استارتاپ Reflection که تنها سال گذشته توسط دو محقق سابق Google DeepMind تأسیس شده، توانسته 2 میلیارد دلار سرمایه با ارزش‌گذاری 8 میلیارد دلار جذب کند. این جهش 15 برابری نسبت به ارزش‌گذاری 545 میلیون دلاری آن فقط در هفت ماه پیش است. این شرکت که در ابتدا بر روی عوامل کدنویسی خودکار متمرکز بود، اکنون خود را هم به عنوان یک جایگزین متن‌باز برای آزمایشگاه‌های پیشرو و بسته مانند OpenAI و Anthropic، و هم به عنوان معادل غربی شرکت‌های هوش مصنوعی چینی مانند DeepSeek معرفی می‌کند.
این استارتاپ در اسفند 1402 توسط میشا لاسکین، که رهبری مدل‌سازی پاداش برای پروژه Gemini در DeepMind را بر عهده داشت، و Ioannis Antonoglou، که یکی از سازندگان AlphaGo، سیستم هوش مصنوعی که در سال 1395 قهرمان جهان را در بازی تخته‌ای Go شکست داد، راه‌اندازی شد. سابقه آن‌ها در توسعه این سیستم‌های هوش مصنوعی بسیار پیشرفته، محور اصلی ایده آن‌هاست، مبنی بر اینکه استعدادهای مناسب هوش مصنوعی می‌توانند مدل‌های پیشرو را خارج از غول‌های فناوری مستقر بسازند.
همراه با دور جدید سرمایه‌گذاری، Reflection اعلام کرد که تیمی از استعدادهای برتر DeepMind و OpenAI را جذب کرده و یک پشته آموزش هوش مصنوعی پیشرفته ساخته است که قول می‌دهد برای همه باز باشد. شاید مهم‌تر از همه، Reflection می‌گوید که “یک مدل تجاری مقیاس‌پذیر شناسایی کرده است که با استراتژی هوش باز ما همسو است.”
به گفته لاسکین، مدیرعامل شرکت، تیم Reflection در حال حاضر حدود 60 نفر است – بیشتر محققان و مهندسان هوش مصنوعی در زمینه‌های زیرساخت، آموزش داده و توسعه الگوریتم. Reflection یک خوشه محاسباتی را ایمن کرده است و امیدوار است که سال آینده یک مدل زبانی پیشرو را منتشر کند که بر روی “ده‌ها تریلیون توکن” آموزش داده شده است.
Reflection در پستی در X نوشت: “ما چیزی را ساختیم که زمانی تصور می‌شد فقط در داخل برترین آزمایشگاه‌های جهان ممکن است: یک پلتفرم LLM و یادگیری تقویتی در مقیاس بزرگ که قادر به آموزش مدل‌های Mixture-of-Experts (MoEs) عظیم در مقیاس پیشرو است.” “ما اثربخشی رویکرد خود را مستقیماً زمانی دیدیم که آن را در دامنه حیاتی کدنویسی خودکار به کار بردیم. با باز شدن این نقطه عطف، اکنون این روش‌ها را به استدلال عاملی عمومی می‌آوریم.”
MoE به یک معماری خاص اشاره دارد که LLMهای پیشرو را تقویت می‌کند – سیستم‌هایی که قبلاً فقط آزمایشگاه‌های هوش مصنوعی بزرگ و بسته قادر به آموزش آن‌ها در مقیاس بودند. DeepSeek زمانی به یک لحظه موفقیت‌آمیز رسید که فهمید چگونه این مدل‌ها را در مقیاس به صورت باز آموزش دهد، و پس از آن Qwen، Kimi و سایر مدل‌ها در چین.
لاسکین گفت: “DeepSeek و Qwen و همه این مدل‌ها زنگ بیدارباش ما هستند، زیرا اگر کاری در این مورد انجام ندهیم، در واقع، استاندارد جهانی هوش توسط شخص دیگری ساخته خواهد شد.” “توسط آمریکا ساخته نخواهد شد.”
لاسکین افزود که این امر ایالات متحده و متحدانش را در موقعیت نامناسبی قرار می‌دهد، زیرا شرکت‌ها و دولت‌های مستقل اغلب به دلیل پیامدهای قانونی احتمالی از مدل‌های چینی استفاده نمی‌کنند.
لاسکین گفت: “بنابراین شما می‌توانید انتخاب کنید که در یک موقعیت رقابتی نامناسب زندگی کنید یا از این فرصت استفاده کنید.”
فن‌آوران آمریکایی تا حد زیادی از مأموریت جدید Reflection استقبال کرده‌اند. دیوید ساکس، تزار هوش مصنوعی و ارز دیجیتال کاخ سفید، در X پستی منتشر کرد: “دیدن مدل‌های هوش مصنوعی متن‌باز آمریکایی بیشتر عالی است. بخش قابل توجهی از بازار جهانی هزینه، قابلیت سفارشی‌سازی و کنترلی را که متن‌باز ارائه می‌دهد، ترجیح می‌دهند. ما می‌خواهیم ایالات متحده نیز در این دسته برنده شود.”
Clem Delangue، بنیانگذار و مدیرعامل Hugging Face، یک پلتفرم باز و مشارکتی برای سازندگان هوش مصنوعی، در مورد این دور سرمایه‌گذاری به خبرنگار گفت: “این واقعاً خبر خوبی برای هوش مصنوعی متن‌باز آمریکایی است.” Delangue افزود: “اکنون چالش این خواهد بود که سرعت بالای اشتراک‌گذاری مدل‌ها و مجموعه‌های داده هوش مصنوعی باز را نشان دهیم (مشابه آنچه از آزمایشگاه‌های مسلط در هوش مصنوعی متن‌باز می‌بینیم).”
به نظر می‌رسد تعریف Reflection از “باز” بودن، بیشتر بر دسترسی متمرکز است تا توسعه، مشابه استراتژی‌های متا با Llama یا Mistral. لاسکین گفت که Reflection وزن‌های مدل – پارامترهای اصلی که تعیین می‌کنند یک سیستم هوش مصنوعی چگونه کار می‌کند – را برای استفاده عمومی منتشر می‌کند، در حالی که تا حد زیادی مجموعه‌های داده و خطوط لوله آموزش کامل را اختصاصی نگه می‌دارد.
لاسکین گفت: “در واقعیت، مهم‌ترین چیز وزن‌های مدل است، زیرا هر کسی می‌تواند از وزن‌های مدل استفاده کند و شروع به دستکاری آن‌ها کند.” “پشته زیرساختی، فقط تعداد انگشت شماری از شرکت‌ها می‌توانند در واقع از آن استفاده کنند.”
این تعادل همچنین زیربنای مدل کسب و کار Reflection است. لاسکین گفت که محققان می‌توانند آزادانه از مدل‌ها استفاده کنند، اما درآمد از شرکت‌های بزرگی حاصل می‌شود که محصولاتی را بر اساس مدل‌های Reflection می‌سازند و از دولت‌هایی که سیستم‌های “هوش مصنوعی مستقل” را توسعه می‌دهند، به این معنی که مدل‌های هوش مصنوعی توسط کشورهای منفرد توسعه و کنترل می‌شوند.
لاسکین گفت: “هنگامی که وارد قلمرویی می‌شوید که یک شرکت بزرگ هستید، به طور پیش‌فرض یک مدل باز می‌خواهید.” “شما چیزی می‌خواهید که مالکیت آن را داشته باشید. می‌توانید آن را روی زیرساخت خود اجرا کنید. می‌توانید هزینه‌های آن را کنترل کنید. می‌توانید آن را برای بارهای کاری مختلف سفارشی کنید. از آنجا که شما مبلغ هنگفتی برای هوش مصنوعی پرداخت می‌کنید، می‌خواهید تا حد امکان آن را بهینه کنید، و واقعاً این بازاری است که ما در آن خدمت میکنیم.”
به گفته لاسکین، Reflection هنوز اولین مدل خود را منتشر نکرده است، که عمدتاً مبتنی بر متن خواهد بود و در آینده قابلیت‌های چندوجهی خواهد داشت. این شرکت از بودجه آخرین دور سرمایه‌گذاری خود برای به دست آوردن منابع محاسباتی مورد نیاز برای آموزش مدل‌های جدید استفاده خواهد کرد، که اولین مورد آن را در اوایل سال آینده هدف قرار داده است.
سرمایه‌گذاران در آخرین دور سرمایه‌گذاری Reflection شامل Nvidia، Disruptive، DST، 1789، B Capital، Lightspeed، GIC، Eric Yuan، Eric Schmidt، Citi، Sequoia، CRV و دیگران هستند.
