Dr. Yair Adato, administrerende direktør og grundlægger af Bria – Intervieuserie

Dr. Yair Adato, administrerende direktør og grundlægger af Bria, er en ekspert i maskinlæring og computer vision, der er kendt for sin evne til at kombinere avanceret teknologi med virkelige forretningsapplikationer. Før han grundlagde Bria, fungerede han som teknisk direktør for Trax Retail, hvor han spillede en central rol i at omdanne virksomheden fra et startup med 20 ansatte til en global enhjørning med over 850 ansatte. Gennem sin karriere har Yair også fungeret som rådgiver for flere AI-drevne virksomheder, herunder Sparx, Vicomi, Tasq, DataGen og Anima. Hans ledelse kendetegnes ved en stærk tilknytning til ansvarlig innovation, dataejerskab og demokratisering af AI-teknologi.

Bria er en pionervirksomhed inden for ansvarlig visuel generativ AI, grundlagt med missionen om at skabe en åben og etisk platform for billedgenerering. Virksomhedens unikke tilgang belønner dataejere for deres bidrag gennem en tillægsengine, der sikrer gennemsigtighed og retfærdighed i AI-økosystemet. Ved at fokusere på kreativitet, samarbejde og overholdelse giver Bria organisationer mulighed for at integrere generativ AI på en sikker måde i deres arbejdsprocesser, samtidig med at de sætter nye standarder for ansvarlighed og tillid i den visuelle indholdindustri..

I grundlagde Bria for at skabe en ansvarlig og åben platform for visuel generativ AI. Hvad inspirerede dig til at starte virksomheden, og hvilke tidlige udfordringer eller indsigt formede dens retning?

Jeg så Goodfellow præsentere GAN-papiret i 2014, og det var med det samme klart, at kreativ produktion ville ændre sig fundamentalt. Da jeg så præsentationen, var implikationerne åbenlyse—dette var ikke bare en inkrementel forbedring, men en anden paradigm for, hvordan maskiner kunne lære at generere visuelt indhold.

Men fra begyndelsen erkendte jeg en grundlæggende åbning i, hvordan disse systemer blev bygget: ingen ansvarlighed for træningsdata, ingen ramme for ansvarlig udvikling, ingen overvejelse for de skabere, hvis arbejde gjorde det hele muligt.

De tidlige udfordringer var ikke tekniske—de var strukturelle. Hvordan bygger man generativ AI, der forbedrer kreativt arbejde uden at undergrave de mennesker, der skaber? Hvordan gør man disse systemer brugbare i produktionsmiljøer, hvor juridisk sikkerhed er lige så vigtig som outputkvalitet? Disse spørgsmål formede alt, hvad vi byggede. Vi grundlagde Bria på principperne om, at innovation og ansvarlighed ikke er modsatrettede kræfter—de må fremme sammen, eller teknologien fejler alle.

Din akademiske baggrund inden for computer vision og dine 50+ patenter brobygger forskning og virkelige innovationer. Hvordan har denne erfaring påvirket Brias tekniske vej og langsigtede strategi?

Min forskningsbaggrund lærte mig at tænke i systemer—hvordan forskellige lag af forståelse forbinder til at danne mening. Mange af mine patenter fokuserer på, hvordan maskiner fortolker strukturen af visuel information, og den mindset oversætter naturligt til Brias tilgang. Vi ser på billedgenerering som en kompositionproces, ikke en tilfældig.

Men patenternes ikke kun om teknologi—de handler om at brobygge teknologi til forretningsrealitet. En betydelig del af vores IP-portefølje omhandler systemlaget: hvordan man skaber tillægsrammer, der forbinder genereret indhold tilbage til deres træningskilder? Hvordan man bygger økonomiske modeller, der kompenserer skabere i stor målestok? Disse er ikke kun tekniske problemer—de er spørgsmål om infrastruktur, forretningsmodeller og markedsgestaltning.

Denne bredere synsvinkel formede vores langsigtede strategi. Innovation er ikke kun om at fremme de underliggende modeller. Det handler om at skabe nye økonomiske strukturer, nye kontraktlige rammer, nye måder for branchen at fungere på en bæredygtig måde. Målet er ikke kun at producere bedre resultater—det handler om at forstå, hvordan disse resultater dannes, hvem bidrog til dem, og hvordan værdi flyder gennem systemet. Det er, hvor videnskab møder produktionsadfærd møder forretningsarkitektur.

Bria har lige annonceret FIBO, der beskrives som verdens første deterministiske visuelle grundmodel for professionel AI-generering. Hvad gør FIBO fundamentalt anderledes end eksisterende visuelle AI-systemer?

Navnet selv signalerer vores tilgang: FIBO står for Fibonacci, den matematiske sekvens, der er kendt for sine indbyggede æstetiske egenskaber. Den gyldne ratio—ratioen mellem på hinanden følgende tal i Fibonacci-sekvensen—opstår i, hvad vi opfatter som visuelt tiltalende proportioner over matematik, visuel kunst, geometri og arkitektur. Du ser det i dimensionerne af det romerske Pantheon og Det Hvide Hus, i den menneskelige krop og ansigtet, som illustreret i Leonardo da Vincis Vitruvianske mand, og gennem naturlige former. Denne forbindelse mellem matematisk struktur og visuel skønhed er præcis, hvad FIBO inkorporerer: æstetisk kvalitet gennem formal struktur.

FIBO ændrer forholdet mellem intention og output. De fleste visuelle AI-systemer indsætter lag af fortolkning mellem, hvad du ønsker, og hvad du får—you skriver en prompt, modellen oversætter den gennem sprogkodere, diffunderer den gennem støj, og du håber, at resultatet matcher din vision. FIBO fjerner disse lag helt.

Vi gjorde visuel AI til at fungere som kode—hver kreativ enhed bliver redigerbar og gentagbar. Det er et gennembrud for professionelle, der har været fastlåst med prompt-roulette.. Dette betyder, at hver enkelt enhed, lysretning, kamerafang, farvepalet, komposition, stil findes som en ekspllicit, kontrollerbar egenskab. JSON-strukturen giver dig mulighed for at ændre kun de parametre, du ønsker, mens du låser alle andre. Du kan justere lysintensiteten uden at påvirke kompositionen eller ændre kamerafangen uden at ændre farvepaletten. Systemet gør præcis, hvad du specificerer, hver gang.

Vi afholder hackathons med Fal og NVIDIA (NVDA ) for at vise udviklere, hvordan deterministisk generering faktisk fungerer i praksis. JSON-strukturen åbner sorte kassen—you kan se præcis, hvilke parametre, der skabte et billede, reproducere det og ændre det med præcision. Det er en helt anden paradigm end prompt-teknik.

Traditionelle tekst-til-billede-systemer afhænger af stadig mere komplekse prompts for at opnå specifikke resultater. Hvordan løser FIBOs tilgang prompt-kompleksitetsproblemet?

To problemer skal løses. Først findes prompt-tilfældighedsproblemer, fordi nuværende modeller forsøger at udtrække brugerens intention og tilføje, hvad modellen “tror”, er æstetisk eller ønskværdigt via prompt-forbedring. Anden, manglen på kontrol over professionelle egenskaber

FIBO inverterer dette. Modellen blev trænet på mere end 1.000-ord visuelle beskrivelser per billede, der eksplikt encoderer over 100 uafhængige attributter i JSON-format. Dette blev ikke post-processeret eller udtrukket—det var den native træningsformat. Fordi hver attribut er repræsenteret strukturelt fra begyndelsen, lærte modellen visuel komposition som en samling af diskrete, kontrollerbare parametre snarere end som en fuzzy fortolkning af tekst.

Det betyder i praksis, at du definerer æstetisk intention gennem struktur, ikke gennem “prompt og bed”. Niveauet af tekst-til-billede-alignment er fundamentalt højere, fordi der ikke er nogen oversættelseslag. Du taler modellens native sprog. Og fordi egenskaber er uafhængige, kan du iterere over lys uden at ændre komposition, eller justere farvepaletten uden at påvirke stil. Kontrollen er kirurgisk.

FIBO introducerer en “refine”-arbejdsproces, der er anderledes end typisk iterativ generering. Hvordan ændrer dette, hvordan professionelle tilgår visuel produktion?

De fleste generative arbejdsprocesser er iterative på en frustrerende måde—you genererer, vurderer, justerer din prompt, genererer igen, håber det er tættere. dette “prompt og bed”. Du er aldrig helt sikker på, hvad der ændrede sig eller hvorfor.

Refine omdanner eksperimenter til design. Du er ikke i gang med at gætte, hvad en ny prompt måske kan gøre—you styrer billedet, præcis som du ville justere lys eller farve i Photoshop. . Du behøver ikke at arbejde på JSON-niveau direkte—en vision-sprogmodel ændrer JSON’en for dig baseret på naturlige sproginstruktioner. Men JSON’en selv giver dig mulighed for at forstå præcis, hvad der skete. Du genererer et initialt billede, undersøger dets JSON-repræsentation, identificerer, hvilke egenskaber, der kræver justering—måske er lysintensiteten for høj, eller kamerafangen skal ændres 15 grader—and you modify only those values through simple instructions. Everything else stays locked.

Denne struktur er perfekt for agente-arbejdsprocesser. En AI-agent kan analysere JSON’en, forstå den komplette tilstand af billedet, foretage målrettede ændringer og forklare sin begrundelse—all because the parameters are explicit and interpretable. Agenten gætter ikke, hvad en prompt-ændring måske kan gøre; den foretager præcise justeringer af kendte egenskaber.

Dette fjerner den upålidelighed, der har holdt professionelle skeptiske over for generativ AI. Når du kan se den komplette parameter-sæt, der skabte et billede, forstå, hvad hver egenskab kontrollerer, og ændre enkelt-egenskaber med sikkerhed, at intet andet vil glide, er du ikke længere i gang med at eksperimentere—you er i gang med at designe. JSON-synligheden åbner sorte kassen fuldstændigt. For professionelle produktionsarbejdsprocesser, hvor konsistens og kontrol betyder mere end nytænkning, er dette forskellen mellem et kreativt legetøj og et produktionsværktøj.

Dataetik og brand-sikkerhed er blevet centrale for virksomheds-AI. Hvordan sikrer Brias brug af fuldt licenserede, rettighedsryddede data både overholdelse og respekt for skabernes IP?

Fra dag én besluttede vi, at hvis branchen skulle vokse ansvarligt, måtte det starte med data-integritet. Hvert billede, der trænede FIBO, kommer fra licenserede, rettighedsryddede kilder gennem partnerskaber med indholdsløsere som Getty Images (GETY ) og Envato. Dette sikrer, at vores modeller er overholdelige og retfærdige. Vi ser respekt for skabere som en del af værdikæden, ikke som en begrænsning. Virksomheder drager fordel af denne integritet, fordi det giver dem den juridiske og etiske sikkerhed, de har brug for for at skala med tillid.

FIBO blev trænet for at lære hver virksomheds unikke brand-stil og identitet. Hvordan ændrer denne funktion, hvordan globale mærker tilgår indholdsskabelse og visuel konsistens?

Mærker har deres egen visuelle DNA—en unik måde at udtrykke emotion, tillid og formål gennem design. FIBO kan lære dette sprog. Når den er trænet, genererer den visuelt indhold, der reflekterer samme komposition, tone og atmosfære, der definerer en mærkes identitet. Dette omdanner AI fra en kreativ assistent til en mærke-aktiv. Det hjælper globale hold med at skabe med alignment, ikke approximation. Resultatet er konsistens i stor målestok uden at miste individualitet.

Med tidlige brugere, der allerede bruger FIBO til at automatisere emballage-design, produktbilleder og kreative kampagner, hvilke resultater eller feedback har været mest bemærkelsesværdige for dig indtil nu?

Tankeskiftet. Hold er begyndt at behandle AI som en del af deres operationelle værktøjskasse, ikke som en nytænkning. Et globalt mærke genererer regionale emballagevarianter meget hurtigere, samtidig med at de opretholder mærke-konsistens. En førende kreativ agentur har accelereret kampagneudvikling ti gange gennem kontrolleret iteration. Men det virkelige signal kommer fra kreative direktører, der fortæller os, at de føler sig mere i kontrol; at modellen forstår deres visuelle intention. Det er et vendepunkt for branchen.

Bria positionerer sig selv som en leder i etisk og kontrollerbar AI. Hvordan ser du, at denne filosofi former fremtidige reguleringer eller branchestandarder for visuel AI?

Vi har nået et stadium, hvor innovation og governance skal flytte sammen. Regulering er ikke en hindring, men snarere infrastrukturen for bæredygtig vækst. Vores tilgang — transparent data, deterministiske outputs, klar proveniens — aligner tæt med, hvad fremvoksende politikker beder om. Jeg tror, vi vil se nye standarder, der prioriterer sporing, forklarbarhed og rettighedsbeskyttelse. Brias filosofi er at hjælpe med at definere disse standarder gennem praksis, ikke politik-erklæringer.

Set fremad, hvad er næste skridt for Bria efter FIBO? Forestiller du dig at udvide til multimodal AI, der forener billed-, video- og 3D-generering under én kontrollerbar ramme?

Ja. De samme principper, der driver FIBO—struktur, kontrol, gennemsigtighed—gælder på tværs af alle visuelle domæner. Vi udforsker allerede udvidelser til video og 3D, hvor determinisme kan bringe den samme pålidelighed, som virksomheder nu har med billeder. Vores mål er enkelt: gøre AI-kreativitet så kontrollerbar og sikker som at skrive kode—and udvide det på tværs af hvert visuelt medium, fra billede til video til 3D.

Tak for det store interview, læsere, der ønsker at lære mere, skal besøge Bria.