модели, и RETRO, подход к моделированию языка с расширенными возможностями поиска, который, я бы сказал, до сих пор не полностью исследован.

Теперь давайте углубимся в то, что делает Мистраль Мистралем. Цель стартапа — построить экосистему на основе лучшей в своем классе модели с открытым исходным кодом. Эта экосистема послужит стартовой площадкой для проектов, команд и компаний, ускоряя темпы инноваций и творческого использования больших языковых моделей.

В качестве примера возьмем обучение с подкреплением, основанное на обратной связи с человеком (RLHF). Обычно выполнение RLHF занимает много времени и, следовательно, является дорогостоящим. Он включает в себя ручную «маркировку» действий ИИ, что может потребовать много работы. Усилия будут оправданы только в том случае, если перспектива создания модели ИИ будет достаточно хорошей. Для такого крупного предприятия, как OpenAI, инвестирование в этот процесс имеет смысл, и у компании есть ресурсы, чтобы это осуществить. Но традиционным сообществам открытого исходного кода обычно нужен «лидер», который выступит вперед и возьмет на себя эту важную ответственность.

У Mistral есть возможность сделать именно это, инвестируя в модель с открытым исходным кодом для RLHF. Тем самым Mistral откроет дверь кембрийскому взрыву инноваций. Разработчики с открытым исходным кодом будут иметь доступ к четко обозначенным моделям, которые они смогут адаптировать и настраивать для различных нужд. В конечном итоге победителем станет более широкий рынок, и мы получим доступ к более конкретным и убедительным вариантам использования, чем могла бы создать одна закрытая компания в одиночку.

Тот, у кого будет лучшая модель с открытым исходным кодом, привлечет больший интерес и ценность. Я оптимистично отношусь к Mistral, потому что команда активно расширяет границы эффективности и производительности. В то же время талант «Мистраля» в этой области безусловно лучший в мире.

Компания Mistral собрала команду и ресурсы для реализации этой первоначальной концепции. Компания также нашла партнеров для оценки этих моделей в сценариях использования на уровне предприятия. Следите за Mistral, они готовы бросить вызов OpenAI. —— Станислас Полу, соучредитель Dust

11. Серакт

Умные промышленные роботы

Мы часто слышим прогнозы о том, что в долгосрочной перспективе искусственный интеллект и робототехника дополнят или автоматизируют человеческие задачи. Сегодня это становится все более насущной необходимостью для бизнеса.

Ожидается, что к 2030 году население трудоспособного возраста в Европе сократится на 13,5 миллионов, а стоимость рабочей силы будет расти самыми быстрыми темпами за более чем 20 лет. С развитием электронной коммерции склады находятся под большим давлением, чем когда-либо, и предприятиям становится все труднее оставаться конкурентоспособными.

55% операционных расходов склада приходится на комплектацию заказов, но ситуация не является оптимистичной для компаний, желающих перейти на автоматизированные системы. Ни одно из ярких приложений, с которыми мы знакомы в рамках SaaS на основе искусственного интеллекта (программное обеспечение как услуга), или множество продуктов с открытым исходным кодом, которые мы видим в других частях экосистемы, еще не применялось в робототехнике.

Вместо этого предприятия, стремящиеся автоматизировать сбор и упаковку, сталкиваются с выбором дорогих и негибких роботизированных решений. Им приходится ориентироваться в множестве проприетарных интерфейсов, которые требуют значительного времени и опыта программирования. Эти системы также с трудом справляются с изменением ассортимента продукции, требуют регулярного вмешательства человека и плохо работают в экстремальных ситуациях.

Секрет решает эти проблемы. Его программное обеспечение основано на мощной моделируемой среде и обучает роботизированные руки понимать пространственные и физические нюансы любой потенциальной реальной среды. После развертывания система будет оптимизирована путем постоянного обучения на реальных данных. Это также означает, что они могут справиться с задачей захвата традиционно сложных предметов, таких как электроника, текстиль, фрукты, плитка и дерево.

Самое интересное, что их стек робототехники использует большие языковые модели, обеспечивающие интуитивное управление роботами на естественном языке. Они разработали модель конвертера под названием «PickGPT», которая позволяет пользователям давать инструкции и обратную связь роботу с помощью голоса или текста. Таким образом, любой желающий может попросить робота выполнить желаемую задачу, независимо от уровня его технических знаний.

Secret объединяет две области знаний своих соучредителей. Генеральный директор Ральф Гульде работал на стыке искусственного интеллекта и робототехники, а технический директор Марк Тушер специализируется на глубоком обучении. Пара провела рецензируемые исследования по этим предметам в Штутгартском университете, одном из самых престижных университетов Германии в области автоматизации и промышленного производства.

Несмотря на то, что компания Sereact молодая, она уже привлекла внушительный список партнеров, в том числе Daimler Truck, Schmalz, Zenfulfillment, Zimmer Group) и Material Bank. Это указывает на то, что в отрасли комплектации и упаковки существуют огромные потенциальные рыночные возможности.

Помимо очевидных вариантов использования на складах электронной коммерции, будь то сбор заказов или распаковка коробок, существует ряд других вариантов использования. Например, в традиционном производстве существует трудоемкий процесс, называемый сборкой, который включает в себя кропотливый сбор хрупких деталей, необходимых для сборки. Роботам-манипуляторам исторически было трудно захватывать мелкие детали и сортировать отдельные детали в захламленных помещениях. Программное обеспечение Sereact может идентифицировать эти детали и выбрать правильный захват для их обнаружения.

Команда Sereact не только обладает высокой квалификацией, но также хорошо понимает рабочую среду клиента и искренне желает помочь клиентам преодолеть нехватку рабочей силы и добиться эффективных и устойчивых операций. Будучи первой компанией, которая перевела сочетание больших языковых моделей и пикаповой упаковки из академической возможности в реальный опыт, я полностью уверен в их способности реализовать и масштабировать настоящего конкурента в области робототехники. ——Натан Бенаич, генеральный партнер Air Street Capital

12. Ламини

Индивидуально разработанный механизм крупномасштабной языковой модели

Сейчас каждая компания пытается интегрировать искусственный интеллект в свой бизнес. Крупнейшие компании мира признают потенциал искусственного интеллекта: 20% руководителей компаний из списка S&P 500 упомянули ИИ во время своих отчетов о прибылях и убытках за первый квартал. Большие языковые модели могут значительно повысить эффективность бизнеса за счет ускорения основных функций, таких как поддержка клиентов, исходящие продажи и кодирование. Большие языковые модели также могут улучшить качество обслуживания основных продуктов, отвечая на вопросы клиентов с помощью помощников на базе искусственного интеллекта, или создавать новые генеративные рабочие процессы с использованием искусственного интеллекта, которые доставят удовольствие клиентам.

Учитывая, что крупные компании, как правило, не спешат внедрять новые технологии, мы были удивлены тем, как быстро предприятия начали использовать ИИ. Неудивительно, что многие компании хотят создавать свои собственные модели и решения искусственного интеллекта собственными силами. У каждого бизнеса есть собственный источник данных о клиентах, часто являющийся частью его основного бизнеса. Эти компании видят риски в отправке своих наиболее ценных данных в базовые API-интерфейсы моделей или в стартапы, надежность которых сомнительна. Даже несмотря на проблемы конфиденциальности данных, общедоступные крупномасштабные языковые модели, такие как GPT-4 или Claude, полностью обучаются на открытых данных и, следовательно, не имеют возможностей настройки для конкретных сценариев использования предприятия и сегментов клиентов.

Некоторые технологические компании, такие как Shopify и Canva, сформировали внутренние «команды AI Tiger», чтобы использовать готовые модели с открытым исходным кодом для интеграции искусственного интеллекта во все части бизнеса. Однако у большинства компаний нет ресурсов или опытных исследователей ИИ для создания и развертывания собственных крупномасштабных языковых моделей на основе собственных данных. Они понимают, что эта волна искусственного интеллекта может стать моментом трансформации для будущего их бизнеса, но до сих пор не смогли использовать или контролировать свои собственные разработки в области искусственного интеллекта.

Вот почему мы так воодушевлены тем, что Шэрон Чжоу, Грег Диамос и их команда делают в Ламини. Lamini — это крупномасштабный механизм языковых моделей, который позволяет разработчикам быстро обучать, настраивать, развертывать и улучшать свои собственные модели с помощью обратной связи с людьми. Этот инструмент обеспечивает приятный опыт разработки, который позволяет абстрагироваться от сложностей моделей ИИ и, что более важно, позволяет предприятиям создавать решения ИИ на основе собственных данных без необходимости нанимать исследователей ИИ или рисковать утечкой данных. Мы впервые работали с Шэрон и Грегом прошлой осенью. С тех пор у нас была возможность поддержать эту технически опытную, ориентированную на клиента команду основателей, поскольку они реализуют свое амбициозное видение по изменению способов внедрения ИИ в бизнесе.

В частности, развертывание частных моделей большого языка с помощью Lamini предлагает широкий спектр преимуществ по сравнению с использованием общедоступных решений. Наличие собственной команды инженеров, занимающейся процессом сборки, обеспечивает конфиденциальность данных и обеспечивает большую гибкость при выборе модели и всего стека вычислений и данных. Модели, созданные с использованием Lamini, также уменьшают количество артефактов, уменьшают задержки, обеспечивают надежность работы и более низкие затраты по сравнению со стандартными API. Такое повышение производительности является результатом основных технических идей, которые команда Lamini встроила в продукт на основе десятилетий исследований и отраслевого опыта в области моделей искусственного интеллекта и оптимизации графических процессоров.

Известные стартапы и крупные предприятия уже используют Lamini для развертывания крупных языковых моделей внутри компании и совместно с клиентами, и их впечатляет скорость установки, производительность и надежность. Мы верим, что в будущем каждое предприятие будет использовать ИИ в своем бизнесе и продуктах, но лишь немногие предприятия будут иметь выделенные команды по ИИ. Lamini — это стартап, который уравнивает правила игры и дает всем компаниям возможность воспользоваться преимуществами этой преобразующей технологии. Благодаря недавнему партнерству с Databricks предприятиям теперь проще, чем когда-либо, развернуть и запустить свои решения искусственного интеллекта, установив Lamini непосредственно на существующих озерах данных и вычислительных кластерах Databricks. ——Джеймс Ву, инвестор First Round Capital, Тодд Джексон, партнер First Round Capital

13. Фабрика

Ваш кодирующий «робот»

Сегодня, если вы хотите, чтобы компьютер что-то сделал за вас, вам придется перевести свои мысли на «компьютерный язык», гипертекстовый код, понятный компилятору. Чтобы стать инженером, нужно крутить свой мозг, как машину. Однако мы приближаемся к переломному моменту, когда ИИ сможет превратить человеческий язык в код. Переход от инженеров-людей к цифровым инженерам, вероятно, станет одним из наиболее важных технологических переломных моментов в нашей жизни.

Мы все еще находимся на ранних стадиях этой трансформации. Инструменты искусственного интеллекта, такие как BabyAGI и AutoGPT, захватили воображение общественности. Но хотя помощники по программированию, такие как Github Copilot, представляют собой улучшение, они все еще очень ограничены и служат в основном для автодополнения идей, уже реализованных в коде.

Фабрика другая. Компания была основана в 2023 году бывшим теоретиком струн Матаном Гринбергом и инженером по машинному обучению Ино Рейесом. Когда я встретил Мэттана, меня сразу привлекло его видение: будущее, в котором инженеры смогут превратить сборку в удовольствие, делегируя раздражающие задачи и сосредотачиваясь на сложных проблемах. Для этого Матан и Ино создали автономных «роботов»-кодировщиков.

Боты — это инженеры искусственного интеллекта, которые выполняют повседневные задачи, такие как проверка кода, отладка и рефакторинг. В отличие от существующих продуктов, боты Factory не требуют от вас никаких действий, они могут самостоятельно просматривать код, обрабатывать ошибки и отвечать на вопросы. Вы также можете использовать ботов, например младших разработчиков, для мозгового штурма и обмена результатами работы. Роботы обладают мощными механизмами защиты, а их интеллект ориентирован на потребности пользователей, что затрудняет им «галлюцинацию» неправильных ответов.

Генерация кода станет одной из наиболее преобразующих областей революции искусственного интеллекта, и у Factory есть все необходимые инструменты для достижения успеха.

*Команда. Маттан, генеральный директор Factory, является теоретиком струн в Принстонском университете, где он представил сингулярности черных дыр. Ино работал инженером по машинному обучению в Hugging Face и лично руководил утомительным процессом проектирования. Это уникальная команда.

• Практичность. Хотя роботы пока не могут выполнять задачи так же хорошо, как люди-инженеры, они все равно могут выполнять задачи, которые инженеры ненавидят. Инженеры могут оставить скучную и однообразную работу Фабрике.
• скорость. Фабрика добилась чего-то выдающегося всего за несколько месяцев. В то время как другие все еще представляли себе инженеров по искусственному интеллекту, Матан и Ино уже разрабатывали их. Они стремительно совершенствуют этот и без того превосходный продукт.

История человеческого развития – это история разгрузки повторяющихся задач, позволяющая нам перейти к более сложным задачам. Когда люди изобрели сельское хозяйство, они, по сути, открыли нам возможности строить города. После промышленной революции мы построили ракеты, которые доставили людей на Луну. Миссия следующего поколения — освободить людей от рутинной онлайн-работы и расширить технологические границы.

Когда единственным ограничением является человеческое воображение, что мы будем строить дальше? — Марки Вагнер, основатель и генеральный директор Delphi Labs

Переводчик: Джейн