6人规模的人工智能初创公司Standard Intelligence成功获得了7500万美元（约1103.7亿韩元）规模的融资。该公司提出的不是单纯的聊天机器人，而是能够“直接操作”实际软件的AI模型，这一点吸引了市场的关注。
本次投资轮由红杉资本和Spark Capital领投。包括著名AI研究员安德烈·卡帕西（Andrej Karpathy）在内的多位天使投资人也参与了投资。公司计划将新资金用于扩充额外的计算基础设施和开发AI安全装置。
核心不是截图，而是‘视频学习’
Standard Intelligence公开的基础模型“FDM-1”是一款针对“计算机使用”任务优化的AI。这意味着该AI被设计成能够像人一样看着程序屏幕，通过图形界面进行点击和输入操作。据公司介绍，FDM-1可以处理从软件漏洞检查到计算机辅助设计（CAD程序使用）等广泛的任务。
现有的计算机使用模型大多是通过人们使用应用程序时的屏幕截图进行学习的。在这个过程中，需要人工为每张图像添加描述文字。例如，记录在线购物过程的几张屏幕截图必须附带“选择商品”、“移入购物车”、“进行结算”等自然语言描述。
相比之下，Standard Intelligence使用了视频数据而非屏幕截图。并且，他们没有采用人工逐一添加描述的方式，而是使用名为“逆动力学模型”的神经网络来自动生成屏幕描述。这种方法被认为具有显著降低数据构建成本、能够创建更大规模训练数据集的优势。
1100万小时数据……远超开源替代方案
公司表示，通过这种方式，他们已经构建了总计1100万小时的计算机使用训练数据。据称，其规模比目前主要公开的开源替代方案要高出“数个数量级”。
在AI行业，训练数据规模的扩大往往会带来模型性能的提升。在Standard Intelligence公开的演示视频中，FDM-1利用流行的工程软件设计了金属零件。公司还称，在另一个实验中，他们先让自动驾驶车辆的控制功能可以通过网站访问，然后FDM-1仅通过一小时的微调就学会了如何驾驶该车辆。
这一点显示出生成式AI的竞争正从文本和图像生成转向实际工作自动化。尤其是在计算机使用模型可以直接操作浏览器、办公软件和工业应用程序这一点上，该领域被评估为企业需求迅速增长的领域。
用较少资源处理长视频……效率也是优势
FDM-1的另一大优势是它可以在相对较少的硬件资源下运行。公司解释说，该模型在执行任务过程中降低了对复杂“思维链”推理或外部工具依赖的程度。他们声称，其搭载的视频编码器效率比OpenAI的替代方案高出100倍。
视频编码器是将视频转换成AI能够理解的数学表达式的模块。问题在于，这些表达值会占用大量内存。通常，如果减少存储量，性能也容易随之下降。
Standard Intelligence表示，他们通过“掩码压缩目标”技术对此进行了改进。也就是通过移除模型处理视频中不重要的部分来减少内存使用量，同时将数据质量下降控制在最低限度。据公司介绍，应用该编码器后，拥有100万Token上下文窗口的模型可以通过一次提示（prompt）处理基于每秒30帧标准、时长为2小时的视频。
大额资金涌入的原因在于‘AI代理’的可扩展性
此次成功融资与AI市场的关注点从“对话式模型”转向“执行型代理”的趋势相吻合。因为能够超越理解用户指令，实际打开并操作程序、创造产出物的AI正成为下一代竞争的舞台。
Standard Intelligence计划利用新资金增加计算能力，同时开发针对计算机使用模型的AI安全护栏。能够直接操作屏幕的AI，其发生故障或权限滥用的风险可能更大，因此控制技术正变得与性能同样重要。
尽管团队规模较小，但凭借大规模数据和高效的学习结构，Standard Intelligence的动向预示着AI代理市场的竞争可能会更加激烈。最终，关键不仅在于“有多聪明”，更在于“能以多低的成本、多安全地投入到实际工作中”。
TP AI注意事项 本文基于TokenPost.ai语言模型进行摘要。正文主要内容可能被省略或与实际存在出入。