در حالی‌که سرمایه‌گذاری در حوزه‌ی هوش مصنوعی با سرعتی بی‌سابقه افزایش یافته است، پژوهشگران با ایده‌های نو می‌توانند راحت‌تر از گذشته وارد بازار شوند. یکی از تازه‌ترین نمونه‌ها، استارتاپ Inception است که با تمرکز بر مدل‌های دیفیوژنی (Diffusion Models) موفق به جذب ۵۰ میلیون دلار سرمایه اولیه شده است.
جزئیات سرمایه‌گذاری و تیم بنیان‌گذار
سرمایه‌گذاری در Inception توسط شرکت Menlo Ventures هدایت شده و مجموعه‌هایی مانند Mayfield، Innovation Endeavors، مایکروسافت (M12)، Snowflake Ventures، Databricks Investment و بازوی سرمایه‌گذاری Nvidia (NVentures) نیز در آن حضور دارند.
همچنین دو چهره‌ی برجسته‌ی دنیای هوش مصنوعی یعنی Andrew Ng و Andrej Karpathy به‌عنوان سرمایه‌گذاران فرشته از این پروژه حمایت کرده‌اند.
رهبری این پروژه بر عهده‌ی پروفسور استفانو ارمون (Stefano Ermon) از دانشگاه استنفورد است. او یکی از پیشگامان پژوهش در زمینه‌ی مدل‌های دیفیوژنی محسوب می‌شود؛ همان فناوری‌ای که در سیستم‌هایی مانند Stable Diffusion و Midjourney نیز به‌کار رفته است.
مدل Mercury؛ محصول جدید برای توسعه‌دهندگان نرم‌افزار
هم‌زمان با جذب سرمایه، Inception نسخه‌ی جدیدی از مدل Mercury را معرفی کرد که برای کمک به توسعه‌دهندگان نرم‌افزار طراحی شده است. این مدل در ابزارهایی مانند ProxyAI، Buildglare و Kilo Code ادغام شده و هدف آن کاهش تأخیر (Latency) و هزینه‌ی پردازش (Compute Cost) است.
ارمون در توضیح این فناوری گفت:
«مدل‌های زبانی دیفیوژنی ما بسیار سریع‌تر و کارآمدتر از مدل‌های خودبازگشتی فعلی هستند. این روش مسیر تازه‌ای از نوآوری را در هوش مصنوعی باز می‌کند.»
تفاوت مدل‌های دیفیوژنی و خودبازگشتی
مدل‌های دیفیوژنی با ساختار مدل‌های خودبازگشتی (Autoregressive) مانند GPT-5 و Gemini تفاوت بنیادی دارند. مدل‌های خودبازگشتی هر واژه را بر اساس واژه‌های قبلی پیش‌بینی می‌کنند، درحالی‌که مدل‌های دیفیوژنی کل ساختار خروجی را در چندین گام پالایش می‌کنند تا نتیجه‌ی مطلوب حاصل شود.
این ویژگی سبب می‌شود که مدل‌های دیفیوژنی در پردازش حجم‌های بالای متن یا کد عملکرد بهتری داشته باشند. به‌ویژه در مدیریت پروژه‌های بزرگ نرم‌افزاری، این مدل‌ها می‌توانند دقت بالا و سرعت پاسخ‌دهی بیشتر ارائه دهند.
برتری در سرعت و بهره‌وری سخت‌افزاری
یکی از نقاط قوت فناوری دیفیوژنی، توانایی پردازش موازی (Parallel Processing) است. در حالی‌که مدل‌های خودبازگشتی عملیات را به‌صورت متوالی انجام می‌دهند، مدل‌های دیفیوژنی چندین عملیات را به‌طور هم‌زمان اجرا می‌کنند و در نتیجه زمان پاسخ‌دهی کاهش می‌یابد.
ارمون در این باره گفت:
«مدل ما قادر است بیش از ۱۰۰۰ توکن در ثانیه پردازش کند؛ عددی که در مدل‌های خودبازگشتی فعلی قابل دستیابی نیست، زیرا ساختار ما ذاتاً موازی و بسیار سریع است.»
نقش مدل‌های دیفیوژنی در آینده هوش مصنوعی
استارتاپ Inception قصد دارد با استفاده از این فناوری، مدل‌های هوش مصنوعی سریع‌تر، کم‌هزینه‌تر و بهینه‌تر را برای صنایع مختلف توسعه دهد. این رویکرد می‌تواند مسیر تحول جدیدی در هوش مصنوعی ایجاد کند و چالش‌های رایج مربوط به هزینه و مصرف انرژی را کاهش دهد.
برای درک بهتر روند رشد مدل‌های هوش مصنوعی، پیشنهاد می‌شود مقاله‌ی مایکروسافت و آزمایش ایجنت‌های هوش مصنوعی را مطالعه کنید که به بررسی نقش Microsoft در توسعه عامل‌های هوشمند پرداخته است. همچنین، در مطلب همکاری سافت‌بنک و OpenAI در ژاپن به ابعاد جهانی سرمایه‌گذاری در این حوزه پرداخته‌ایم.
از سوی دیگر، مقاله‌ی پینترست و استفاده از مدل‌های متن‌باز هوش مصنوعی برای کاهش هزینه‌ها نشان می‌دهد که چگونه برندهای بزرگ نیز از مدل‌های مقرون‌به‌صرفه‌تر برای حفظ رقابت استفاده می‌کنند.
