📢 转载信息
原文作者：Russell Brandom
随着大量资金涌入AI初创公司，对于有想法要验证的AI研究人员来说，现在是个好时机。如果这个想法足够新颖，或许比在大公司内部实验室工作更容易获得独立创业所需的资源。
这就是Inception的故事。这家开发基于扩散模型的AI初创公司刚刚完成了5000万美元的种子轮融资，由Menlo Ventures领投，Mayfield、Innovation Endeavors、微软的M12基金、Snowflake Ventures、Databricks Investment以及英伟达的风险投资部门NVentures参与跟投。Andrew Ng和Andrej Karpathy也提供了额外的天使投资。
该项目的领导者是斯坦福大学教授Stefano Ermon，他的研究重点是扩散模型——这类模型通过迭代细化而非逐字生成输出来工作。这些模型驱动着像Stable Diffusion、Midjourney和Sora这样的图像AI系统。Ermon自AI热潮兴起之前就开始研究这些系统，他现在正利用Inception将相同的模型应用于更广泛的任务。
伴随此次融资，该公司发布了其Mercury模型的新版本，该模型专为软件开发设计。Mercury已经集成到包括ProxyAI、Buildglare和Kilo Code在内的多个开发工具中。Ermon表示，最重要的是，扩散方法将有助于Inception的模型在两个最重要的指标上实现节约：延迟（响应时间）和计算成本。
“这些基于扩散的LLM比目前其他人构建的模型要快得多，效率也高得多，”Ermon说。“这是一种完全不同的方法，仍有许多创新可以被引入。”
要理解技术上的差异，需要一些背景知识。扩散模型在结构上与主导文本AI服务的自回归模型（auto-regression models）不同。像GPT-5和Gemini这样的自回归模型是顺序工作的，它们根据先前处理的材料来预测下一个词或词片段。而为图像生成训练的扩散模型则采取更全面的方法，通过迭代地修改响应的整体结构，直到它匹配所需的结果。
传统观念认为，文本应用应使用自回归模型，这种方法在最近几代AI模型中取得了巨大的成功。但是，越来越多的研究表明，当模型需要处理大量文本或管理数据限制时，扩散模型可能会表现得更好。正如Ermon所说，当对大型代码库执行操作时，这些特性就成为了真正的优势。
扩散模型在硬件利用方面也具有更大的灵活性，这一点在AI的基础设施需求变得明确时尤为重要。自回归模型必须一个接一个地执行操作，而扩散模型可以同时处理许多操作，从而在复杂任务中实现显著更低的延迟。
“我们的基准测试显示速度超过每秒1000个Token，这远远高于使用现有自回归技术所能达到的水平，”Ermon说，“因为我们的技术是并行构建的。它就是为了实现超快速度而构建的。”
🚀 想要体验更好更全面的AI调用？
欢迎使用青云聚合API，约为官网价格的十分之一，支持300+全球最新模型，以及全球各种生图生视频模型，无需翻墙高速稳定，文档丰富，小白也可以简单操作。
评论区