TypeSafe AI، استارت آپی که پشت مدل تصمیم گیری Jev "System One" است، روز جمعه اعلام کرد که 870 میلیون دلار با ارزش 7.5 میلیارد دلار جمع آوری کرده است - دوری که کمتر از یک ماه پس از عرضه محصول پرچمدار شرکت توسط شرکت بسته می شود.

بر اساس اعلام این شرکت، دور توسط Andreessen Horowitz، با مشارکت Sequoia Capital، سرمایه گذار موجود DCVC و گروهی از سرمایه گذاران فرشته رهبری شد. شریک a16z مارتین کاسادو، که فعالیتش بر زیرساخت ها و استارت آپ های سیستم های شبکه ای متمرکز است، به هیئت مدیره این شرکت می پیوندد. بلومبرگ به طور مستقل ارزش 7.5 میلیارد دلاری را گزارش کرد. For more context on this story, see our ongoing AI trends.

از راه اندازی تا مگا دور در چند هفته

سرعت با هر معیاری غیرعادی است. TypeSafe که توسط محقق سابق OpenAI، Diogo Almeida، که روی ChatGPT کار می کرد، تأسیس شد، در اواسط سپتامبر با Jev از مخفی کاری بیرون آمد، مدلی که شرکت آن را نه به عنوان یک مدل زبان بزرگ، بلکه به عنوان یک "مدل سیستم یک" توصیف می کند - سیستمی که به جای ایجاد تصمیمات و احتمالات متنی سریع و کالیبره شده تنظیم شده است.

در زمان راه اندازی، این شرکت ادعا کرد که Jev می تواند وظایف تصمیم گیری ساختاریافته را تا 200 برابر سریعتر از رویکردهای مبتنی بر LLM انجام دهد، و مشتری اولیه Vercel نتایج را 5 تا 18 برابر سریعتر از خطوط لوله LLM گزارش داد که قبلاً گزارش شده بود. در عرض سه هفته پس از آن اولین، این شرکت کشش اولیه را به یکی از دوره‌های بزرگ‌تر سری A در سال تبدیل کرده است - البته یکی از این دوره‌ها که خود شرکت در اعلامیه‌ی معمولی بی‌احترامی‌اش به عنوان «هوش مصنوعی سری» نام‌گذاری کرده است.

برای مقایسه، سرعت سرمایه گذاری معمولی به استارتاپ ها 12 تا 24 ماه بین عرضه محصول و افزایش 9 رقمی فرصت می دهد. TypeSafe این کار را تقریباً در 20 روز انجام داد، که هم نشان دهنده سرعت حرکت سرمایه به سمت زیرساخت های متمایز هوش مصنوعی و هم شلوغی حوزه عمومی LLM است.

آنچه TypeSafe می گوید که آن را خواهد ساخت

در اعلامیه خود، این شرکت پول را حول سه تعهد تنظیم کرد: مدل‌های «بومی‌تر» بیشتر از Jev، ویژگی‌های سازمانی درخواستی مشتریان، و زیرساخت‌هایی که هدف توسعه‌دهندگان ایجاد نرم‌افزار هوشمند است. این شرکت همچنین ادعا کرد که "یک سوم از Fortune 500" در حال حاضر از Jev استفاده می کنند و "میلیون ها دلار در تولید مشتریان صرفه جویی کرده است" - ارقامی که از خود شرکت می آیند و به طور مستقل حسابرسی نشده اند.

پیام استخدام نیز به همان اندازه صریح بود، با این پست که از افراد استخدام شده دعوت می‌کرد تا «به تیم میم بپیوندند» و نشان می‌داد که استارت‌آپ قصد دارد لحن عمومی بی‌احترامی را که از زمان مخفی کاری استفاده کرده است، حفظ کند.

شرط: تصمیم گیری به عنوان یک لایه مدل مجزا

زمین های گرد در میان علاقه فزاینده به حک کردن تصمیم گیری از مدل های زبانی یکپارچه و به سیستم های تخصصی. گزارش InfoWorld در این هفته بررسی کرد که چگونه فروشندگان هوش مصنوعی به طور فزاینده ای تصمیم گیری را به عنوان یک لایه مدل جداگانه تلقی می کنند، به جای اینکه از یک مدل همه منظوره بخواهند که در یک گذر استدلال کند، تصمیم بگیرد و پاسخ دهد.

طرح TypeSafe کاملاً با این تز مطابقت دارد: برای انتخاب‌های با حجم بالا و کاملاً تعریف شده - مسیریابی، تریاژ، تأیید، تماس‌های ریسک - یک مدل کالیبره‌شده کوچک می‌تواند سریع‌تر، ارزان‌تر و قابل پیش‌بینی‌تر از استنتاج کامل LLM باشد و می‌تواند سطوح اطمینانی را که تولید متن مبهم است، آشکار کند. به نظر می‌رسد سرمایه‌گذاران شرط می‌بندند که این لایه به زیرساخت دائمی تبدیل شود تا ویژگی‌ای که در مدل‌های مرزی جذب شود.

استدلال متقابل نیز به همان اندازه آشناست: آزمایشگاه‌های مرزی با هر نسل تأخیر و هزینه را فشرده می‌کنند، و پلتفرم‌های سازمانی به طور فزاینده‌ای حالت‌های خروجی ساختاریافته و فراخوانی ابزار را نشان می‌دهند که بسیاری از مدل‌های تصمیم‌گیری تخصصی ارائه می‌دهند. اینکه آیا اقتصاد Jev با ارزان‌تر شدن سیستم‌های مرزی پابرجا می‌ماند یا خیر، سؤال اصلی است که ارزش‌گذاری اکنون باید به آن پاسخ دهد.

آنچه راند درباره بازار می گوید

محیط گسترده‌تر تامین مالی، زمینه بیشتری را به اطلاعیه می‌دهد. سرمایه در سال جاری به شدت بر زیرساخت‌های هوش مصنوعی متمرکز شده است - مراکز داده، تراشه‌ها، قدرت - در حالی که استارت‌آپ‌های لایه‌ای مدل عموماً به یک تمایز دقیق برای افزایش نیاز دارند. مدل تصمیم‌گیری که هرگز نشانه‌ای تولید نمی‌کند، تقریباً به همان وضوحی است که متمایزکننده‌ها می‌کنند: با ساخت و ساز از مشکل توهم چشم پوشی می‌کند، به خریداران امتیازهای اطمینان قابل بازرسی و قیمت‌ها را در برابر استنتاج به جای هوشمندی می‌دهد.

همچنین با الگوی استخدامی که سرمایه گذاران از نزدیک دنبال می کنند مطابقت دارد. تیم موسس TypeSafe از گروهی است که ChatGPT را در OpenAI ساخته و ارسال کرده است، و این شرکت به طور موثر شرط می‌بندد که لایه بعدی پشته هوش مصنوعی توسط افرادی ساخته شود که محدودیت‌های لایه فعلی را از درون درک می‌کنند. صندلی هیئت مدیره کاسادو با توجه به تمرکز عمومی طولانی مدت وی بر زیرساخت به عنوان لایه بادوام پلتفرم های فناوری، به این خوانش وزن می افزاید.

خطرات اجرایی وجود دارد که اعلامیه به آنها توجه نمی کند. ارزش گذاری 7.5 میلیارد دلاری پس از پول، برای شرکتی با یک محصول حمل و نقل، هفته ها سابقه تولید و پایگاه مشتری که ترکیب آن - فراتر از ادعای فورچون 500 - فاش نشده باقی می ماند، نوار بالایی ایجاد می کند. خریداران سازمانی که مدل‌های تصمیم کالیبره‌شده را در نظر می‌گیرند، قفل نیز می‌شوند: یک لایه تصمیم اختصاصی در اعماق پشته قرار دارد، و هزینه‌های سوئیچینگ پس از اینکه مسیریابی، تایید یا منطق ریسک به آن بستگی دارد، به سرعت ترکیب می‌شوند.

یک مورد آزمایشی برای زیرساخت پس از LLM

افزایش سطح TypeSafe کمتر به دلیل اندازه آن قابل توجه است تا سرعت و منبع آن. a16z و Sequoia هر دو در یک دور برای یک شرکت مدل غیر LLM، سه هفته پس از راه‌اندازی، نشان می‌دهند که اشتهای سازمانی برای معماری‌هایی که در کنار - به جای داخل - پارادایم غالب قرار دارند. بازده DCVC به عنوان یک سرمایه گذار موجود نشان می دهد که پایان نامه قبل از عرضه عمومی محصول است.

اعلامیه خود شرکت در مورد آنچه که دور باید ثابت کند صریح بود: اینکه مدل‌های تصمیم کالیبره شده می‌توانند قابلیت اطمینان در سطح سازمانی را در مقیاس Fortune 500 حفظ کنند، و اینکه افزایش سرعت اندازه‌گیری شده در استقرار اولیه در تماس با حجم کاری تولید باقی می‌ماند. این شواهد، نه ارزش گذاری، تعیین خواهند کرد که آیا TypeSafe به نقطه مرجع برای دسته بندی مدل های جدید تبدیل می شود یا پاورقی در راهپیمایی سریع تر و ارزان تر عصر LLM.

---

Stay Ahead of AI

Get the latest AI news, analysis, and breakthroughs — all in one place.

Read more AI news →